一种机械设备故障程度识别方法、终端设备及存储介质.pdf

(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CN109902739A(43)申请公布日2019.06.18(21)申请号201910144944.9(22)申请日2019.02.27(71)申请人厦门理工学院地址361000福建省厦门市集美区后溪镇理工路600号(72)发明人潘巍巍贺惠新(74)专利代理机构厦门市精诚新创知识产权代理有限公司35218代理人张伟星(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书8页附图1页(54)发明名称一种机械设备故障程度识别方法、终端设备及存储介质(57)摘要本发明涉及一种机械设备故障程度识别方法、终端设备及存储介质，在该方法中：采集某机械设备具有不同故障程度的样本，组成故障特征集，获取样本对应的不同故障程度；计算故障特征集中的每个故障特征与故障程度的单调一致熵；根据故障特征集中的每个故障特征的单调一致熵，将值最小的故障特征添加至优选特征集内；采用最大相关最小冗余搜索策略，将故障特征按照重要度排序，输出一个优选特征子集序列；通过分类器选择分类性能最好的优选特征子集对待测机械设备的故障程度进行判定。本发明解决了目前不能有效识别汽轮机故障的不同严重程度的问题。CN109902739ACN109902739A权利要求书1/2页1.一种机械设备故障程度识别方法，其特征在于，包括以下步骤：S1：采集某机械设备具有不同故障程度的样本，组成样本集U＝{x1,x2,...,xn}，采集样本中能够表征故障的不同故障特征，组成故障特征集A＝{a1,a2,...,aj}，获取样本对应的不同故障程度；S2：计算故障特征集A中的每个故障特征与故障程度之间的单调一致熵，所述单调一致熵用于表征故障特征与故障程度之间的一致性，即故障特征与故障程度的单调一致熵越低，分类一致程度越高；S3：根据故障特征集A中的每个故障特征的单调一致熵，将值最小的故障特征添加至优选特征集B内；S4：采用最大相关最小冗余搜索策略，将故障特征按照重要度排序，输出一个优选特征子集序列；S5：通过分类器对每个优选特征子集的分类性能进行评价，选择其中分类性能最好的优选特征子集为该机械设备的故障程度判定特征子集；S6：通过该机械设备的故障程度判定特征子集对待测机械设备的故障程度进行判定。2.根据权利要求1所述的机械设备故障程度识别方法，其特征在于：步骤S2中故障特征与不同故障程度的单调一致熵的计算过程为：S21：设故障特征为a，计算样本xi的关于特征值a的单调一致集合Sc(xi,a)：Sc(xi,a)＝{xj∈U|f(xj,a)≥f(xi,a)且D(xj)≥D(xi)}；其中，f(xi,a)表示样本xi中故障特征a的值，D(xi)表示样本xi对应的故障程度；S22：计算样本xi的关于故障特征a的单调一致度Dc(xi,a)：其中|X|表示集合X中包含元素的个数；S23：计算故障特征a与故障程度之间的单调一致熵Hc(a)：3.根据权利要求2所述的机械设备故障程度识别方法，其特征在于：步骤S4具体为：计算故障特征集A中除优选特征集B中元素之外的每个元素相对于优选特征集B的属性重要度，根据属性重要度的高低顺序依序将元素依序添加至优选特征集B中，重复步骤S4，直至时停止；根据优选特征集B中元素添加的顺序，依次得到一组嵌套的维数不同的优选特征子集组成优选特征子集序列。4.根据权利要求3所述的机械设备故障程度识别方法，其特征在于：故障特征ai相对于优选特征集B的属性重要度sig(ai,B,D)的计算公式为：Ic(ai,aj)＝Hc(ai)-Hc(ai|aj)；2CN109902739A权利要求书2/2页其中：aj∈B，Ic(ai,aj)为aj与ai之间的单调互信息，l-1为优选特征集B的维数。5.根据权利要求3所述的机械设备故障程度识别方法，其特征在于：优选特征子集的设定方法为：假设优选特征集B为B＝{a1,a2,...,aj}，则多个优选特征子集分别为B1＝{a1}、B2＝{a1,a2}、……、Bj＝{a1,a2,...,aj}。6.根据权利要求1所述的机械设备故障程度识别方法，其特征在于：步骤S5中，评价优选特征子集的性能的指标为平均分类损失MAE，计算公式为：*其中：D′(xi)为实际的故障程度，D(xi)为预测的故障程度。7.根据权利要求1所述的机械设备故障程度识别方法，其特征在于：步骤S5中，通过有序分类器对优选特征子集的性能进行评价。8.根据权利要求7所述的机械设备故障程度识别方法，其特征在于：所述有序分类器为有序决策树、有序支持向量机或模糊偏好粗糙集。9.一种机械设备故障程度识别终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程