[发明专利]一种机械故障信号的自动聚类方法及自动聚类系统

权利要求书

1.一种机械故障信号的自动聚类方法，其特征在于，所述自动聚类方法包括：

获取表征机械故障信号的多个待分类时域振动信号；

对各个所述待分类时域振动信号进行小波包变换处理，获得各个所述待分类时域振动信号的小波包能量向量；

将各个所述小波包能量向量输入到机械故障自动聚类模型中，获得机械故障信号的聚类结果；其中，所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量，所述机械故障自动聚类模型的输出为机械故障信号的聚类结果；所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成；所述机械故障自动聚类模型的建立方法具体包括：

获取初始训练样本，所述初始训练样本包括多个初始训练样本对，所述初始训练样本对的输入为故障状态的时域振动信号，所述初始训练样本对的输出为随机分配的类型标签；

对所述初始训练样本的各个时域振动信号进行小波包变换处理，获得训练样本小波包能量向量，所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量；

采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类，获得所述训练样本的聚类结果；

根据所述聚类结果更新各个所述初始训练样本对，获得更新后的聚类训练样本，更新后的所述聚类训练样本包括多个聚类训练样本对；

构建深度神经网络模型；

采用聚类训练样本对所述深度神经网络模型进行分类训练，获得机械故障自动聚类模型。

2.根据权利要求1所述的自动聚类方法，其特征在于，所述获得机械故障自动聚类模型之后，还包括：

获取测试样本，所述测试样本包括多个测试样本对，所述测试样本对的输入为测试时域振动信号，所述测试样本对的输出为与所述测试时域振动信号对应的类型标签；

对各个所述测试时域振动信号进行小波包变换处理，获得各个所述测试时域振动信号的小波包能量向量；

将各个所述测试时域振动信号的小波包能量向量输入机械故障自动聚类模型中，获得测试样本聚类结果；

根据所述测试样本聚类结果确定测试样本误判率；

判断所述测试样本误判率是否小于或者等于预设的误判率阈值，获得判断结果；

当所述判断结果表示所述测试样本误判率大于预设的误判率阈值时，调整各个聚类训练样本对的类型标签，并返回所述“采用聚类训练样本对所述深度神经网络模型进行分类训练，获得机械故障自动聚类模型”。

3.根据权利要求1所述的自动聚类方法，其特征在于，所述构建深度神经网络模型具体包括：

根据所述聚类训练样本的小波包能量向量的维数确定输入层的神经元个数；

根据所述聚类训练样本的类型标签的种类数确定输出层的神经元个数；

构建深度神经网络模型，所述深度神经网络模型包括所述输入层、隐含层和所述输出层，其中，所述隐含层的数量大于或者等于1。

4.根据权利要求1所述的自动聚类方法，其特征在于，所述聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法，K-均值聚类法、K-中心点聚类法、基于距离的聚类方法中的任意一者。

5.根据权利要求1所述的自动聚类方法，其特征在于，所述小波包变换处理的计算公式为：

其中，<·,·>表示内积操作,x(t)表示时域振动信号，k表示变换参数,表示第j层分解第n个小波包函数，t表示时间。