[发明专利]一种基于无量纲特征结合虚拟样本的异常点检测方法

权利要求书

1.一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：包括以下步骤：

S1、无量纲特征提取：分别提取正常信号样本集合和异常信号样本集合中每个信号样本的无量纲特征变量，得到正常信号无量纲特征集合和异常信号无量纲特征集合，其中，P为正常信号样本的数量，Q为异常信号样本的数量，L为每个所述信号样本的信号长度，N为正常信号标识，O为异常信号标识；

所述无量纲特征变量的种类包括:时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数；

时域偏度的计算公式为：；

时域峭度的计算公式为：；

时域峰值因子：；

时域裕度因子的计算公式为：；

时域波形因子的计算公式为：；

时域脉冲指数的计算公式为:；

其中，x(n)为包含n个采样点的正常样本信号或异常样本信号，L为x(n)的信号长度，为x(n)的平均值，σ_x为x(n)的标准差；

S2、数据预处理：对所述正常信号无量纲特征集合和所述异常信号无量纲特征集合中的每个所述无量纲特征变量分别进行尺度归一化，得到正常信号归一化样本集合和异常信号归一化样本集合；

S3、获取支持向量：将所述正常信号归一化样本集合和所述异常信号归一化样本集合使用线性支持向量机建立分类模型并获取支持向量；

S4、获得虚拟样本集：判断所述异常信号归一化样本集合的支持向量在k个近邻中是否稀疏：如果是，则使用内插方法获得虚拟样本，如果否，则使用外插方法获得虚拟样本，虚拟样本形成虚拟样本集合,，其中k为奇数，R为虚拟样本的数量；

S5、训练并建立最终分类模型：将所述正常信号归一化样本集合、所述异常信号归一化样本集合和所述虚拟样本集合使用线性支持向量机建立最终分类模型；

S6、待测样本检测：将待测样本输入所述最终分类模型进行检测，判断是否为异常振动信号。

2.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S2中，尺度归一化的公式为：

；

其中，为无量纲特征变量的均值，为无量纲特征变量的标准差。

3.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S3和步骤S5中，通过SVM算法获取支持向量。

4.根据权利要求3所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S3中，线性支持向量机的具体使用方法为：

训练样本集为,其中为所述正常信号归一化样本集合或所述异常信号归一化样本集合的样本，是所对应的类别的标记，，i=1，…，n，则将样本正确分开的最优超平面为：

；

则，

其中是松弛变量，。

5.根据权利要求4所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S5中，为所述正常信号归一化样本集合或所述异常信号归一化样本集合或所述虚拟样本集合中的样本。

6.根据权利要求5所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：

求解最优超平面的方法为：

，

其中C为惩罚因子，C0，是引入的松弛变量；

对偶形式为：

，

其中，α为Lagrange乘子。

7.根据权利要求6所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：

最优分类面为：

，

其中，为Lagrange乘子的最优解，为偏置。

8.根据权利要求6所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：惩罚因子C通过训练集5折交叉验证自动获取。

9.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S4中，k为5。