一种基于符号化与TF-IDF的机械设备故障特征提取方法技术

一种基于符号化与TF‑IDF的机械设备故障特征提取方法，包括：将采集的待诊断振动信号转为时间序列，并对所述时间序列进行截取，得到所述振动时间序列的子序列；将所述振动时间子序列加载至正常振动子序列集合中，将加载后的振动子序列集合进行符号化；将符号化的上述振动子序列集合采用TF‑IDF方法进行差异化特征提取。本发明专利技术技术方案中将符号化与TF‑IDF方法相结合，进行机械设备故障特征提取，提高了机械设备故障诊断中振动信号特征提取的准确性和有效性，有很好的分类能力，能够更好更快的提取机械设备特征。

【技术实现步骤摘要】
一种基于符号化与TF-IDF的机械设备故障特征提取方法
本专利技术涉及机械设备故障提取
，尤其涉及一种基于符号化与TF-IDF的机械设备故障特征提取方法。
技术介绍
机械设备的复杂化、大型化使得系统一旦发生故障，将会造成巨大的经济损失乃至人员伤亡，故而机械设备的故障诊断和异常检测是保证设备安全、可靠和高效运行的有效手段。机械设备中重要的组件是否发生故障直接影响整台机器的健康状况，因此对机械设备的故障监测与检测能够及时发现设备中零件的损伤，避免零件失效和机器损坏。而设备中零件的故障检测可以通过振动信号特征的有效提取与分析加以实现，设备中零件的振动信号中常常混有很大的噪声，具有非平稳性特征，因此对零件故障特征信息准确而有效的提取是机械设备故障诊断中的重点和难点。中国专利公开号：CN105738722A公开了一种航空机电作动器故障诊断方法，其涉及一种基于符号动力学信息熵理论和改进Parks聚类算法的航空机电作动器故障诊断方法，通过对机电作动器逆变器侧母线电流的幅值时间序列进行符号化处理，将计算得到的信息熵值以及母线电流时间序列的最大幅值作为机电作动器故障诊断的两个特征量，然后建立基于本文档来自技高网...

【技术保护点】
1.一种基于符号化与TF‑IDF的机械设备故障特征提取方法，其特征在于，包括：将采集的待诊断振动信号转为振动时间序列，并对所述振动时间序列进行截取，截取后得到振动时间子序列；将所述振动时间子序列加载至正常振动时间子序列集合中，将加载后的振动时间子序列集合进行符号化；将符号化的上述振动时间子序列集合采用TF‑IDF方法进行差异化特征提取。

【技术特征摘要】
1.一种基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，包括：将采集的待诊断振动信号转为振动时间序列，并对所述振动时间序列进行截取，截取后得到振动时间子序列；将所述振动时间子序列加载至正常振动时间子序列集合中，将加载后的振动时间子序列集合进行符号化；将符号化的上述振动时间子序列集合采用TF-IDF方法进行差异化特征提取。2.根据权利要求1所述的基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，在将待诊断振动信号转为振动时间序列时，先将所述待诊断振动信号中的振动位移，速度，加速度通过相应的传感器，并按照时间顺序进行采集得到振动时间序列S；采集完成后选择固定大小的滑动窗口对所述振动时间序列S进行截取，以此形成振动时间子序列3.根据权利要求2所述的基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，所述振动时间序列S为：在测量所述振动信号相应物理量时，按照时间先后顺序排列而成的数列，S＝(s1,s2,…,sn)(1)，其中n是所述振动时间序列S的长度，且n为正整数；所述振动时间序列子序列为：所述振动时间序列S中长度为k的子序列，其中1≤j≤n-k+1。4.根据权利要求2所述的基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，所述滑动窗口的长度为k，步长为m，其中k，m均为正整数。5.根据权利要求1所述的基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，在对所述振动时间序列进行符号化时，包括以下步骤：将所述振动时间序列中的数据离散化，形成少量数值；离散化后，使用颗粒法对非线性非平稳系统进行描述，并在描述的同时使所述系统中的周期性、相关性等本质特征保持稳定；描述完成后，利用等区间法对所述振动时间序列进行符号化，并将每个符号称为一个单词。6.根据权利要求5所述的基于符号化与TF-IDF的机械设备故障特征提取方法，其特征在于，在使用等区间法对所述振动时间序列进行符号化时，先计算出长度为n的振动时间序列S＝(s1,s2,…,sn)中最小值Smin和最大值Smax，并计算出原始振动时间序列的值域[Smin...

【专利技术属性】
技术研发人员：丁承君，冯玉伯，朱雪宏，王鑫，
申请(专利权)人：河北工业大学，泰华宏业天津机器人技术研究院有限责任公司，
类型：发明
国别省市：天津,12