[发明专利]一种基于优化K-means聚类的风机叶片故障诊断方法

权利要求书

1.一种基于优化K-means聚类的风机叶片故障诊断方法，该方法包括以下步骤：

步骤1.针对单台风机的风机叶片的一段声音信号，采用能够表征声音特征的梅尔频率倒谱系数法将该段声音信号分成M个样本特征帧；

步骤2.利用K-means聚类算法对M个样本特征帧进行二聚类处理，所有样本特征帧经过聚类后会被分成两个簇，通过轮廓系数对最后聚类效果进行优化，使二聚类结果最优，此时整体样本数据的综合轮廓系数达到最大，簇团边界样本点被正确聚类；

步骤3.将所有样本特征帧的两个簇的类别标签在时域上画出条形图，观察条形图是否具有周期性，如果具有明显的周期性特征，则判断风机叶片为故障，否则为非故障；

步骤4.通过步骤3后，如果风机叶片被判定为故障，则两类特征帧中分别任意取一帧信号，并做快速傅里叶变换，在频域上通过对比两帧信号的振幅差别，找到两帧信号振幅具有明显差别的频率区域为叶片故障的频率带，并以频率带中振幅相对较大的帧信号所属类别为故障帧类别，以频率带中振幅相对较小的帧信号所属类别为非故障帧类别。

2.如权利要求1所述的故障诊断方法，其特征在于，步骤2中轮廓系数的计算公式为：

其中a(i)是样本i的簇内不相似度，i为帧信号，b(i)为样本i的簇间不相似度，

定义S为N个样本聚类效果的综合度量，N≤M，S的计算公式为式(2)：

其中轮廓系数s(i)的取值范围是[-1,1]，轮廓系数接近-1，证明某个或某一类样本应该被分到另一类，接近1，则说明被评价的某个或某类样本分类正确，聚类效果较好，如果接近0，则说明被评价的某个或某类样本是簇间的边界点。

3.如权利要求1所述的故障诊断方法，其特征在于，通过轮廓系数对最后聚类效果进行优化的具体操作步骤是：

1)根据轮廓系数的计算公式，分别算出K-means聚类算法后的每个簇的轮廓系数S1和S2；

2)从S1和S2中找出最小值，则最小值对应的簇即为需要将其边界的点进行优化归类的簇团Cj，j的取值为1或2；

3)设定阈值为a，其中a＝qε，q表示第q次对聚类进行优化，初始值为1，ε设置的固定常数，取值范围定义为[0,0.1]，作为每次增大a的固定常数值；

在每次优化过程中，将簇团Cj中小于a的样本重新分到另一簇，然后重新计算所有样本的综合轮廓系数s_q，当a小于簇团Cj中所有样本轮廓系数中的最大值时，增大a，继续优化聚类，当a的值大于簇团Cj中所有样本轮廓系数中的最大值时，则优化过程结束，整个流程结束后生成一组综合轮廓系数指标数据集，即{s₁,s₂,...,s_q}；

4)从数据集{s₁,s₂,...,s_q}找出最大值对应的针对簇团Cj的优化结果，这个结果即为提出的基于轮廓系数对聚类后效果的优化的最佳结果，此时整体样本数据的轮廓系数达到最大，簇团边界样本点被正确聚类，聚类效果最优。

4.如权利要求1所述的故障诊断方法，其特征在于，步骤3中，所述条形图的绘制过程是：每个特征帧在原始的风机叶片声音信号中都有自己经过的时间段和开始的时间点，当每个特征帧被划定了类别后，将每帧的类别标签作为纵坐标，以每个特征帧开始的时间点为横坐标，在时域图上画出条形图。

5.如权利要求1所述的故障诊断方法，其特征在于，每个样本特征帧的长度为20～30ms。