(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 202111669067.0 (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 王帅　王庆锋　肖扬　刘晓金　 张田雨　 (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诊断方 法 (57)摘要 本发明公开了一种数据驱动的转子系统典 型故障诊断方法， 采用统计学方法和小波包分解 对振动信号进行特征提取， 利用特征筛选算法进 行特征评估， 筛选得到敏感特征集； 采用迁移学 习方法， 将训练集和实时测试数据映射到核希尔 伯特空间； 采用最近邻分类器对故障特征进行自 动分类。 应用来自不同的石化企业透平机械的转 子不平衡、 轴系不对中、 油膜涡动、 碰摩等典型故 障案例数据进行了模型的训练与验证工作。 并与 其他相关方法进行了比较， 结果表明， 所提方法 具有较好的泛化性与诊断准确率。 这一探索将促 进转子系统智能故障诊断方法的工程应用。 权利要求书2页 说明书7页 附图3页 CN 114358074 A 2022.04.15 CN 114358074 A 1.一种数据驱动的转子系统典型故障诊断方法， 该方法基于时域、 时频域的多维敏感 特征和在线 特征迁移的转子系统故障诊断方法； 其特征在于： 首先， 采用统计学方法和小波 包分解对振动信号进 行特征提取， 利用特征筛选算法进 行特征评估， 筛选得到敏感特征集； 然后， 采用迁移学习 方法， 将训练集和实时测试数据映射到核希尔伯特空间； 最后， 采用最 近邻分类 器对故障特 征进行自动分类。 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诊断方法， 其特征在于： 迁 移成分分析的迁移学习方法， 还能够 采用光谱特征对齐、 迁移核 学习、 测点线流式核中的任 一方法。 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诊断方法， 其特征在于： 所 述采用的最近邻分类器故障分类器， 还能够 采用支持向量机、 k最近邻分类器、 Softmax分类 器中的任一分类 器。 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诊断方法， 其特征在于： 所 述的离线训练工作模式包括信号预处理、 特征提取及故障识别知识库的构建； 具体步骤如 下： Step1： 多维特征提取， 对采集的转子振动信号进行归一化预处理， 然后提取时域特征 向量和11个时频域特征向量， 通过信息融合， 构造得到24维原始故障特征集； 时域特征包 括： 峰峰值、 均值、 绝对平均值、 方根幅值、 方差、 标准差、 RMS、 峭度、 波形因子、 峰值因子、 脉 冲因子、 裕度因子、 偏度； 时频域信号的故障特征提取采用基于小波包变换的频带分析技 术； 将振动信号分解特定层数得到感兴趣的频带范围， 从而提取相应频带范围内的信息； 各 子频带能量为该尺度下小波包分解系 数的平方和， 并计算小波包能量熵作为时频域特征； 计算公式如下： 式中， di,j(k)表示各子 频带重构系数， Pi表示相对能量， i代表分解层数， j代表该层的频 带数， N代表原始信号长度； 为满足转子故障频率分析所需， 选择32个子频带中的前10量相 对值以及小 波包能量熵作为时频域特 征； Step2： 敏感特 征选择 使用特征评估方法， 计算各特征向量的权重系数， 基于规则 选择权值较大的特征参数， 共同构成m维敏感特 征集； 在线实时数据也同样进行归一 化操作， 提取相同的m维敏感特 征； 特征筛选方法计算公式如下： 式中： W(A)为特征A的权值， diff(A， Rs， Hj)表示样本Rs和Hj在特征A上的距离， Rs表示在权　利　要　求　书 1/2 页 2 CN 114358074 A 2训练集中随机选择的样本， Hj为与Rs同类的k个最近邻样本中的第j个样本， Mj为与Rs异类的 k个最近邻样本中的第j个样本， P(C)表示C类样本出现的概 率； Step3： 在线特 征迁移 将提取的源域特征和目标域特征映射到再生核希尔伯特空间中； 在此空间用MMD度量 源域数据与目标域数据之间的最大均值距离， 输出映射后的特 征数据用于模式识别； 对于源域和目标域数据分布不同或者相似的， 即P(Xs)≠P(Xt)， 首先将源域和目标域数 据一起映射到一个高维的再生核希尔伯特空间； 在此空间中， 使跨域数据的分布距离最小 化， 同时最大程度的保留各自原有属性； 特征的分布差异 通过最大均值差异 来衡量， 公式如 下： 其中， ||·||H表示再生核希尔伯特空间(RKHS)， Φ表示X ‑H的映射函数； 之后将学习 到 的特征Xnew_S,Xnew_T输入到机器学习理论构建的领域共享分类 器中进行分类； Step4： 故障模式识别 将迁移后的已标记源域数据数据输入分类器中， 得到训练模型； 将映射后的目标域特 征输入到模型中， 输出识别结果。权　利　要　求　书 2/2 页 3 CN 114358074 A 3