[发明专利]基于核密度估计和K-L散度的旋转机械故障诊断方法

权利要求书

1.一种基于核密度估计和K-L散度的旋转机械故障诊断方法，包括如下步骤：

步骤1：采集被监测对象的原始振动数据，并划定训练样本集和测试样本集；

步骤2：从步骤1中得到的原始振动数据中提取指定时频域特征；

步骤3：从步骤2中得到的频域特征集中选择出敏感特征，并且计算这些敏感特征的分类贡献率；

步骤4：利用核密度估计计算训练样本中不同故障类别样本集关于步骤3中提取的敏感特征的概率密度函数，并计算加入一个未知故障类别待测样本后各类样本集新的概率密度函数；

步骤5：计算出在选定的特征描述下，训练样本中各类故障样本集原始概率密度函数，以及加入一个待测样本后的新概率密度函数两者的K-L散度值；

步骤6：计算集成K-L散度，并通过集成K-L散度的大小判断待测样本的故障类别。

2.如权利要求1所述的基于核密度估计和K-L散度的旋转机械故障诊断方法，其特征在于：所述步骤2中得到的指定时频域特征是通过总体平均经验模态分解方法和希尔伯特变换等信号处理方法得到的。

3.如权利要求1所述的基于核密度估计和K-L散度的旋转机械故障诊断方法，其特征在于：所述步骤3的计算过程如下：

第一步：计算第j个特征C个类的类内距离的平均值

dc,j=1Mc×(Mc-1)Σl,m=1Mc|qm,c,j-ql,c,j|l,m=1,2,···,Mc,l≠m,j=1,2,···,J,c=1,2,···,C---(1)]]>

dj(w)=1CΣc=1Cdc,j---(2)]]>

其中，Mc表示第c类的样本个数，J表示特征个数，C表示类别个数，q_m,c,j表示第c类第m个样本的第j个特征的特征值；

第二步：计算第j个特征C个类的类间距离的平均值

uc,j=1McΣm=1Mcqm,c,j---(3)]]>

dj(b)=1C×(C-1)Σc,e=1C|ue,j-uc,j|c,e=1,2,···,C,c≠e---(4)]]>

其中，u_c,j、u_e,j分别表示第c和第e个类第j个特征的平均值；

第三步：数据集A的类间距离与类内距离的比值α_j：

αj=dj(b)dj(w)---(5)]]>

第四步：计算选择的前n个特征的分类贡献率F_j；定义：

Fj=αjΣi=1nαi,(j=1,2,···,n)---(6)]]>

式（6）为分类贡献率。