[发明专利]一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法

权利要求书

1.一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法，其特征在于，步骤如下：

第一步，航空发动机滚动轴承故障数据预处理

对原始滚动轴承数据，首先进行(1)、(2)步预处理：

(1)滚动轴承实验测量数据包括转速n₁、驱动端振动加速度a₁、风扇端振动加速度a₂、故障直径d、滚珠个数Z、内圈半径r₁、外圈半径r₂和接触角度α₂，共8组参数；

(2)数据集成：滚动轴承实验测量数据包括多个实验过程现场采集数据，将多源实验数据结合起来统一存储，并建立滚动轴承故障数据库；

待提取出故障特征后，对特征数据进行(3)、(4)、(5)步处理：

(3)重采样：对于特征数据进行分析，由于采样时间间隔不等，为了方便之后的滚动预测，采用线性重采样法对滚动轴承实验测量数据进行重采样处理；

(4)归一化：对重采样处理后的数据进行归一化处理，以取消各维数据间数量级差别，避免因输入输出数据数量级差别较大而造成预测误差；使用最大最小法，其转换形式如下：

x_nor＝(x_nor-x_min)/(x_max-x_min)

式中，x_nor为待归一化数据序列，x_min为数据序列中的最小数，x_max为数据序列中的最大数；

(5)数据筛选与清理：对归一化后的数据进行可视化处理，将故障数据进行简单聚类和清理；

第二步，滚动轴承数据特征向量提取

对采集的滚动轴承实验测量数据进行处理以作为特征向量来表征振动故障特征情况，特征向量包括时域参数和功率谱熵；

(一)时域参数

振动信号时域参数的变化往往反映着设备工作运行状态的改变，将信号的一些时域参数作为特征参数；振动时域特征参数分为有量纲和无量纲两种，设采集到的振动数据为其中N为实验观测时间；

其中，有量纲时域振动参数如下

均值：

方差：

均方根值：

峰值：

X_p＝max(|X_t|)

其中，无量纲时域振动参数如下：

峰值指标：

偏态指标：

峭度指标：

脉冲指标：

波性指标：

裕度指标：

其中，N为实验观测时间，即原始信号长度；

(二)功率谱熵

利用MATLAB中的小波工具箱对振动信号进行分解与重构，在进行分解与重构之前，首先选取和确定小波基函数、小波阶数和小波包分解层数，其中，小波基函数选择Db小波，小波阶数选择1，小波包分解层数选择3；

在经过小波包正交分解处理后，由于测量振动信号所得的各个频带信号相对独立，因此可监测由小波包得到的各个频带的能量这种方法，测出包括谐波分量在内的所有信号分量；

信号分量计算公式为：

其中，E_ij为能量，S_ij(t)为重构信号，i为小波包分解层数，j为第i层节点，j＝1，…，2ⁱ；u＝1，2，…，n，n∈Z，n为重构信号的离散点数目；

然后计算功率谱熵；功率谱是指功率有限的信号在单位频带内功率随频率变化情况；对信号进行j层小波包分解后得到小波包分解序列S(j,m)，m取0～2^j-1，在此把信号的小波分解看成对信号的一种划分，定义该划分的测度：

其中，S_F(j,m)(i)为S(j,m)的傅里叶变换序列的第i个值；N是原始信号长度；

基于信息熵的基本理论，同样定义小波包空间上的功率谱熵：

根据分析选择时域参数及功率谱熵作为特征参数作为随机森林方法中的输入属性；

第三步，构建训练数据库

设第r类故障的样本容量为G(r)，该组样本稀疏表示后为{X(1),X(2)…X(G(r))}，其中X(h)＝{x_h(1),x_h(2)…x_h(dim)}为每一个样本中对应的多维特征向量；

设{y(1),y(2)…y(G(r))}为对应的多分类故障标签，则随机森林模型的输入量为{X(h)}，输出量为{y(h)}；

第四步，构建基于随机森林的滚动轴承振动故障分类模型

随机森林的重要参数有两个，分别为：ntree，即生成的决策树的个数；以及mtry，即回归树的特征数量；

随机森林模型训练步骤如下：

1)首先给定训练集Train、测试集Test以及特征维数F，并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry；

2)对于第i棵树，i＝1:ntree，从Train中有放回的抽取大小和Train一样的训练集Train(i)，作为根节点的样本；

3)如果在当前节点上达到终止条件，即节点上有最少的样本数s，以及节点上有最少的信息增益g，则设置当前节点为叶子节点，并继续依次训练其他节点；

如果当前节点没有达到终止条件，则从F维特征中随机选取mtry维特征，mtryF；利用mtry维特征，寻找分类效果最好的一维特征w及其阈值threshold，并继续训练其他节点；

4)重复步骤2)和3)直到所有节点都训练过或被标记为叶子节点；

5)重复步骤2)、3)和4)直到所有决策树都得到训练；

6)对于测试集Test中的样本，从根节点开始，根据当前节点的阈值threshold，判断是进入左节点还是进入右节点，直到其到达某个叶子节点，并输出分类标签；

7)根据测试集中数据，统计分类准确率，评价模型分类效果。