CN104834936B - 一种基于特征有效性分析的轴心轨迹智能识别方法 - Google Patents

Abstract

一种基于特征有效性分析的轴心轨迹智能识别方法，包括：对轴心轨迹正常及故障的样本数据进行识别，提取出N个特征参数，建立N个被选特征参数的可识别故障集F_i；计算第i个被选特征参数能够识别的j种混合模式的数量M_i,j，每种混合模式无法进行进一步细化识别，并且M_i,j>1；在每一种混合模式下，对M_i,j进行大小排序，以作为特征匹配顺序；输入待识别的轴心轨迹，并对该轴心轨迹按照N个特征参数进行提取特征，得到f_i；对得到的M_i,j排序，对f_i进行特征匹配。所述智能识别方法优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，结合优选的聚类分析算法进行特征匹配，轴心轨迹识别率高，运算速度快。

Description

一种基于特征有效性分析的轴心轨迹智能识别方法

技术领域

本发明涉及一种基于特征有效性分析的轴心轨迹智能识别方法，用于旋转机械轴心轨迹的状态监测、故障预测和故障诊断，属于设备故障诊断领域。

背景技术

轴心轨迹是旋转机械故障监测与诊断的重要依据，它描述了转轴旋转时由于振动引起的转子轴心点的运动轨迹。这种轴心运动可能出现在径向或轴向，一般来说，对径向运动进行截面分析比较常见，即二维轴心轨迹分析；如果增加考虑轴向运动，就构成了三维轴心轨迹分析。对二维轴心轨迹的识别本质上是对二维图像的模式识别问题。如果对三维轴心轨迹在三个正交的坐标平面上进行投影，也可以将三维轴心轨迹识别转化为三种二维图像的识别问题。为此，准确、快速实现二维图像的模式识别是解决基于轴心轨迹的故障监测与诊断问题的核心。

工程实践中人们发现，典型故障的轴心轨迹具有一定的形状特征，可以通过人工观察识别。以径向截面二维轴心轨迹为例，正常情况下轴心轨迹为长短轴差异不大的椭圆；转子不平衡或转子弯曲引起的轴心轨迹为较扁的椭圆形；转子不对中引起的轴心轨迹为双椭圆形、月牙形、香蕉形或8字形；动静件碰摩引发紊乱或扩散的轴心轨迹等。然而，对于自动化的故障监测与诊断计算机而言，要自动识别轴心轨迹特征难度很大。目前常用的识别方法有：

(1)智能学习法：将轴心轨迹对应的振动时序信号或数字图像二值信息，经过归一化、滤噪等预处理后，直接送入神经网络或支持向量机等模型进行智能学习，利用训练好后的模型实现识别。这种方法以建立输入与输出之间的模糊非线性关系为目标，受学习样本影响大，识别率有限。

(2)特征匹配法：采用信号处理技术对轴心轨迹进行分析，提取图像形状特征、信号时域特征、信号频域特征或时频特征等，通过特征匹配算法进行识别。该方法以特征提取为目标，物理含义清晰，但特征的敏感性和稳定性差异较大，识别率有限。

(3)特征智能学习法：采用信号处理技术对轴心轨迹进行特征提取，如图像形状特征、信号时域特征、信号频域特征或时频特征等，把特征样本送入神经网络或支持向量机等模型进行样本学习和识别。这种方法结合了智能学习和特征匹配两种方法的优点，能够有效提高轴心轨迹的识别精度，但算法复杂，对不同轴心轨迹样本不具有普适性。

