一种基于主成分分析和宽度学习的转子系统故障诊断方法技术方案

本发明专利技术公开了一种基于主成分分析和宽度学习的转子系统故障诊断方法，利用主成分分析对经过特征提取后形成的特征矩阵进行维数约简，降低数据间的线性相关性，消除冗余属性，获得能保留其本质特征的低维矩阵，然后将该矩阵输入宽度学习系统进行故障识别，完成转子系统故障分类任务。本发明专利技术将主成分分析和宽度学习系统引入到转子系统故障诊断识别中，该方法能够有效的降低故障分类的复杂度，且能够大幅缩短数据建模时间，提升转子系统故障识别的效率，从而高效的完成转子系统故障诊断任务，实用性好，值得推广。

A Fault Diagnosis Method for Rotor System Based on Principal Component Analysis and Width Learning

【技术实现步骤摘要】
一种基于主成分分析和宽度学习的转子系统故障诊断方法
本专利技术属于机械零件故障检测
，具体涉及一种基于主成分分析和宽度学习的转子系统故障诊断方法。
技术介绍
转子系统作为旋转机械的核心部件，在各相关领域中发挥着无可替代的作用。转子系统在旋转机械上应用众多，旋转机械在工作过程中发生的故障会造成重大的经济损失，其中很大一部分是由于转子系统发生故障而引起，其故障危害包括产生噪声，转子失稳，严重的甚至会使机械结构损坏，造成重大的安全事故。因此，对转子系统初期故障进行有效地分析与准确地诊断，具有十分重要地科学意义和应用价值。目前，对于转子故障诊断应用较为广泛的方法是窗口傅里叶变换，经验模式分解，小波分析等方法。然而，上述方法对故障信号进行特征提取后，形成的特征矩阵存在结构复杂，特征相关性大，冗余程度高等问题，而这些问题会极大的增加故障分类的复杂度，降低故障识别的准确率。
技术实现思路
有鉴于此，本专利技术提供了一种基于主成分分析和宽度学习的转子系统故障诊断方法，该方法首先利用主成分分析(PCA)对经过特征提取后形成的特征矩阵进行维数约简，降低数据间的线性相关性，消除冗余属性，获得能保留其本质本文档来自技高网...

【技术保护点】
1.一种基于主成分分析和宽度学习的转子系统故障诊断方法，其特征在于，包括以下步骤：步骤1：采集时域故障数据T(n)；步骤2：根据式(1)进行傅里叶变换，将所采集的时域故障数据T(n)变换为频域故障数据X，

【技术特征摘要】
1.一种基于主成分分析和宽度学习的转子系统故障诊断方法，其特征在于，包括以下步骤：步骤1：采集时域故障数据T(n)；步骤2：根据式(1)进行傅里叶变换，将所采集的时域故障数据T(n)变换为频域故障数据X，其中，上述式(1)和式(2)中，n＝0,1,...,N-1，k＝0,1,...,N-1，N为时域故障数据的长度，j为复数符号，X为频域故障数据，包括训练样本和测试样本，X＝{x1，x2,...,xi,...xm}，i＝1,...,m，T(n)为时域故障数据；步骤3：获取频域故障数据X的协方差矩阵C；步骤4：判定不同频域故障数据X之间的相关性；步骤5：根据式(3)对频域故障数据X的协方差矩阵C进行特征值分解，从而得到频域故障数据X的协方差矩阵C的特征向量矩阵Q与特征值矩阵∑，特征值矩阵∑用式(4)表示，特征向量矩阵Q用式(5)表示，C＝Q·∑·QT(3)其中，∑＝diag(λ1,λ2,...,λi,...,λn)(4)Q＝[q1,q2,...,qi,...,qn](5)上述式(3)、式(4)和式(5)中，C为频域故障数据的协方差矩阵，Q为特征向量矩阵，∑为特征值矩阵，λ1≥λ2≥...≥λi≥...,≥λn，i＝1,...,n，QT为特征向量矩阵的转置矩阵，n为频域故障数据的长度，所有特征值的个数＝所有特征向量的个数＝频域故障数据的长度＝n，特征向量qi与特征值λi呈一一对应关系；步骤6：对频域故障数据集X进行主成分分析降维获得降维后的频域故障数据集Xk；步骤7：将降维后的频域故障数据集Xk分为训练的频域故障数据集Xk1和测试的频域故障数据集Xk2；步骤8：利用训练的频域故障数据集Xk1构建宽度学习系统模型；步骤9：将构建宽度学习系统模型过程中求解出的目标权重β代入宽度学习系统模型中获得宽度学习系统分类模型；步骤10：将测试的频域故障数据集Xk2代入宽度学习系统分类模型中获得故障诊断结果，完成对宽度学习系统分类模型有效性的测试。2.根据权利要求1所述的一种基于主成分分析和宽度学习的转子系统故障诊断方法，其特征在于，所述的步骤3中获取频域故障数据的协方差矩阵C包括以下几个步骤：S21、由于频域故障数据X具有对称性，故可根据式(6)对频域故障数据X的长度进行截取，n＝N/2(6)上述式(6)中，n为对频域故障数据X的长度进行截取后的长度，N为时域故障数据的长度；S22、根据式(7)求取频域故障数据X的样本均值α，其中，频域故障数据集X＝{x1，x2,...,xi,...xm}，i＝1,...,m，m为样本的总个数，α是频域故障数据X的样本均值，xi为第i个频域故障数据；S23、根据式(8)求取频域故障数据的协方差矩阵C，其中，i＝1,...,m，m为样本的总个数，C为频域故障数据X的协方差矩阵，xi为第i个频域故障数据，α是频域故障数据X的样本均值。3.根据权利要求1所述的一种基于主成分分析和宽度学习的转子系统故障诊断方法，其特征在于，所述的步骤4中判定不同频域故障数据之间的相关性采取的判定条件是：若协方差矩阵中对应两特征间的协方差为正数，则两特征间呈现正相关关系，若协方差矩阵中对应两特征间的协方差为负数，则两特征间呈现负相关关系协方差矩阵中对应两特征间的协方差为0，则说明两个特征间不相关。4.根据权利要求1所述的一种基于主成分分析和宽度学...

【专利技术属性】
技术研发人员：邓武，赵慧敏，徐俊洁，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津,12