[发明专利]机械设备的振动传感器网络中各传感器敏感度确定方法

摘要

本发明涉及一种机械设备的振动传感器网络中各传感器敏感度确定方法，根据振动传感器网络的实际情况，并借鉴一般复杂网络重要度评价指标和方法，提出一种振动传感器网络节点敏感度评价指标——基于多特征融合的传感器网络敏感因子。振动传感器网络敏感因子必须要能灵敏准确地反映系统状态的变化，并能衡量所有传感器对同一状态的敏感性大小。其计算思路：以正常状态为基准，能够实现异常故障状态与正常状态之间距离的最大化；并具有可比性，能衡量各传感器对同一故障或异常状态的敏感程度的大小。本发明与单一特征相比，该发明所提方法由于考虑的特征属性更多，因而能够更加全面准确反映系统状态的变化，并能更好衡量所有传感器对同一状态反映的敏感性大小。通过该方法可对传感器网络各节点重要性进行评估排序，发掘其中的关键节点，为传感器网络一致性决策融合奠定基础。

主权项

一种机械设备的振动传感器网络中各传感器敏感度确定方法，其特征在于步骤如下：步骤1、选定特征属性集：根据采集到的机械振动信号序列x(n)＝[x1,x2,...,xn]提取14个时域特征集和13个频域特征集，其中：n＝1,2,...,N，N是样本点数；所述14个时域特征集为：均值：均方根值：方根幅值：绝对平均值：偏斜度：峭度：峰峰值：pt7＝max(x(n))‑min(x(n))方差：波形指标：峰值指标：脉冲指标：裕度指标：偏斜度指标：峭度指标：所述13个频域特征集为：均值频率，反映频域振动能量的大小：标准差，表示频谱的分散或者集中程度的第一指标：表示频谱的分散或者集中程度的第二指标：表示频谱的分散或者集中程度的第三指标：频率中心，反映主频带位置的变化的第一指标：表示频谱的分散或者集中程度的第四指标：均方根频率，反映主频带位置的变化的第二指标：反映主频带位置的变化的第三指标：反映主频带位置的变化的第四指标：表示频谱的分散或者集中程度的第五指标：表示频谱的分散或者集中程度的第六指标：表示频谱的分散或者集中程度的第七指标：表示频谱的分散或者集中程度的第八指标：其中：f(k)是振动信号序列x(n)经过FFT变换后的频谱，k＝1,2,…,K，K是谱线数，fk是第k条谱线的频率值；步骤2、计算所选定27个特征的各特征敏感度JF：JF=SbSx+Sy=(mx-my)2Σ(xi-mx)2+Σ(yj-my)2]]>其中：{yj}为正常状态样本点集合，j＝1,2,…n2，n2为正常样本的个数；{xi}为故障或异常状态的样本点集合，i＝1,2,…n1，n1是故障或异常状态样本的个数；mx和my分别为{xi}、{yj}的特征量均值，Sx和Sy分别为{xi}、{yj}的类内离散度，Sb为{xi}与{yj}的类间离散度；步骤3、计算各传感器最大敏感度特征的权重wl：wl=JFmaxlΣl=1rJFmaxl,l=1,2...,r]]>其中：r为传感器个数；JFmaxl为各传感器对应的敏感度最大特征的敏感度；步骤4、计算基于加权融合的各传感器的敏感度F：F=Σl=1rwl·JFl]]>其中：JFl为根据步骤2选出的最大敏感度特征序号所对应的各传感器特征敏感度。