总之，为了提高轴心轨迹的识别准确度，提取敏感、稳定和有效的特征参数是轴心轨迹识别的核心问题。目前，相关学术研究给出的特征参数种类较多，如几何特征、时域特征、频域特征等。为了更好地应用于工程实际，我们更关心的是，哪种特征参数在轴心轨迹识别中效果更好。好的特征参数应该不受轴心轨迹图像的大小、位置和旋转角度的影响，即应具有尺度不变性、平移不变性和旋转不变性，同时，能够更清晰的区分多种不同故障模式。事实上，通过前期研究得出，许多特征参数只对识别一种或几种故障模式是有效的，几乎没有哪种特征参数能够同时区分所有的故障模式。为此，本发明提出了一种基于特征有效性分析的轴心轨迹智能识别方法，对不同轴心轨迹样本具有自适应性，以特征参数的有效性对比分析结论为依据，采用智能逻辑推理的方法选择轴心轨迹的特征类型和数量，优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，结合优选的聚类分析算法进行特征匹配，提高轴心轨迹识别率。

现有技术中对轴心轨迹识别的方法并不多，例如：

现有技术一：专利申请号为CN201410750907公开的名称为《基于瞬时频率轴心轨迹的转子动静碰磨故障诊断方法》的发明申请，对振动测试截面上正交的两个位移振动信号x(t)和y(t)，分别进行EMD分解，分别挑选出以工频分量为主的IMF信号分量IMF_x(t)和IMF_y(t)，使用直接正交法计算得出瞬时频率IF_x(t)和IF_y(t)，然后对单分量信号IMF_x(t)和IMF_y(t)通过归一化分解成调幅和调频信号，将一倍转频分量的瞬时频率IF_x(t)和IF_x(t)合成轴心轨迹，借助轴心轨迹形状，对转子运行状态进行识别，通过弯曲振动信号提取转子转速的瞬时波动信息，并合成瞬时频率轴心轨迹，实现转子碰磨故障的有效诊断。该技术方案只用于诊断转子碰磨故障，而不能应用于其它故障模式的轴心轨迹识别。

现有技术二：专利申请号为CN201410629011公开的名称为《一种基于轴心轨迹的旋转机械二倍频故障检测方法及***》的发明申请，采用两个相互垂直的探头检测旋转机械振动数据，如果任一探头检测的振动数据中二倍频成分≥10um，则将两个探头检测得到的振动数据中的二倍频数据合成二倍频轴心轨迹，该轨迹呈椭圆形，计算二倍频轴心轨迹的离心率；根据离心率得到引起振动的原因。依照发明人所述，该方法能够区分对中不良和测振带晃度过大问题。由于该技术方案采用单一的离心率特征进行轴心轨迹识别，能够识别的轴心轨迹模式有限，对不同轴心轨迹样本不具有普适性。

现有技术三：专利申请号为CN201310361525公开的名称为《一种转子***轴心轨迹进动方向自动识别方法》的发明申请，利用振动传感器采集转子的径向振动信号，并通过快速傅立叶变换FFT得到幅值谱，然后采用相位差校正方法对转子振动信号中的主要频率成分进行校正后重构信号，最后利用重构信号合成转子提纯轴心轨迹，并由提纯轴心轨迹通过局部弧段的进动方向识别得到整个轴心轨迹的进动方向。该方法以识别轴心轨迹进动方向为目标，并不对轴心轨迹对应的故障模式进行识别。

现有技术四：专利申请号为CN201010257659公开的名称为《一种基于三维空间轴心轨迹的压缩机轴系故障诊断方法》的发明申请，将压缩机转子的水平、垂直以及轴向的三维振动信号进行低通滤波，剔除高频干扰信号，利用频谱分析原理，合成得到三维滤波轴心轨迹。该方法以三维轴心轨迹合成为目标，并不研究轴心轨迹的识别方法。

发明内容

为了能够应用于各种旋转机械的轴心轨迹识别，对不同轴心轨迹样本具有自适应性，优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，本发明提供了一种基于特征有效性分析的轴心轨迹智能识别方法。

