[发明专利]一种基于概率密度函数的旋转机械健康状态评估方法

摘要

本发明涉及一种基于核密度估计和K‑L散度等统计学方法来实现旋转机械的健康状态评估方法。包括如下几个步骤步骤1采集被监测对象的原始振动数据；步骤2从原始振动数据中提取时、频域特征；步骤3对时、频域特征进行降维处理获得敏感特征；步骤4使用窗宽为k的移动滑动窗来动态地选定样本集，计算样本集合的统计特性；步骤5计算各个样本集在每个敏感特征下的概率密度函数；步骤6计算相同敏感特征下相邻的两个样本集概率密度函数的K‑L散度值；步骤7计算集成K‑L散度作为监测对象的健康评估指标。本发明的有益效果在于充分考虑到样本的统计不确定性，提高了健康状态评估模型的准确性和泛化性。

主权项

一种基于核密度估计和K‑L散度的旋转机械健康评估方法，包括如下步骤：步骤1：采集被监测对象的原始振动数据；步骤2：从步骤1中得到的原始振动数据中提取多个的时域和频域特征，获得时域特征集和频域特征集；步骤3：对步骤2中得到的时域和频域特征集进行降维处理获得敏感特征，并且计算这些敏感特征的贡献率，然后获得贡献率向量；步骤4：采集被监测对象每一个时刻的原始振动数据为一个样本，使用一个窗宽为k的移动滑动窗来动态地选定样本集，即落入滑动窗的k个样本构成一个样本集合，计算获得样本集合的统计特性；步骤5：利用核密度估计方法，计算各个样本集关于步骤3中提取的敏感特征下的概率密度函数；步骤6：计算出相同敏感特征下相邻两个样本集的概率密度函数的K‑L散度值；步骤7：计算集成K‑L散度，以集成K‑L散度值作为监测对象的健康评估指标，集成K‑L散度组成新的时间序列用来判断监测对象健康状态退化的严重程度；集成K‑L散度越小，相邻的两个样本集的概率密度函数越相似；反之，当集成K‑L散度越大，相邻的两个样本集的概率密度函数差别越大；换句话说，集成K‑L散度值越小表示相邻两个时刻的退化程度越不明显，而当集成化K‑L散度越大表示相邻两个时刻的退化程度越明显。