[发明专利]一种基于贝叶斯推理的直升机动部件动态阈值计算方法

权利要求书

1.一种基于贝叶斯推理的直升机动部件动态阈值计算方法，包括以下步骤：

1) 数据预处理；

2) 特征提取；

3)计算步骤2)提取的特征的概率密度，并根据概率密度绘制概率密度曲线，最后通过贝叶斯推理方法计算得出动态阈值；

其中，

步骤1)数据预处理具体包括以下步骤：

(1.1) 采集正常数据、内圈故障数据、外圈故障数据、滚珠故障数据；

(1.2) 利用数据预处理方法对步骤(1.1)中采集到的所有数据进行预处理，滤除数据中的噪声，得到去噪后数据；

步骤2)特征提取具体包括以下步骤：

(2.1) 将步骤1)得到的去噪后正常数据、内圈故障数据、外圈故障数据、滚珠故障数据进行分组；

(2.2) 利用特征提取方法对步骤(2.1)中分组后的所有数据进行特征提取；

步骤3)动态阈值计算具体包括以下步骤：

(3.1) 利用步骤2)提取的特征，分别计算正常数据特征、内圈故障数据特征、外圈故障数据特征、滚珠故障数据特征的概率密度；

(3.2) 在同一坐标系上，分别画出正常数据特征和内圈故障数据特征的概率密度曲线，通过贝叶斯推理方法计算可得，两曲线的交点为正常数据和内圈故障数据的动态阈值；

(3.3) 在同一坐标系上，分别画出正常数据特征和外圈故障数据特征的概率密度曲线，通过贝叶斯推理方法计算可得，两曲线的交点为正常数据和外圈故障数据的动态阈值；

(3.4) 在同一坐标系上，分别画出正常数据特征和滚珠故障数据特征的概率密度曲线，通过贝叶斯推理方法计算可得，两曲线的交点为正常数据和滚珠故障数据的动态阈值；

步骤(3.1)的概率密度计算包括以下步骤：

(3.1.1) 定义最小区间的长度，把特征平均值和特征最小值的差，均分成m份，作为最小区间，m取20~30；

(3.1.2) 计算全部数据中每个最小区间所包含特征的数量；

(3.1.3) 根据各个区间的概率，计算得到各个区间的概率密度。

2.根据权利要求1所述的方法，其特征在于，所述数据预处理方法为奇异值分解方法、小波去噪方法、小波包去噪方法、滑动平滑处理方法、基本形态滤波方法或差值形态滤波方法。

3.根据权利要求2所述的方法，其特征在于，所述特征提取方法为内圈特征频率能量提取、外圈特征频率能量提取、滚珠特征频率能量提取和M6A提取。