[发明专利]转动机器振动特征的智能识别方法

权利要求书

1.一种利用机器学习智能算法对转动机器和/或转动部件的振动特征进行诊断和识别的方法，包含以下步骤：

步骤1、将收集到的转动机器和/或转动部件的振动时域信号样本转化为声谱图数据样本；

步骤2、根据已有结论对所述样本进行标记分类，形成用于训练机器学习智能算法的训练样本集；

步骤3、针对训练样本中的声谱图数据样本进行特征重构，以获得包含增量数据样本在内的扩充训练样本集；

步骤4、以扩充训练样本集中所包含的声谱数据样本对机器学习智能算法进行识别和/或分类的训练；

步骤5、以经过训练的机器学习智能算法对新收集的振动时域信号样本所转化成的声谱图数据样本进行识别和/或分类；

其特征在于：

所述特征重构是指对声谱图数据样本执行以时序离散重组为特征的拆合法，先将声谱图数据样本在时序上拆解为若干个子声谱，然后再将所得的子声谱以不同于原始时序的其他顺序另行组合。

2.如权利要求1所述的方法，其特征在于：所述子声谱的数量可以固定，也可以随机；时长可以固定，也可以随机。

3.如权利要求2所述的方法，其特征在于：所述子声谱的数量介于2至10个之间。

4.如权利要求3所述的方法，其特征在于：所述拆合法可以迭代执行，次数介于2至10次之间。

5.如权利要求4所述的方法，其特征在于：所述子声谱的数量为2个，拆合法的迭代次数不超过5次。

6.如权利要求1至5中任意一项所述的方法，其特征在于：所述拆合法仅针对声谱图中特定的频段带进行。

7.如权利要求6所述的方法，其特征在于：所述拆合法针对由特定频段带叠置形成的叠置声谱图进行。

8.如权利要求7所述的方法，其特征在于：所述叠置声谱图是由特定频段带执行完拆合法之后叠置而成。

9.如权利要求1至5中任意一项所述的方法，其特征在于：所述机器学习智能算法为卷积神经网络或者深度学习神经网络。

10.如权利要求9所述的方法，其特征在于，所述转动机器和/或转动部件为电机、轴承或者两者的组合体，所述振动特征为通过感知或者测量能够获取的故障和/或噪音特征。