[发明专利]一种用于振动信号分析的敏感特征选取与降维方法

权利要求书

1.一种用于振动信号分析的敏感特征选取与降维方法，其特征在于，该方法包括以下步骤：

S1、将振动信号进行MODWPT分解得到各频带系数和节点信号，单支重构各节点信号并计算相应的统计特征；

S2、通过基于极限学习机的特征选取方法FSELM完成敏感特征的筛选，利用NPEMMC对选取的敏感特征进行降维分析；

S3、将低维的敏感特征作为输入空间对分类器进行训练，使用训练后的分类模型完成故障模式识别。

2.如权利要求1所述的振动信号分析的敏感特征选取与降维方法，其特征在于，在步骤S1中，所述统计特征的计算具体为：利用FSELM对训练数据集N个统计特征进行量化分析，计算出相应的统计特征elm_ac。

3.如权利要求2所述的振动信号分析的敏感特征选取与降维方法，其特征在于，所述FSELM的计算方法具体为：

(1)利用训练样本数据的第1个统计特征CS¹训练ELM分类器，得到ELM分类器模型M_ELM(1)；

(2)利用训练得到模型M_ELM(1)，对CS¹进行测试，得到训练样本数据的第1个特征的故障状态识别确率elm_ac(1)；

(3)分别对[CS¹，CS²，...，CS^K]中K种统计特征执行(1)、(2)步操作，得到训练样本数据的第K种特征的识别准确率序列elm_ac＝{elm_ac(1)，elm_ac(1)，…，elm_ac(K)}；

(4)假定elm_ac(k)的值越大，特征的故障状态敏感度越高，对识别准确率序列elm_ac进行由大到小排序，得到排序后的序列S_ELM_AC，作为优先被选为敏感特征的顺序。

4.如权利要求1所述的振动信号分析的敏感特征选取与降维方法，其特征在于，在步骤S2中，所述敏感特征的筛选具体为：将elm_ac降序排列，依据排序结果选取故障敏感特征，在测试数据集的特征选取时，直接利用训练数据集的统计特征排序结果来选取敏感特征。

5.如权利要求4所述的振动信号分析的敏感特征选取与降维方法，其特征在于，在步骤S2中，所述NPEMMC的降维分析过程具体为：

(1)使用k最近邻方法在训练数据样本上构造一张近邻图G，其第i个节点对应数据样本点x_i，计算x_i与x_j样本点间的欧式距离，如果x_i归属x_j的k近邻，则将两者相连，样本点之间的欧式距离计算公式如下式所示：

d(x_i,x_j)＝||x_i-x_j||；

(2)计算近邻图重构权重系数矩阵W，其各元素w_ij表示从节点i到节点j的边的权重，当x_j是x_i的近邻点时，w_ij≠0；当x_j不是x_i的近邻点时，w_ij＝0；近邻图重构权重系数矩阵W可以通过最小化重构损失函数求解得到，NPEMMC的重构损失函数与NPE相同；

(3)计算数据集中各类别样本的均值向量，以及样本总均值；

(4)计算样本的类间散度矩阵与类内散度矩阵S_w；

(5)计算矩阵XLX^T和XZX^T，并根据下式求解出特征值与相应的特征向量：

XLX^Ta＝λXZX^Ta

式中，λ表示特征值；按照降序排列各特征值，得到排序后特征值序列λ₁,λ₂,…,λ_M以及相应的特征向量a₁,a₂,…,a_M；

(6)选取前D个特征值对应的特征向量构成降维映射矩阵A，并使用A计算Y＝A^TX，将M维数据变换为D维数据(D≤M)，从而实现降维。

6.如权利要求1所述的振动信号分析的敏感特征选取与降维方法，其特征在于，在步骤S3中，分类器选择KNN。