[发明专利]基于Fisher判别字典学习模型的齿轮运行分类方法

权利要求书

1.一种基于Fisher判别字典学习模型的齿轮运行分类方法，包括以下步骤：

S100：分别采集不同健康状态齿轮的振动信号y(t)，将其按照信号长度划分为相互不重叠的预定比例的训练数据和测试数据；

S200：基于小波包变换分解所述训练数据中的振动信号，计算小波包分解后每个子频带的系数的L-峭度值；

S300：选出L-峭度值为前25％的子频带对应的分解系数，构造成低维多尺度样本Y_LM；

S400：基于所述低维多尺度样本Y_LM进行Fisher判别字典学习，获得兼具类内表示能力和类间判别性能的结构化字典D；

S500：采用迭代投影方法求解所述测试数据在结构化字典D上的稀疏编码系数，计算测试数据对应的每个类的重构误差，根据重构误差最小判别齿轮运行状态。

2.根据权利要求1所述的方法，其中，优选的，步骤S100中，所述振动信号包括相互不重叠的时域训练样本和时域测试样本。

3.根据权利要求1所述的方法，其中，步骤S200中，小波包变换的参数包括小波基和分解尺度，其中，小波基选取双正交小波，分解尺度j满足log₂(F_S/F_{min c})-1≤j≤log₂N，其中，F_S是采样频率，F_{min c}是最小的特征频率，信号长度为N。

4.根据权利要求1所述的方法，其中，步骤S200中，所述L-峭度值计算表达式为：

其中，ξ_r表示第r阶L-矩，E(·)表示求期望，G_1：n≤G_2：m≤，...，≤G_n：m是任意实值变量G的各阶统计量，F表示G的累积分布函数，g是G的分位数函数，

5.根据权利要求1所述的方法，其中，步骤S300中，根据第j层的2^j个子频带的L-峭度值，选取出L-峭度值最大的前25％的子频带来构成构造成低维多尺度样本Y_LM。

6.根据权利要求1所述的方法，其中，步骤S400中，Fisher判别字典学习包括以下子步骤：

S401：基于低维多尺度样本Y_LM构建Fisher判别字典学习模型，其中Y_LM＝[Y_LM，1，Y_LM，2，...Y_LM，c]，Y_LM，i表示第i类的训练样本子集，c表示类别总数；

S402：固定结构化字典D，逐类求解稀疏编码系数X，其中，X＝[X₁，X₂，...X_c]，X_i表示训练样本子集Y_LM，i在字典D上的编码系数子矩阵，更新X_i时，所有的其他类系数子矩阵X_j，j≠i固定；

S403：固定稀疏编码系数X，逐类求解字典D，其中，D＝[D₁，D₂，...D_c]，D_i表示第i类的子字典，更新D_i时，所有的其他类系数子字典D_j，j≠i固定，更新D_i采用逐列更新方式；

S404：重复执行步骤S402到步骤S403，当迭代次数达到设定的最大迭代次数或达到停止准则时，结构化字典D学习完成。