[发明专利]振动信号特征值选择方法及电梯健康状态评估或故障诊断方法

说明书

本发明公开了一种振动信号特征值选择方法，对m×n组振动信号的特征值采用方差分析，分析特征值与振动信号状态标签的标签值的关联性，通过删除与标签值呈低关联性的特征值进行第一次粗筛；通过计算每种特征值与其他种特征值的距离相关系数，得到综合距离相关系数，进行特征值相关性分析，通过删除综合距离相关系数高的特征值进行第二次粗筛；对经过第二次粗筛保留的特征值进行特征值矩阵合并，基于合并后的特征值矩阵进行递归特征消除，得到最佳特征值组合。本发明的振动信号特征值选择方法，能对振动信号数据的特征值进行有效筛选，获取构成机械设备运行状态振动模型的最佳特征值组合，有效减少模型的维数，节约计算资源，提高模型的准确度。

技术领域

本发明涉及机器学习及数据挖掘技术领域，特别涉及一种振动信号特征值选择方法及电梯健康状态评估或故障诊断方法。

背景技术

近年来，随着传感器技术的快速发展，利用小型化、低成本的振动传感器，通过安装在机械设备上，获取机械设备运行时的振动信号，如图1所示。利用传感器获取的大量机械设备正常、异常及故障状态的振动信号，经过数据清洗及信号处理，提取相应振动信号的特征值，基于机器学习技术，通过数据训练，建立机械设备运行状态诊断模型。根据上述的机械设备运行状态诊断模型，结合大数据分析技术，通过分析实时采集的振动信号，可以实现机械设备状态智能监测，机械设备异常状态智能化诊断等功能。

由于机械设备的故障种类不同，其振动信号特征值也存在显著差异。以电梯为例，如电梯轮系轴承故障表现出显著的频域特征；而电梯导轨接头异常，常表现为典型的时域冲击等。在提取机械设备振动信号特征值时，通常可将机械设备振动信号特征值分为时域特征值、频域特征值、时频域特征值三大类，每一类中又包含有不同的特征值。以时域特征值为例，振动信号经过信号处理，可以得到的时域特征值包括了峰峰值、方均根值、平均值、峭度、偏度等等。

当选择用于机械设备运行状态诊断模型的特征值越多，模型的维数就越大，计算规模也越大，所需要的计算资源也相应增加；同时由于模型维数过大，模型过于复杂，易于产生过拟合现象，导致诊断模型的准确度降低。

当选择用于构成机械设备运行状态诊断模型的特征值过少，则易于产生欠拟合现象，导致由训练数据生成的诊断模型拟合程度不高，影响诊断模型的准确性。

基于以上的原因，需要在训练数据，建立机械设备运行状态诊断模型之前，对相应数据的特征值进行有效筛选，在保证尽可能少的振动信号特征值的基础上，获取构成机械设备运行状态振动模型的最佳特征值组合。

为了得到最佳的特征值组合，通常采用递归特征消除的方法进行特征值选择，但其缺点在于，当特征值数量过多，计算规模巨大，整个递归的过程过长，影响特征选择的效率；另外，由于训练数据集和测试数据集选择的随机性，在递归过程中删除的效特征值可能受到数据分布的影响，从而影响机械设备运行状态诊断模型的准确性。

发明内容

本发明要解决的技术问题是，能对振动信号数据的特征值进行有效筛选，在保证尽可能少的振动信号特征值的基础上，获取构成机械设备运行状态振动模型的最佳特征值组合，有效减少模型的维数，节约计算资源，提高模型的准确度。

为解决上述技术问题，本发明提供的振动信号特征值选择方法，其包括以下步骤：

一.机械设备运行状态包括一种正常状态及m-1种异常状态，m为大于1的整数；

对原始振动信号进行预处理，使每一种机械设备运行状态下均有n个振动信号数据，将多余的原始振动信号删除，n为大于1的整数；

二.对每组预处理后的振动信号数据进行信号处理，提取得到b种特征值，b为大于2的整数；m×n组预处理振动信号数据共提取得到m×n×b个特征值；

三.由所述m×n×b个特征值，构造特征值矩阵X及机械设备状态标签向量Y；

特征值矩阵X为m×n行，b列；