【技术实现步骤摘要】
基于Fisher判别字典学习模型的齿轮运行分类方法
本公开属于机械故障诊断领域，特别是一种基于Fisher判别字典学习模型的齿轮运行分类方法。
技术介绍
齿轮是航空发动机、直升机等机械系统的关键部件，其运行状态直接关系到整个系统的性能。然而，由于齿轮传动系统本身的复杂结构和极端的服役环境，齿轮故障是旋转机械失效的主要原因之一，它会导致灾难性的事故和巨大的经济损失。由于稀疏表示分类具有良好的数据挖掘能力和明确的数学统计意义，被广泛应用于机械故障诊断领域。FDDL是一种有效的图像分类方法，具有双倍的分类能力，但直接应用于齿轮运行分类时还存在一些不足，如字典学习尺度单一，算法实时性不高，未考虑信号中的噪声点和异常值，影响模型鲁棒性等。因此需要一种方法来解决上述问题，构造更适用于齿轮运行分类的字典学习方法。在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
技术实现思路
针对现有技术中存在的不足，本公开的目的在于提出一种基于...
【技术保护点】
1.一种基于Fisher判别字典学习模型的齿轮运行分类方法，包括以下步骤：/nS100：分别采集不同健康状态齿轮的振动信号y(t)，将其按照信号长度划分为相互不重叠的预定比例的训练数据和测试数据；/nS200：基于小波包变换分解所述训练数据中的振动信号，计算小波包分解后每个子频带的系数的L-峭度值；/nS300：选出L-峭度值为前25％的子频带对应的分解系数，构造成低维多尺度样本Y
【技术特征摘要】
1.一种基于Fisher判别字典学习模型的齿轮运行分类方法，包括以下步骤：
S100：分别采集不同健康状态齿轮的振动信号y(t)，将其按照信号长度划分为相互不重叠的预定比例的训练数据和测试数据；
S200：基于小波包变换分解所述训练数据中的振动信号，计算小波包分解后每个子频带的系数的L-峭度值；
S300：选出L-峭度值为前25％的子频带对应的分解系数，构造成低维多尺度样本YLM；
S400：基于所述低维多尺度样本YLM进行Fisher判别字典学习，获得兼具类内表示能力和类间判别性能的结构化字典D；
S500：采用迭代投影方法求解所述测试数据在结构化字典D上的稀疏编码系数，计算测试数据对应的每个类的重构误差，根据重构误差最小判别齿轮运行状态。
2.根据权利要求1所述的方法，其中，优选的，步骤S100中，所述振动信号包括相互不重叠的时域训练样本和时域测试样本。
3.根据权利要求1所述的方法，其中，步骤S200中，小波包变换的参数包括小波基和分解尺度，其中，小波基选取双正交小波，分解尺度j满足log2(FS/Fminc)-1≤j≤log2N，其中，FS是采样频率，Fminc是最小的特征频率，信号长度为N。
4.根据权利要求1所述的方法，其中，步骤S200中，所述L-峭度值计算表达式为：
其中，ξr表示第r阶L-矩，E(·)表示求期望，G1：n≤G2：m≤，...，≤Gn：m是任意实值变量G的各阶统计量，F表示G的累积分布函数，g是G的分位数函数，
5.根据权利要求1所述的方法，其中，步骤S300中，根据第j层的2j个子频带的L-峭度值，选取出L-峭度值最大的前25％的子频带来构成构造成低维多尺度样本YLM。
6.根据权利要求1所述的方法，其中，步骤S400中，Fisher判别字典学习包括以下子步骤：
S401：基于低维多尺度样本YLM构建Fisher判别字典学习模型，其中YLM＝[YLM，1，YLM，2，...YLM，c]，YLM，i表示第i类的训练样本子集，c表示类别总数；
S402：固定结构化字典D，逐类求解稀疏编码系数X，其中，X＝[X1，X2，...Xc]，Xi表示训练样本子集YLM，i在字典D上的编码系数子矩阵，更新Xi时，所有的其他类系数子矩阵Xj，j≠i固定；
S403：固定稀疏编码系数X，逐类求解字典D，其中，D＝[D1，D2，...Dc]，Di表示第i类的子字典，更新Di时，所有的其他类系数子字典Dj，j≠i固定，更新Di采用逐列更新方式；
S404：重复执行步骤S402到步骤S403，当迭代次数达到设定的最大迭代次数或达到停止准则时，结构化字典D学习完成。
7.根据权利...
【专利技术属性】
技术研发人员：王诗彬，周莉，丁宝庆，赵志斌，张兴武，孙闯，耿佳，严如强，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
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。