[发明专利]一种旋转部件故障诊断模型构建方法及应用

权利要求书

1.一种旋转部件故障诊断模型构建方法，其特征在于，包括以下步骤：

S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号，构成样本集；其中，n为正整数；

S2、采用所述样本集训练稀疏过滤模型，并将所述样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中，所得结果经过激活函数处理后得到各样本信号的学习特征；

S3、分别对各样本信号，将其学习特征与其对应的旋转部件的健康状况一一对应，构成训练样本集；

S4、将所述训练样本集输入到机器学习模型中进行训练，得到旋转部件故障诊断模型；

所述旋转部件故障诊断模型构建方法还包括步骤S5；所述步骤S5在所述步骤S1之后且在所述步骤S2之前执行，包括：对所述样本集中的各样本信号分别进行小波包分解与重构后更新样本集，具体包括以下步骤：

S51、对所述样本集中的样本信号xⁱ进行小波包分解：将样本信号xⁱ视为0级低频系数根据公式得到第m层第j个节点系数并基于计算第m层第j个节点的小波包能量，将第m层的小波包节点能量与该层最大节点能量之比小于预设阈值的节点系数置0，其余节点系数不变，得到修改后的第m层第j个节点系数

S52、基于公式得到0级低频系数即重构后的样本信号并令以更新样本集；

其中，i＝1,2,...,n；m＝1,2,...,M，M为小波包分解层数；G^m为第m层小波包分解对应的低通滤波器系数矩阵；H^m为第m层小波包分解对应的高通滤波器系数矩阵；G^*m、H^*m分别为G^m、H^m的共轭转置矩阵；

所述步骤S2中采用所述样本集训练所述稀疏过滤模型的过程包括：

S21、初始化所述稀疏过滤模型的权重矩阵W；

S22、将所述样本集中的样本信号分别输入到所述稀疏过滤模型中得到特征向量矩阵F＝[f¹，f²，...，fⁿ]，其中，fⁱ＝Wxⁱ，xⁱ为所述样本集中的第i个样本信号，i＝1,2,...,n；

S23、对所述特征向量矩阵进行标准化，并对标准化后的特征向量矩阵中的各元素的绝对值进行求和，得到所述稀疏过滤模型的损失函数值；

S24、以最小化所述稀疏过滤模型的损失函数值为目标，更新所述权重矩阵W；

S25、重复步骤S22-S24，直至所述稀疏过滤模型的损失函数值收敛不变。

2.根据权利要求1所述的旋转部件故障诊断模型构建方法，其特征在于，所述样本集中的第i个样本信号xⁱ的学习特征为fⁱ＝g(Wxⁱ)；其中，g(·)为激活函数；W为稀疏过滤模型的权重矩阵。

3.根据权利要求1所述的旋转部件故障诊断模型构建方法，其特征在于，所述机器学习模型为SVM模型。

4.根据权利要求1-3任意一项所述的旋转部件故障诊断模型构建方法，其特征在于，采用所述旋转部件故障诊断模型进行故障诊断，若故障诊断的准确率小于预设值，则改变小波包分解层数、所述稀疏过滤模型的输入维数和输出维数，并重复步骤S5以及S2-S4，直至所述准确率大于或等于预设值。

5.一种旋转部件故障诊断方法，其特征在于，包括：将旋转部件在当前状态下的振动数据输入到采用权利要求1-4任意一项所述的旋转部件故障诊断模型构建方法所构建的旋转部件故障诊断模型中，得到旋转部件故障状况。

6.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-4任意一项所述的旋转部件故障诊断模型构建方法和/或如权利要求5所述的旋转部件故障诊断方法。