[发明专利]基于改进支持向量机的旋转机械故障识别方法

摘要

本发明公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明可以有效提高旋转机械故障识别的准确度和效率。

主权项

1.一种基于改进支持向量机的旋转机械故障识别方法，其特征在于，包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号L_s,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,N_s，N_s表示来自第s个传感器的工作信号数量，m＝0,1,…,M‑1，并且M＞T,T表示工作信号的周期；记每段工作信号L_s,n(m)对应的标签为Y_s,n，标签Y_s,n用于标识工作信号对应的旋转机械的故障状态，Y_s,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为D_s，最终共计得到K个特征，其中记各个工作信号L_s,n(m)对应的特征向量X_s,n＝(X_s,n(1),X_s,n(2),…,X_s,n(D_s))，其中X_s,n(d)表示工作信号L_s,n(m)中第d个特征的值，d＝1,2,…,D_s。将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φ_s,r，r＝1,2,…,R；S2：对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φ_s,r中分别随机选取一个特征向量X′_s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′_1,r,X′_2,r,…,X′_S,r)＝(z₁,z₂,…,z_K)，z_k表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本；重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集；然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集；S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；S4：采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化，在优化过程中，采用步骤S3得到的训练样本集对各个个体对应的基于支持向量机网络的多分类模型进行训练，采用步骤S2得到的验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度。S5：当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号从中提取出K个特征，组成组合特征向量将其输入至步骤S4训练好的多分类模型中，得到故障识别结果。