[发明专利]一种压缩机齿轮故障样本扩充方法及系统

权利要求书

1.一种压缩机齿轮故障样本扩充方法，其特征在于，包括以下步骤：

S1、对有限的压缩机齿轮原始故障信号进行集合经验模态分解EEMD处理，计算每个本征模态分量IMF信号的若干时域特征指标，以生成故障特征向量，并以此作为原始样本；

S2、利用同故障类别的原始样本进行逆向云计算，建立多维的高斯云模型，且对所建高斯云模型进行正向云计算，生成若干用以表征故障特征向量的云滴并作为仿真样本；

S3、将所有仿真样本输入VAE模型进行样本重构，以减小模型输出与原始样本之间的误差为目标，并基于反向传播算法迭代修正VAE模型参数，最终输出与原始样本极为相似的扩充样本，以建立完备的压缩机齿轮故障样本集。

2.如权利要求1所述的压缩机齿轮故障样本扩充方法，其特征在于，所述步骤S1具体包括：

设定采集了K种故障的压缩机齿轮振动信号，且每种故障下有L段原始信号；

对K种故障的压缩机齿轮振动信号基于EEMD进行信号分解，以得到EEMD分解后最终的IMF子信号；

计算每个IMF子信号的若干时域特征指标，以生成故障特征向量，并以此作为原始样本，形成原始故障样本集。

3.如权利要求2所述的压缩机齿轮故障样本扩充方法，其特征在于，所述对K种故障的压缩机齿轮振动信号基于EEMD进行信号分解，以得到EEMD分解后最终的IMF子信号的步骤具体包括：

(01)记第k种故障下的第l段原始信号为x(t),k＝1,2,...,K，l＝1,2,..L，设定EEMD的总体平均次数为M；

(02)往原始信号x(t)里加一个具有标准正态分布的高斯白噪声序列n_i(t)，产生一个新的信号x_i(t)＝x(t)+n_i(t)；其中，x_i(t)为第i次的附加噪声信号，且i＝1,2,..M；

(03)对所得含噪声的信号x_i(t)进行EMD分解，得到IMF和的形式：

式中，c_ij(t)为第i次加入白噪声后分解得到的第j个IMF；r_ij(t)为残余函数，代表信号的平均趋势；J是IMF的数量；

(04)重复步骤(02)和步骤(03)进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合为：

{c_1j(t),...c_M,j(t)|j＝1,2...,J}

(05)利用不相关序列的统计平均值为零的原理，将上述对应的IMF进行集合平均运算，得到EEMD分解后最终的IMF，即：

式中，c_j(t)为EEMD分解的第j个IMF。

4.如权利要求3所述的压缩机齿轮故障样本扩充方法，其特征在于，所述计算每个IMF子信号的若干时域特征指标，以生成故障特征向量，并以此作为原始样本，形成原始故障样本集的步骤具体包括：

(11)计算EEMD中每个c_j(t)在时域上的5个特征指标，且进一步合并成一个包含5个特征指标值的特征子向量以得到J个特征子向量；其中，5个特征指标包括斜度、峭度、波形指数、脉冲因子和峰值因子；为基于c_j(t)得到的特征子向量；

(12)将J个特征子向量依次排列，组合成一个包含5×J个特征值的向量：记为第k种故障的第l个原始样本；

(13)将l在{1,2,...,L}中遍历，重复步骤(11)和步骤(12)进行L次，最终得到第K种故障的L个原始样本，形成一个故障特征矩阵V_k；

式中，V_k,l为第k种故障的第l个原始样本，为原始样本V_k,l中的第j个特征值；

(14)将k在{1,2,...,K}中遍历，重复步骤(11)至步骤(13)进行K次，最终得到K种故障的K×L个原始样本，形成原始故障样本集V：

V＝{V₁,...V_k,...,V_K},

式中，V_k为第k种故障原始样本形成的故障特征矩阵。