[发明专利]基于Fisher判别字典学习模型的齿轮运行分类方法

说明书

公开了基于Fisher判别字典学习模型的齿轮运行分类方法，方法包括：分别采集不同健康状态齿轮的振动信号，将其划分为训练数据和测试数据，两者无重叠；基于小波包变换分解所述齿轮振动信号，计算小波包分解后每个子频带的系数的L‑峭度值；选出L‑峭度值为前25％的子带对应的分解系数，构造成低维多尺度样本Y_LM；在低维多尺度样本Y_LM的基础上进行Fisher判别字典学习，获得一个兼具类内表示能力和类间判别性能的结构化字典D；采用迭代投影方法求解测试样本在字典D上的稀疏编码系数，计算测试样本对应的每个类的重构误差，根据误差最小判别齿轮运行状态。

技术领域

本公开属于机械故障诊断领域，特别是一种基于Fisher判别字典学习模型的齿轮运行分类方法。

背景技术

齿轮是航空发动机、直升机等机械系统的关键部件，其运行状态直接关系到整个系统的性能。然而，由于齿轮传动系统本身的复杂结构和极端的服役环境，齿轮故障是旋转机械失效的主要原因之一，它会导致灾难性的事故和巨大的经济损失。由于稀疏表示分类具有良好的数据挖掘能力和明确的数学统计意义，被广泛应用于机械故障诊断领域。FDDL是一种有效的图像分类方法，具有双倍的分类能力，但直接应用于齿轮运行分类时还存在一些不足，如字典学习尺度单一，算法实时性不高，未考虑信号中的噪声点和异常值，影响模型鲁棒性等。因此需要一种方法来解决上述问题，构造更适用于齿轮运行分类的字典学习方法。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的不足，本公开的目的在于提出一种基于Fisher判别字典学习模型的齿轮运行分类方法，通过小波包变换将信号变换到小波域，然后基于L-峭度提取出主要故障信息构成低维多尺度样本，在此基础上进行Fisher判别字典学习，获得兼具表示能力和判别性能的结构化字典，最后基于重构误差执行标签预测。其中，基于L-峭度提取主要信息的策略可有效减低样本维度，同时摒弃信号中与状态识别无关的信息，减低算法的计算成本并提高模型的抗干扰能力。

为实现上述目的，本公开提供以下技术方案：

一种基于Fisher判别字典学习模型的齿轮运行分类方法，包括如下步骤：

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。

所述的方法中，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。

所述的方法中，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_minc)-1≤j≤log₂ N，其中，F_S是采样频率，F_minc是最小的特征频率，信号长度为N。

所述的方法中，步骤S200中，所述L-峭度值计算表达式为：