买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：昆明理工大学

摘要：本发明公开了一种滚动轴承多通道数据故障识别方法，首先使用EMMWPE方法来计算多通道信号的故障特征向量；其次，通过t‑SNE完成特征向量的降维去除冗余特征；最后将降维后的特征集输入到随机森林模型中完成滚动故障识别；本发明能有效识别出滚动轴承的故障状态，对保证设备的正常运行有着重要的意义。

主权项：1.一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，其特征在于，包括以下步骤：S1：首先将多通道振动信号进行增强多尺度粗粒化过程，对于给出长度为n的时间序列X＝[x1、x2、x3...xn]，根据给出τ和式1，将其分别处理为τ个不同的粗理化序列其中i＝1，2，...，τ； S2：分别计算τ个粗理化序列的多元加权排列熵，再求取这τ个熵值的平均值即等于增强多元多尺度加权排列熵，如式2所示： S3：通过t-SNE算法对EMMWPE值进行降维，除去冗余特征，使计算得到的特征可视化；S4：将每种不同故障类型以及损伤程度的多通道数据集分为N组，其中训练样本有M组，测试样本则有N-M组；S5：基于随机森林模型，对样本进行训练和测试，实现滚动轴承不同类型以及损伤程度的故障识别；所述S3中t-SNE算法步骤如下：S3.1：设数据X＝{x1，x2，...，xn}，通过式11计算复杂度Perp亲疏对Pj|i，Perp为代价函数参数； 式中，σi是xi的高斯方差；S3.2：设置得到样本的初始解y0＝{y1，y2，...，yn}；S3.3：通过式12计算低维亲疏qij： S3.4：通过式13计算梯度 S3.5：通过式14得到低纬度数据： 式中：学习率η，动量αt为优化参数；S3.6：重复迭代S3.3～S3.5，直到t从1加到T，输出低维数据yT＝{y1，y2，...，yn}；所述S5中随机森林模型技术特征如下：S5.1：对训练集进行置换抽样，得到与训练集大小相同的k个训练子集D＝{D1，D2，...，Dk}；S5.2：一个训练子集的每个样本包含n个特征，首先，从n个特征中选取mm≤n个特征来构建子空间S；其次，计算决策树节点的最佳拆分点，根据S生成节点，重复上述过程，直至满足停止准则，完成对决策树的训练；这样训练完k个训练子集后，k个决策树DT＝{DT1，DT2，...，DTk}；S5.3：每棵决策树用测试集的每个样本进行测试，得到k个分类结果R＝{R1，R2，...，Rk}。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种滚动轴承多通道数据故障识别方法