本发明的技术方案是：

一种基于特征有效性分析的轴心轨迹智能识别方法，包括：

步骤1)、对轴心轨迹正常及故障的样本数据进行识别，提取出N个特征参数，建立N个被选特征参数的可识别故障集F_i，i＝1，2，3……N；

步骤2)、计算第i个被选特征参数能够识别的j种混合模式的数量M_i,j，其中1≤i≤N，1≤j≤N，每种混合模式无法进行进一步细化识别，并且M_i,j>1；

步骤3)、在每一种混合模式下，对M_i,j进行大小排序，以作为特征匹配顺序；

步骤4)、输入待识别的轴心轨迹，并对该轴心轨迹按照N个特征参数进行提取特征，得到f_i；

步骤5)、根据步骤3)中得到的M_i,j排序，对f_i进行特征匹配。

步骤6)、对步骤5)中的特征匹配，首先执行第1轮特征匹配，特征匹配优选为聚类分析算法，按照第k个特征分布范围，如果待识别轴心轨迹的f_k在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第i个模式，识别结束；如果待识别轴心轨迹的f_k不在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第i个模式；如果待识别轴心轨迹的f_k在第k个特征能够识别的多种模式混合范围(多种模式无法进一步细化识别)内，则记录下该混合模式集；最后分别得到第1轮待识别轴心轨迹的可能混合模式集U₁和不可能模式集W₁。

步骤7)、对步骤6)中的特征匹配，执行下一轮特征匹配，在步骤6)的基础上，按照第p个特征分布范围，如果待识别轴心轨迹的f_p在第w个模式的第p个特征分布范围内，且第w个模式是第p个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第w个模式，识别结束；如果待识别轴心轨迹的f_p不在第w个模式的第p个特征分布范围内，且第w个模式是第p个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第w个模式，并在步骤6)得到的不可能模式集W₁中进行补充追加，得到第2轮的不可能模式集W₂；如果待识别轴心轨迹的f_p在第p个特征能够识别的多种模式混合范围(多种模式无法进一步细化识别)内，则记录下该混合模式集U，并对该模式集U与(6)得到的可能混合模式集U₁求交集，作为第2轮的可能混合模式集U₂。

步骤8)、重复步骤7)，直到待识别轴心轨迹完成了N次特征匹配时，运算结束；或者，当可能混合模式集U_n最多包含1个模式，且不可能故障模式集W_n包含了其它N-1个模式时，表示已经完全识别出轴心轨迹，识别结束；第n轮特征匹配得到的可能混合模式集U_n和不可能模式集W_n为最终识别结论，1≤n≤N；待识别轴心轨迹识别结论为可能混合模式集中的对应模式。

在执行步骤1)之前，首先要对对轴心轨迹正常及故障的样本数据进行预处理，将轴心轨迹在极坐标系下用(θ,R)坐标描述，将轴心轨迹的中心置于极坐标中心，并对极径R进行归一化，将极角转换到[0,2π]范围内；

所述N个特征参数优选为面积、周长、致密性、圆形度、矩形度、偏心率、形状参数、均值、标准差、积分、斜度、峰度、最大值、最小值、极差、1倍频能量、2倍频能量、3倍频能量、极角进动方向、极角单调性和7个Hu不变矩这27种特征中的至少1种，但也可为其他特征参数，如故障特征频率、故障特征频率能量等。

特征匹配算法优选为聚类分析算法，但也可为其他分析方法，如阈值判别法、智能学习法、特征匹配法、特征智能学习法等。

在进行特征识别时，优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，对轴心轨迹进行特征匹配的次数不大于特征参数数量N。

步骤2)中，优选的，计算第i个特征参数能够准确识别的单一模式的数量为M_i,1，能够识别的2种混合模式的数量为M_i,2，并且这2种模式无法进一步区分，以此类推，能够识别的j种混合模式的数量为M_i,j，并且这j种模式无法进一步细化识别；当M_i,N为1时，说明第i个特征参数对全部N种模式无法进一步细化识别，即对轴心轨迹识别无效，可直接从N个特征中剔除对应特征。

步骤3)中，在进行排序时，对N个特征参数的M_i,j按照相同j分别进行大小排序，j＝1,2,…,N；假设M_k,1为M_i,1中的最大值，则将第k个特征作为第1个参与特征匹配的特征，1≤k≤N；假设M_p,2为M_i,2中的最大值，则将第p个特征作为第2个参与特征匹配的特征，1≤p≤N；以此类推，假设M_q,j为M_i,j中的最大值，则将第q个特征作为第j个参与特征匹配的特征，1≤q≤N。

