(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111669219.7 (22)申请日 2021.12.31 (71)申请人 北京化工大 学 地址 100029 北京市朝阳区北三环东路15 号 (72)发明人 肖扬　王庆锋　王帅　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 沈波 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) (54)发明名称 一种数据驱动 的转子系统典型故障自动识 别方法 (57)摘要 本发明公开了一种数据驱动的转子系统典 型故障自动识别方法， 包括： 离线训练模块、 故障 分类知识库模块和在线故障自动识别模块。 采用 优化的经验模态分解将原始振动波形信号自适 应分解为一系列本征模态函数分量； 提出特征联 合分析方法筛选敏感的IMF分量进行信号重构， 并筛选重构信号计算出的多尺度散布熵值作为 特征值； 构造LSSVM分类器自适应确定惩罚因子C 和核参数σ； 应用迁移学习最小化源域数据与目 标域数据之间的距离， 构建的迁移特征向量矩阵 作为模型的输入， 实现转子系统的故障模式识 别。 本发明采用原始时间序列振动波形数据作为 输入， 故障识别结论可自动输出， 对于不同设备 和不同工况下的转子系统故障数据有较高识别 准确率和较好的泛化 性。 权利要求书2页 说明书6页 附图4页 CN 114358075 A 2022.04.15 CN 114358075 A 1.一种数据驱动的转子系统典型故障模式自动识别方法， 其特征在于， 利用优化的经 验模态分解进行信号预处理， 筛选多尺度散布熵作为故障敏感特征信号， 采用迁移成分分 析进行迁移学习， 应用改进的最小二乘支持向量机进行故障模式分类； 转子系统故障识别 模型有离线训练模式和在线 诊断模式两种工作模式。 2.根据权利要求1所述的一种数据驱动的转子系统典型故障模式自动识别方法， 其特 征在于： 离线训练模式如下： 离线训练工作模式包括信号处理、 特征提取及故障识别知识库 的构建； 具体步骤如下： Step1： 转子系统原始振动信号数据构成典型故障训练数据集， 包括轴系不对中故障数 据、 转子不平衡故障数据、 油膜 涡动故障数据、 碰摩故障数据和喘 振故障数据； Step2： 针对步骤1所述的训练数据集， 利用EMD方法进行数据降噪处理； EMD方法对应的 分解函数表达式为： 式中， t为原始信号时间序列， x(t)为步骤1训练数据集中原始振动波形信号， K为原始 信号的分解层数， ck为原始信号分解得到的IMF分量信号， rk为原始信号分解后的残差信号； 根据人工蜂群算法自适应确定原始信号的分解层数K值； 利用优化的EMD将振动信号分 解为一系列IMF分量； Step3： 针对步骤2分解得到的一系列IMF分量， 为筛选包含故障信息的敏感IMF分量， 提 出特征联合分析 方法筛选IMF分量， 对敏感的IMF分量进行重构； 提出一个敏感IMF分量评价指标IRE， 将这些IRE值从大到小 排序； 选取敏 感IMF分量重构， 其他分量被视为噪声成分除去； 式中， ri为第i个IMF分量与其原始振动信号之间的相关系数， ei为第i个IMF分量与原始 信号之间的能量比ei； Step4： 针对步骤3 筛选重构后的信号， 进行 特征值计算： 计算重构信号的MDE值； MDE的计算公式为： 式中， X是步骤3筛选出的重构信号， c是将重构信号转变为映射向量之后的类别个数， m 是将映射向量转化为嵌入向量的嵌入维数， d是嵌入向量的时延因子， 为嵌入向量 对应的散布模式π 的概 率， τ 为重构信号分解的尺度因子； Step5： 针对步骤4计算的特征值， 建立五类旋转机械典型故障特征向量空间； 计算五种 典型的已知标签故障数据的MDE值， 构建转子系统典型故障识别知识库。 3.根据权利要求1所述的一种数据驱动的转子系统典型故障模式自动识别方法， 其特 征在于： 在线诊断模式如下： 在 线诊断工作模式包括特征值计算、 迁移学习和故障自动识别权　利　要　求　书 1/2 页 2 CN 114358075 A 2模块； 具体步骤如下： Step1： 将未 经过预处理的转子系统实时振动数据输入 模型； Step2： 针对步骤1中的实时数据， 利用优化的EMD算法对实时振动信号进行分解， 对敏 感的IMF分量进行筛 选重构， 再计算重构信号的MDE值； Step3： 针对步骤2计算的MDE值， 应用TCA方法， 最小化训练数据与实时数据间 的数据差 异； 将实时数据计算得到的MDE值作为 目标域数据和故障识别知识库中的源域数据分别映 射到高维再生希尔伯特空间， 分别得到目标域样本特 征和源域样本特 征； 源域中的输入XS和目标域中的输入XT间的距离如式(6)所示： Dist(XS,XT)＝tr(KL)   (4) 其中， 源域数据和目标域数据的核矩阵K和参数矩阵L的定义如下 所示： 式中， KS,S， KT,T， KS,T分别对应源域、 目标域、 跨域数据上定义的核矩阵； xi为实时数据， xj 为故障知识库中的数据； ns为源域数据的样本数， nt为目标域数据的样本数； Step4： 针对步骤3获得的目标域样本特征和源域样本特征， 进行转子系统典型故障模 式识别； 构建改进的LSSVM分类器， 迁移后的特征向量矩阵输入到改进的LSSVM 分类器中， 实 现基于实时监测数据的故障分类。 4.根据权利要求1所述的一种数据驱动的转子系统典型故障模式自动识别方法， 其特 征在于： 本发明利用基于RBF核的LSSVM作为弱分类器； 在 使用RBF核训练LSSVM时， 惩罚因子 C和核函数宽度参数σ 是决定其分类性能和泛化能力最重要的两个参数； 数 学表达式为： 式中， 为寻找两个参数C和σ 最优位置的迭代公 式， Xbest和Xworst分别表示当前针对源 域数据和目标域数据的全局最优位置和最差位置， t 为当前迭代次数， β 为正态分布随机数， ε为最小的常数， 避免分母为零， K为[ ‑1,1]之间的随机数， fi为根据源域和目标域数据针对 当前迭代次数的适应度值， fg为全局最优适应度值， fw为全局最差适应度值。权　利　要　求　书 2/2 页 3 CN 114358075 A 3