【技术实现步骤摘要】
一种基于SCVNN的多特征健康因子融合方法
本专利技术涉及故障预测
，具体为一种基于SCVNN的多特征健康因子融合方法。
技术介绍
作为机械系统的核心部件，旋转机械广泛应用于包括航空航天、军事、通信和工业控制等领域在内的诸多领域，其故障会影响系统功能，甚至造成灾难性事故。因此，为了保证工业机械系统连续有效运行，开展旋转机械智能预测方法研究成为机械健康监测领域的一种趋势，而构建有效的健康因子是实现旋转机械故障精确预测的先决条件。自归一化神经网络(Self-NormalizingNeuralNetworks，SNN)采用缩放指数线性单元(ScaledExponentialLinearUnits，SELU)作为激活函数，能够保证激活值以归一化的状态在网络各层间传递，且该值趋于一个稳定的不动点，一旦扰动导致协变量偏移，便会即刻被拉回到归一化状态，避免了过拟合现象的发生。此外，该函数不存在死区，即当输入小于0时神经元依然可以被激活，与采用线性整流单元(RectifiedLinearUnit，ReLU)作为激活函数的模型相...
【技术保护点】
1.一种基于SCVNN的多特征健康因子融合方法，其特征在于包括以下步骤：/n步骤一：采集旋转机械的原始振动信号；/n步骤二：对旋转机械的原始振动信号进行平滑和去噪预处理，然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取，并构建原始特征集，然后对原始特征集中的信号进行归一化处理；/n步骤三：利用归一化后的原始特征集进行筛选后构造敏感特征集；/n步骤四：将敏感特征集输入SCVNN模型进行特征融合训练，将测试集的数据输入到训练好的模型中，得到表征旋转机械健康状态的健康因子；/n所述SCVNN模型包括输入层、第一隐含层、采样层、第二隐含层和输出层；/n所述SC...
【技术特征摘要】
1.一种基于SCVNN的多特征健康因子融合方法，其特征在于包括以下步骤：
步骤一：采集旋转机械的原始振动信号；
步骤二：对旋转机械的原始振动信号进行平滑和去噪预处理，然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取，并构建原始特征集，然后对原始特征集中的信号进行归一化处理；
步骤三：利用归一化后的原始特征集进行筛选后构造敏感特征集；
步骤四：将敏感特征集输入SCVNN模型进行特征融合训练，将测试集的数据输入到训练好的模型中，得到表征旋转机械健康状态的健康因子；
所述SCVNN模型包括输入层、第一隐含层、采样层、第二隐含层和输出层；
所述SCVNN模型具体执行如下步骤：
(1)输入层：将利用评价指标筛选得到的敏感特征集作为输入层的输入样本对应的样本标签为其中M为样本数量，xm表示样本集中的样本，cm表示标签集中的标签；
(2)第一隐含层：根据样本标签及函数对样本进行压缩变换，得到第一隐含层的输出
(3)采样层：将第一隐含层的输出中的特征矢量映射到特征压缩层中得到均值μm和方差σ2m，然后在正态分布上进行随机采样得到噪声向量εm，最后根据均值μm、方差σ2m和噪声向量εm在随机采样操作层中进行采样得到隐变量zm；
(4)第二隐含层：通过函数对隐变量zm进行压缩变换，获得特征向量
(5)输出层：根据特征向量得到特征向量所对应的健康因子，并将健康因子输出。
2.根据权利要求1所述的一种基于SCVNN的多特征健康因子融合方法，其特征在于所述特征矢量表示为：
其中θ1＝{W1,b1}为第一隐含层的网络参数，W1为第一隐含层的权重，b1为第一隐含层偏置，为第一隐含层的激活函数，所述第一隐含层的激活函数为SELU。
3.根据权利要求2所述的一种基于SCVNN的多特征健康因子融合方法，其特征在于所述均值μm表示为：
其中θ2＝{W2,b2}是采样层均值参数，W2为均值权重，b2为采样层的均值偏置。
4.根据权利要求3所述的一种基于SCVNN的多特征健康因子融合方法，其特征在于所述方差σ2m表示为：
其中θ3＝{W3,b3}是采样层方差参数，W3为方差权重，b3为采样层的方差偏置。
5.根据权利要求4所述的一种基于SCVNN的多特征健康因子融...
【专利技术属性】
技术研发人员：杨京礼，高天宇，姜守达，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。