[发明专利]一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法

权利要求书

1.一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，其特征在于：包括如下步骤：

S1、准备电机轴承和电机轴承振动数据，包括轴承外圈故障，内圈故障，正常轴承振动数据，其中标定0为正常轴承，1为外圈故障，2为内圈故障；

S2、对多尺度排列熵的参数进行选择，对数据训练数据进行特征提取，用PCA进行特征维度压缩，其中多尺度排列熵的参数包含了几个重要的参数：

①、数据点N，数据点N是每次计算一个特征向量使用的数据点个数；

②、嵌入维度m，嵌入维度m是计算某个时间点排列熵的维度；

③、时间延迟t，时间延迟t是使用数据点之间的间隔；

④、多尺度s，多尺度s是对原始数据做了s次降采样，然后每次降采样后计算一个排列熵的特征；

S3、用贝叶斯进行分类模型训练，确定下分类模型参数；

S4、用测试集进行贝叶斯模型验证；

S5、实际使用中采集多段数据，单个数据进行贝叶斯模型预测，用多数投票法进行模型结果融合；

S6、输出最终诊断结果，并对数值进行记录。

2.根据权利要求1所述的一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，其特征在于：模型验证使用了轴承竞赛MFPT的数据进行训练和验证，包含了电机25赫兹转速情况下不同负载的故障数据和正常数据。

3.根据权利要求1所述的一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，其特征在于：模型验证使用了一半数据进行训练和一半数据进行模型验证。

4.根据权利要求1所述的一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，其特征在于：电机振动数据采集可以是分成n段1秒的数据，然后对单个1秒数据做以上的故障分类判断，并且通过多数投票法进行融合提高准确率。