[发明专利]一种机械故障信号的自动聚类方法及自动聚类系统

摘要

本发明公开一种机械故障信号的自动聚类方法及自动聚类系统。本发明利用小波包变换处理时域振动信号，获取表征故障类型的小波包能量向量。通过聚类方法实现初分类，再结合深度神经网络算法进行细分类，可以自动实现对机械故障信号的准确分类。同时，本发明提供的机械故障信号的自动聚类方法及自动聚类系统，初始获取训练样本的类型标签随机给定，后续过程自动更新聚类训练样本的类型标签，无需人工干预，整个过程自动完成，自动提取特征，自动对故障信号进行分类，能够有效克服人工参与存在的工作效率低、实施成本高、个体差异导致的分类误差大等缺点，具有广阔的工业应用前景。

主权项

1.一种机械故障信号的自动聚类方法，其特征在于，所述自动聚类方法包括：获取表征机械故障信号的多个待分类时域振动信号；对各个所述待分类时域振动信号进行小波包变换处理，获得各个所述待分类时域振动信号的小波包能量向量；将各个所述小波包能量向量输入到机械故障自动聚类模型中，获得机械故障信号的聚类结果；其中，所述机械故障自动聚类模型的输入为待分类时域振动信号的小波包能量向量，所述机械故障自动聚类模型的输出为机械故障信号的聚类结果；所述机械故障自动聚类模型是根据深度神经网络算法和聚类分析方法建立而成；所述机械故障自动聚类模型的建立方法具体包括：获取初始训练样本，所述初始训练样本包括多个初始训练样本对，所述初始训练样本对的输入为故障状态的时域振动信号，所述初始训练样本对的输出为随机分配的类型标签；对所述初始训练样本的各个时域振动信号进行小波包变换处理，获得训练样本小波包能量向量，所述训练样本小波包能量向量包括所述训练样本的各个时域振动信号的小波包能量向量；采用聚类方法对所述训练样本小波包能量向量进行无监督训练分类，获得所述训练样本的聚类结果；根据所述聚类结果更新各个所述初始训练样本对，获得更新后的聚类训练样本，更新后的所述聚类训练样本包括多个聚类训练样本对；构建深度神经网络模型；采用聚类训练样本对所述深度神经网络模型进行分类训练，获得机械故障自动聚类模型。