一种基于不同阶次统计量及支持向量机的机械振动状态识别方法
【专利摘要】本发明公开了一种基于不同阶次统计量及支持向量机的机械振动状态识别方法，其步骤如下：（1）通过振动测量装置采集机械系统的振动数据并分别对振动数据进行分段、去均值预处理；（2）计算预处理后每段振动数据的三阶累积量和四阶累积量，将其作为两个特征向量；估计处理后每段数据的分数低阶统计量-特征指数和分散系数，作为另外两个特征向量；（3）以上述4个特征向量为依据，利用支持向量机对机械系统的振动状态做出分类和判断；本发明的优点为在非高斯信号处理的概念下，将特征提取方法中高阶统计量和分数低阶统计量两类统计方法结合，提取振动信号特征更全面，克服传统的基于二阶统计量方法在非高斯条件下系统出现的性能退化问题。
【专利说明】一种基于不同阶次统计量及支持向量机的机械振动状态识 别方法
【技术领域】
[0001] 本发明属于机械工程领域，涉及机械振动状态识别方法，具体涉及一种基于不同 阶次统计量及支持向量机的机械振动状态识别方法。
【背景技术】
[0002] 在恶劣的工作环境下，机械系统中的齿轮、轴承、转子等极易发生故障，从而造成 整机损坏甚至发生严重事故。对机械系统进行实时监测并准确识别其振动状态，对保证机 械系统的安全非常重要。
[0003] 通过振动信号识别机械系统运行状态的过程一般分为三个步骤。首先是数据采 集，通过传感器和数据采集仪等仪器获取能够反映机械设备运行状态的相关振动数据（如 加速度等）；其次是特征提取，采用适当的方法提取或凸显出隐含在振动数据中的机械特 征信息；第三步是状态识别，通过一些智能分类器（如支持向量机）从而将不同状态的振动 数据识别出来。
[0004] 传统的滚动轴承故障特征提取的方法一般以二阶统计量作为分析工具，但二阶统 计量仅能反映高斯信号的特征，不能提取信号的非高斯特征，且抑制噪声和干扰的效果较 差。
[0005] 因此，为了提取信号的特征，就必须使用更高阶的统计量。这样，在非高斯信号中， 高阶矩和高阶累积量，特别是三阶和四阶统计量在特征提取中占有很高的地位。
[0006] 分数低阶统计量近年来得到研究人员的重视，其中Alpha稳定分布比高斯分布具 有更广泛的适用性，分数低阶矩或分数低阶统计量是非高斯分布时特征提取的重要手段。 考虑到Alpha稳定分布中的四个参数，位置参数a可以通过去均值的方式归零，而对称系数 P对于故障信号来说，一般情况下也是近似等于零的，所以有效的特征参数只剩下特征指 数α和分散系数Ρ。
【发明内容】
[0007] 针对现有技术的不足，本发明所要解决的技术问题是提出了一种基于不同阶次统 计量及支持向量机的机械系统振动状态识别方法。该方法充分利用了数据的高阶统计量和 分数低阶统计量作为特征向量，避免了由单一统计量构成特征向量的不足并且克服了二阶 统计量在非高斯条件下的性能退化问题。
[0008] 本发明的技术方案包括以下步骤： 步骤（1)数据采集及预处理： 通过机械振动测量装置以不低于10倍系统特征频率的采样频率采集得到振动数据， 对采集到的振动数据进行分段、去均值； 步骤（2)计算4种特征向量： A.计算偏度特征向量和峭度特征向量： 经过分段、去均值后得到N段振动数据，其中N大于等于1，根据得到每段振动数据，分 别计算系统中每段振动数据的三阶累积量和四阶累积量，即偏度和峭度6，其中i为 第i段振动数据的编号，为第i段振动数据对应的偏度值，A为第i段振动数据对应的 峭度值，1 < i < N，将N个计算结果作为两个特征向量，即偏度特征向量和峭度特征向量； B.计算特征指数特征向量和分散系数特征向量： 经过分段、去均值后得到N段振动数据，其中N大于等于1，对每段振动数据利用对数法 进行参数估计，得到表征分数低阶统计量的两个参数，即特征指数CE和分散系数7,从而得 到N个计算结果作为另外两个特征向量，即特征指数特征向量和分散系数特征向量； 步骤（3)选用径向基核函数，采用交叉验证选择最佳参数惩罚因子，利用支持向量机 算法对整个训练集进行训练获取支持向量机模型，从而完成振动数据的分类与机械系统的 振动状态识别。
