[发明专利]一种基于流形嵌入和关键特征选取的机械故障诊断方法

权利要求书

1.一种基于流形嵌入和关键特征选取的机械故障诊断方法，其特征在于：具体包含如下步骤：

步骤1，采用最大重叠离散小波包变换MODWPT对特定工况下旋转机械的原始振动信号进行信号处理，并计算统计参数构建原始统计特征集OSFS；

步骤2，对步骤1构建的原始统计特征集中的特征进行故障判别能力及域不变性研究，构建关键特征选择指标，选取出可表征旋转机械状态的域不变关键特征，构建样本的关键特征子集；

步骤3，将步骤2得到的源域的带标签关键特征子集作为训练数据集，得到的目标域的无标签关键特征子集作为测试数据集；

采用流行子空间学习MSL将原特征空间的训练集与测试集转换为流行子空间；

在考虑特征相邻关系的情况下，采用改进的分布适应法IDA对源域和目标域的边缘分布和条件分布进行匹配；

依据结构风险最小化SRM原理学习新的域不变分类器f；

步骤4，采用步骤3中得到的领域不变分类器f预测测试数据集的标签，并输出故障诊断结果。

2.根据权利要求1所述的一种基于流形嵌入和关键特征选取的机械故障诊断方法，其特征在于：在步骤1中，

将来自于不同特定工况下的原始振动信号样本分为振动数据集1和振动数据集2；

其中，振动数据集1为工况1，振动数据集2为工况2；

其中，振动数据集1为源域，其数据集的样本有标签；

振动数据集2为目标域，其数据集的样本无标签，需运用来自源域的已知标签样本对诊断模型进行训练，并使用训练后的模型对目标域进行状态分类。

3.根据权利要求2所述的一种基于流形嵌入和关键特征选取的机械故障诊断方法，其特征在于：对源域和目标域的每一个振动信号样本进行四层最大重叠离散小波包变换MODWPT分解，获取16个终端小波包节点，同时对底层节点系数进行单支小波包重构获得16个单支重构信号，并分别求得16个重构信号的希尔伯特包络谱HES，提取每个重构信号与每个希尔伯特包络谱HES的11个统计参数，共生成352个统计特征，构成时频混合域原始统计特征集OSFS。

4.根据权利要求1所述的一种基于流形嵌入和关键特征选取的机械故障诊断方法，其特征在于：在步骤2中，利用来自源域原始统计特征集的带标签故障特征数据和目标域的正常状态特征数据，采用基于域间差异和Laplace分数的关键特征选取方法KSDL对原始统计特征集的特征进行评价，得到关键特征选择指标KFSI，采用降序排序后的KFSI序列选择原始统计特征集的关键特征构成关键特征子集。

5.根据权利要求1所述的一种基于流形嵌入和关键特征选取的机械故障诊断方法，其特征在于：对于步骤1所得到的源域OSFS中的带标签故障特征数据，计算出每一种特征的Laplace分数，以评估特征的可区分性；

采用最大平均差异计算源域与目标域OSFS中正常状态特征的域间差异度，以度量源域和目标域之间的分布差异；

对于得到的每一特征的LS与MMD，构建关键特征选取指标KFSI；

对KFSI序列进行降序排序，KFSI值越高，表明特征的故障分辨能力与域不变性越高，越有利于领域自适应；

对于来自目标域原始特征集的无标签特征数据，直接用排序后的KFSI序列进行域不变特征选取。