[发明专利]一种基于最小信息熵特征学习模型的旋转机械故障诊断方法

权利要求书

1.一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，其特征在于，包括以下步骤：

根据采集到的故障振动信号构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；

对特征矩阵的行进行L₂范数归一化，然后最小化特征矩阵的信息熵得到训练好的权值矩阵；

通过训练好的权值矩阵求出故障振动信号的特征，对故障振动信号的特征进行Z-score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；

通过权值矩阵求出测试环境下的旋转机械振动信号的特征，对所述旋转机械振动信号的特征进行Z-score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。

2.根据权利要求1所述的基于最小信息熵特征学习模型的旋转机械故障诊断方法，其特征在于：在步骤1中构造Hankel矩阵的过程为：设M个带有标签的旋转机械振动信号样本为根据旋转机械的转速信息构造故障振动信号的Hankel矩阵其中N_in为矩阵列的长度，N_s为矩阵行的长度；将所有旋转机械振动样本的Hankel矩阵堆叠并线性映射得到训练模型的输入矩阵S，其中，

3.根据权利要求2所述的基于最小信息熵特征学习模型的旋转机械故障诊断方法，其特征在于：在步骤2中最小化特征矩阵的信息熵的过程为：首先最小化代价函数J_(W)以提取区分性特征，

其中，为输入矩阵中第i行、第j列的经归一化以后的特征，特征矩阵的行归一化方式为fⁱ为激活后的故障信号特征矩阵的第i行的特征；特征矩阵的特征激活函数为f＝WS，其中W为权值矩阵，N_out为权值矩阵中矩阵列的长度；并通过L-BFGS算法优化目标函数以训练权值矩阵。

4.根据权利要求3所述的基于最小信息熵特征学习模型的旋转机械故障诊断方法，其特征在于：在步骤3中训练Softmax分类器的实现过程为：通过特征激活函数和训练好的权值矩阵提取故障振动信号的特征；然后对特征进行Z-score标准化，即f_z＝(f-μ_f)/σ_f，其中f_z为归一化后的特征，f为未经归一化的故障振动信号特征，弘_f为未经归一化的故障振动信号特征f的均值，σ_f为未经归一化的故障振动信号特征f的标准差；添加上标签变为其中为第i个样本的归一化后的特征，yⁱ为第i个样本的故障标签；然后对Softmax训练模型进行训练，训练出Softmax分类器的权值向量θ，以得到训练完成的Softmax分类器。