[发明专利]一种机械设备健康退化状态辨识方法、设备及系统

说明书

本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。

技术领域

本发明属于机械状态监测和健康退化状态辨识技术领域，具体涉及一种基于生长自组织映射(growing self-organizing maps，GSOM)网络和广义多分类支持向量机(Generalized multiclass support vector machine，GenSVM)的机械健康退化监测方法、设备及系统。

背景技术

机械设备作为制造、冶金、化工、环保等许多流程生产工业中的核心生产设备,它的运行好坏直接影响着企业的生产效率、产品质量、维护成本,特别是设备运行中发生的突发性故障和安全事故,往往导致整个生产流程的中断而造成重大生产损失。因此，在制造过程中对机械设备的健康退化状况进行实时辨识至关重要。

支持向量机(support vector machine，SVM)算法以一种常用的机械设备的健康退化状况辨识方法，其理论是由Vapnik提出来的，因其适合小样本环境、理论简单易懂、有较好的鲁棒性、有较高的泛化能力、利用内积核函数代替高维非线性映射等优点，广泛应用于机械装备的健康状态监测、故障诊断和寿命预测领域。然而在机械设备健康退化状态辨识时，单个SVM模型只适用于二种退化状态辨识的场景，无法进行性多种退化状态的辨识。虽然应用多SVM组合模型可以实现机械设备进行多种退化状态的辨识，但存在复杂的对偶优化问题。

因此，亟需一种简便易行且能实时辨识机械设备的健康退化状况的方案。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种机械设备健康退化状态辨识方法，其目的在于，通过实时获取待测机械设备的多种监测信号并基于GSOM和GenSVM对上述信号分别进行融合及训练，进而实现机械设备健康退化状态的在线辨识。

为了实现上述目的，本发明提供了一种机械设备健康退化状态辨识方法，包括训练阶段和测试阶段：

训练阶段包括如下步骤：

步骤1：获取机械设备的多种监测信号，对多种监测信号进行去奇异值处理和降噪处理；

步骤2：对步骤1处理后的各监测信号进行时域分析，分别提取各监测信号的时域特征，包括：平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子；

对步骤1处理后的各监测信号进行功率谱分析，分别提取各监测信号的功率谱特征，包括：频率中心、均方频率、均方根频率、频率方差和频率根方差；

对步骤1处理后的各监测信号进行CEEMDAN分解，得到各监测信号的各个本征模态分量，计算每个模态分量的能量值作为机械设备健康退化状态的本征模态能量特征；

步骤3：利用GSOM网络，分别对步骤2得到的各监测信号的时域特征、功率谱特征和本征模态能量特征进行融合，得到各监测信号的时域融合特征、功率谱融合特征和本征模态能量融合特征；

步骤4：利用步骤3获得的各监测信号的各融合特征对GenSVM模型进行训练；

测试阶段包括如下步骤：