[发明专利]一种智能旋转机械故障深度网络特征辨识方法

权利要求书

1.一种智能旋转机械故障深度网络特征辨识方法，其特征在于，包括以下步骤：

步骤1，获取旋转机械的原始振动信号；

步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；

步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；

步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C₁(t),C₂(t),…C_n(t)，并计算得到各个固有模态分量C_i(t)的排列熵值H_i；

步骤5，构建训练样本，训练诊断模型；

将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；

将旋转机械的原始振动信号对应的各个固有模态分量C_i(t)的排列熵值H_i和机械故障类型，作为旋转机械的第二训练样本；

以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；

以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；

步骤6，实时采集待检测旋转机械的原始振动信号，按步骤2-3获取待检测旋转机械的原始振动信号所对应的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M，并输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置；

当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；

步骤7，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量C_i(t)的排列熵值H_i，并输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列的具体过程为：

步骤A1，嵌入操作；

将原始振动序列X＝(x₁，x₂，x₃…，x_N)变换为Z＝[Z₁，Z₂，Z₃…，Z_K]，其中，Z_i＝(x_i，x_i+1，x_i+2,…，x_i+L-1)，K＝N-L+1，L表示嵌入维数，且L∈[2,N]；最终映射的结果为轨迹矩阵Z：

其中，x_i表示原始振动信号，1≤i≤N，N为每T个时间间隔的采样周期内采集的样本数目，T时间内采集的原始信号序列汇总为原始振动序列X＝(x₁，x₂，x₃…，x_N)；K为轨迹矩阵Z的列数；

步骤A2，将轨迹矩阵Z进行奇异值分解；

设矩阵H＝ZZ^T，且λ₁,λ₂,…λ_L为矩阵H的特征值，λ₁≥λ₂≥…≥λ_L≥0，其中Z^T是轨迹矩阵Z的转置矩阵，通过奇异值分解的方法，将轨迹矩阵Z进行如下变换从而得到Z_f；

Z_f＝Z₁+Z₂+…+Z_d，

其中为轨迹矩阵Z的奇异值，U_i和V_i分别表示轨迹矩阵Z的左右特征向量，其中d＝L^*＝min{L,K}；

步骤A3，将分解后的矩阵Z_f进行分组；

将区间{1,2,…,d}分割为非连接的子集I₁,I₂,…I_m，则轨迹矩阵Z可表示为：

步骤A4，将分组后的轨迹矩阵Z重构为长度为N的重构振动序列X_c；

轨迹矩阵Z是L×K的矩阵，L^*＝min(L,K)，K^*＝max(L,K)，N＝L+K-1，当L＜K时，否则重构振动序列为X_c＝(x_c1,x_c2,…,x_cn)，且x_cn为：