[发明专利]一种特征融合转换的大型设备工况诊断预测方法

权利要求书

1.一种特征融合转换的大型设备工况诊断预测方法，其特征在于，包括以下步骤：

S1、采集设备各工况的振动信号，并建立振动信号的原始振动加速度数据集；

S2、对原始振动加速度数据集进行降噪处理，得到降噪后的振动加速度；

S3、基于降噪后的振动加速度，计算得到时域参数；

S4、基于降噪后的振动加速度进行EMD经验模态分解，得到分解后的分量；

S5、通过分解后的分量，计算得到频域参数；

S6、通过时域参数和频域参数构建得到训练样本数据集；

S7、构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练，得到训练后的GBDT模型；

S8、提取训练后的GBDT模型中的叶子节点编号集合；

S9、对叶子节点编号集合进行One-hot编码处理，得到稀疏矩阵；

S10、将稀疏矩阵输入因子分解机中，得到预测结果；

步骤S2的具体方法为：

S2-1、根据公式：

去除原始振动加速度数据集中第h个原始振动加速度中的直流分量，得到第h个去除直流分量的第一振动加速度；其中n为第h个振动加速度的数据长度；

S2-2、根据公式：

去除第h个第一振动加速度的趋势项，得到第h个降噪后的振动加速度；其中z为对参数进行取值后的拟合趋势线性函数，和为拟合趋势线性函数的参数，为函数取最小值时对应的和的值，表示取最小值，t为连续的时间；

步骤S2-2中得到的第h个降噪后的振动加速度对应的采样时间为：

其中e为振动加速度的原点时间，f为采样频率；

步骤S3中的时域参数包括降噪后的振动加速度的有效值、峭度、方差和峰值因子；

步骤S5的具体方法为：

S5-1、根据公式：

得到第k个分量能量值；其中为降噪后的振动加速度进行EMD经验模态分解后第k个分量中数据离散点总个数，为数据点时间间隔，即采样频率，表示降噪后的振动加速度进行EMD经验模态分解后第k个分量中数据离散点的序号；

S5-2、对所有分量能量值进行排序，选取分量能量值最大的X个分量，并进行快速傅里叶变换，得到X个初始频谱；

S5-3、提取X个初始频谱的最大幅值；

S5-4、设置阈值，选取幅值高于阈值时对应的频率构建X个频率-幅值数据集；

S5-5、根据公式：

计算得到X个频率-幅值数据集中的平均幅值；其中为选取个数；为第i₂个频率对应的幅值；

S5-6、根据公式：

计算得到X个频率-幅值数据集中的均方根值；其中π为180度角；

S5-7、选取X个频率-幅值数据集中的幅值最大处的频率；

步骤S7中建立GBDT模型的具体方法为：

S7-1、根据公式：

初始化第一个弱学习器；其中为输入训练样本数据集D中第h个标记值在综合特征实数集合的标记值中为0的概率，log为以10为底的对数函数；

S7-2、建立S棵树，利用对数似然函数计算第s棵树的伪残差；其中：

为输入训练样本数据集D中的第h个综合特征实数，e为自然对数；

S7-3、利用cart回归树拟合数据，得到第s棵回归树，即第s个弱学习器；

S7-4、根据公式：

计算得到回归树中各个叶子节点的最佳负梯度拟合值；其中为第s棵回归树的叶子节点区域，ks为第s棵回归树的第k个叶子节点；

S7-5、根据公式：

更新强学习器；其中为落在叶子节点区域中的加权计数，为第s棵回归树的叶子节点总数目；

S7-6、基于更新后的强学习器的输出，根据公式：

得到最终强学习器，即训练后的GBDT模型。