[0009] 所述对每段振动数据去均值预处理采用如下公式（1)计算：
【权利要求】
1. 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法，其特征在于包括 如下步骤： 步骤（1)数据采集及预处理： 通过机械振动测量装置以不低于10倍系统特征频率的采样频率采集得到振动数据， 对采集到的振动数据进行分段、去均值； 步骤（2)计算4种特征向量： A. 计算偏度特征向量和峭度特征向量： 经过分段、去均值后得到N段振动数据，其中N大于等于1，根据得到每段 振动数据，分别计算系统中每段振动数据的三阶累积量和四阶累积量，即偏度 和峭度&，其中i为第i段振动数据的编号，为第i段振动数据对应的偏度值，& 为第i段振动数据对应的峭度值，1 < i < N，将N个计算结果作为两个特征向量，即偏度特 征向量和峭度特征向量； B. 计算特征指数特征向量和分散系数特征向量： 经过分段、去均值后得到N段振动数据，其中N大于等于1，对每段振动数据利用对数法 进行参数估计，得到表征分数低阶统计量的两个参数，即特征指数和分散系数从而得 到N个计算结果作为另外两个特征向量，即特征指数特征向量和分散系数特征向量； 步骤（3)选用径向基核函数，采用交叉验证选择最佳参数惩罚因子，利用支持向量机 算法对整个训练集进行训练获取支持向量机模型，从而完成振动数据的分类与机械系统的 振动状态识别。
2. 根据权利要求1所述的一种基于不同阶次统计量及支持向量机的机械振动状态识 别方法，其特征在于：所述对每段振动数据去均值预处理采用如下公式（1)计算：
(1) 其中，减]表示数学期望； %为第i段采集得到的振动数据组成的序列，1彡i彡N ; 七为第i段去均值后的振动数据组成的序列，K i < N。
3. 根据权利要求1或2所述的一种基于不同阶次统计量及支持向量机的机械振动状态 识别方法，其特征在于：所述三阶统计量和四阶统计量，即偏度^^和巧的值根据如下公 式（2广公式（3)计算：
(2) (3) 其中，为第i段振动数据对应的偏度值，1 < i < N ; A为第i段振动数据对应的峭度值，1 < i < N ; 巧为第i段去均值后的振动数据组成的序列； 为上述序列力的长度； 为上述序列的标准差。
4.根据权利要求3所述的一种基于不同阶次统计量及支持向量机的机械振动状态识 别方法，其特征在于：所述特征指数α和分散系数/的值根据如下公式（4Γ公式（6)计算： 由于巧为一标准对称稳定分布的随机变量，经过所述步骤（1)中预处理后其位置参 数0,对称参数#= 〇,当标准对称ff稳定分布的随机变量具有有限的负阶矩时候，由于 則^]满足如下公式（4):
(4)， 其中，为1丨的^阶中心矩绝对值的期望； Of为特征乘数； 户为分数阶次； 7为分散系数； 满足公式如下公式（5):
(5) ， 其中，为伽马函数； 仅为和J!?的函数，与随机变量无关； 引入负阶矩的概念后，
处连续，
杓矩生成函数，则，
并且满足
；根据矩生成函数的特性可以得到y的 一阶矩如公式（6)，即： 其中，Euler 常数 Ce=0· 577212566 ; 由于Var(7)满足如下公式（7): (6) , (7)， 其中，Var(F)为的方差； 根据所述公式（7)可以得到特征指数從，代入公式（6)则得到分散系数?^值。
【文档编号】G01H17/00GK104111109SQ201410346748
【公开日】2014年10月22日 申请日期:2014年7月21日 优先权日:2014年7月21日
【发明者】申永军, 段春宇, 杨绍普, 邢海军, 温少芳, 郝如江 申请人:石家庄铁道大学