本发明具有以下有益效果：适用于各种旋转机械的轴心轨迹识别，轴心轨迹特征的选择对不同的轴心轨迹样本具有自适应性，轴心轨迹识别中的特征参数的类型和数量由所述智能识别方法自动计算得出。所述智能识别方法以特征参数的有效性对比分析结论为依据，对多种特征参数进行信息融合，逻辑推理过程对特征参数的数量和不同特征的有效性具有自适应能力，无效特征参数不干扰轴心轨迹识别。所述智能识别方法优选数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，结合优选的聚类分析算法进行特征匹配，轴心轨迹识别率高，运算速度快。

附图说明

图1是本发明的智能识别流程图；

图2是本发明实施例中的8种轴心轨迹基础样本图；

图3是本发明实施例中的基础样本对应的极径时变样本图；

图4是本发明实施例中的基础样本对应的极角时变样本图；

图5是本发明实施例中的面积特征分布图；

图6是本发明实施例中的周长特征分布图；

图7是本发明实施例中的致密性特征分布图；

图8是本发明实施例中的圆形度特征分布图；

图9是本发明实施例中的矩形度特征分布图；

图10是本发明实施例中的偏心率特征分布图。

具体实施方式

下面结合附图对本发明的技术方案进行具体阐述，需要指出的是，本发明的技术方案不限于实施例所述的实施方式，本领域的技术人员参考和借鉴本发明技术方案的内容，在本发明的基础上进行的改进和设计，应属于本发明的保护范围。

如图1-图2所示，本实施例针对转机械振动中常见的近圆椭圆形、扁椭圆形、8字形、带锯齿状尖角的椭圆形、心形、双椭圆形、月牙形、紊乱形等8种轴心轨迹类型进行识别。首先由已知故障模式的8种轴心轨迹图建立一组轴心轨迹基础样本，分别对应正常和7种不同故障模式，如图2所示。通过对轴心轨迹基础样本进行缩放、平移和旋转坐标变换，随机生成99组随机样本，与轴心轨迹基础样本一并构成100组轴心轨迹样本数据用于进行特征有效性分析。

首先对轴心轨迹进行预处理：将直角坐标系下由(x,y)坐标描述的轴心轨迹图的中心位置(即x,y坐标的中点)平移到原点，而后再转化到极坐标系下用(θ,R)坐标进行描述，将轴心轨迹的中心置于极坐标中心。同时，对极坐标系下的极径R进行归一化，使得轴心轨迹图的控制在半径为1的圆内。为了防止一个旋转周期内的极角出现正负跳变，极角转换到[0,2π]范围内。

将轴心轨迹的极径随时间(横坐标为时间采样点)变化的数据，作为极径时变样本。本实施例的轴心轨迹基础样本对应的极径时变样本如图3所示。

将轴心轨迹的极角随时间(横坐标为时间采样点)变化的数据，作为极角时变样本。本实施例的轴心轨迹基础样本对应的极角时变样本如图4所示。

本实施例对轴心轨迹二维图形提取面积、周长、致密性(或称形状复杂性、离散指数)、圆形度、矩形度、偏心率等6种几何特征；对轴心轨迹数字图像提取7个Hu不变矩特征；对极径时变样本提取均值、标准差、积分、斜度(或称偏度)、峰度(或称峭度)、最大值、最小值、极差等8个时域统计特征；对极角时变样本提取极角单调性特征；一共得到22种轴心轨迹特征。

图5-图10分别展示了面积、周长、致密性、圆形度、矩形度、偏心率等6种几何特征在不同故障模式下的特征参数值分布情况，各图中的横实线示意了依据对应特征划分出的不同故障模式间的大致界限。

我们对特征参数在轴心轨迹识别中的稳定性、敏感性和有效性定义如下：

(1)如果某种故障模式对应的特征参数分布区域比较集中，则说明该特征参数具有稳定性(即满足尺度不变性、平移不变性和旋转不变性)；

(2)如果某些故障模式对应的特征参数分布区域相互隔离，不同故障模式之间可以划分出明显的界限，则说明该特征参数对这些故障模式识别具有敏感性；

(3)如果某些故障模式对应的某种特征参数既具有敏感性又具有稳定性，则说明该特征参数对于这些故障模式识别具有有效性。

依据以上对特征参数稳定性、敏感性和有效性的定义，可以由图5看出，面积特征对于识别故障2是有效的；可以判断故障是否是故障1或故障6两者之一(但无法进一步细化识别)；也可以判断故障是否在正常0、故障3、故障4和故障5之中(但无法进一步细化识别)。为了清晰显示故障特征分布细节，图5对纵轴进行了放大，故障7的面积特征集中在(45,65)之间的区域，在图5中未能显示，但已明显与其他模式隔离，说明面积特征对于识别故障7也是有效的。如果分别用N₀、F₁、…F₇来描述正常和7种故障对应的样本集，可以将面积特征能够识别出的故障集记作：

面积特征：F₂|F₇|F₁UF₆|N₀UF₃UF₄UF₅

为了清晰显示故障特征分布区域，图6和图7均对纵轴进行了放大，故障7的周长特征范围集中在(140,165)之间的区域，致密性特征范围集中在(360,370)之间的区域，在图6和图7中均未能显示，但故障7已明显属于可单独识别的故障。

由于篇幅所限，本实施例只给出对100组轴心轨迹样本数据分别进行特征提取后，依据各种故障模式下每种特征的参数值分布情况，得到的不同特征参数的有效性对比分析结论：

(1)有些特征能够识别至少一种故障模式，包括：

面积特征：F₂|F₇|F₁UF₆|N₀UF₃UF₄UF₅

周长特征：F₇|F₁UF₆|N₀UF₂UF₃UF₄UF₅

致密性特征：F₁|F₂|F₇|F₅UF₆|N₀UF₃UF₄

圆形度特征：F₁|F₇|N₀UF₃UF₄|F₂UF₅UF₆

矩形度特征：F₇|N₀UF₁UF₂UF₃UF₄UF₅UF₆

偏心率特征：F₂|F₁UF₆|N₀UF₃UF₄UF₅UF₇

均值特征：F₂|F₁UF₆UF₇|N₀UF₃UF₄UF₅

标准差特征：N₀|F₃|F₄|F₇|F₁UF₂UF₅UF₆

积分特征：F₂|F₁UF₆UF₇|N₀UF₃UF₄UF₅

最小值特征：N₀|F₃|F₁UF₂UF₄UF₅UF₆UF₇

极差特征：N₀|F₃|F₁UF₂UF₄UF₅UF₆UF₇

(2)有些特征能够大致将各种轴心轨迹划分为几类而无法进一步细化识别，包括：

斜度特征：F₄UF₅|N₀UF₁UF₂UF₃UF₆UF₇

极角单调特征：N₀UF₁UF₃UF₄|F₂UF₅UF₆UF₇

(3)有些特征无法支持轴心轨迹识别，包括：

峰度特征：N₀UF₁UF₂UF₃UF₄UF₅UF₆UF₇

最大值特征：N₀UF₁UF₂UF₃UF₄UF₅UF₆UF₇

7个Hu不变矩特征：N₀UF₁UF₂UF₃UF₄UF₅UF₆UF₇

依据所述智能识别方法，排除峰度、最大值和7个Hu不变矩这9个无法支持轴心轨迹识别的特征，可以得出特征匹配排序为[标准差，致密性，面积，圆形度，最小值，极差，偏心率，周长，均值，积分，矩形度，斜度，极角单调]。

依据所述智能识别方法，优选聚类分析算法作为特征匹配算法，进行多轮特征匹配：

第1轮依据标准差特征识别出待识别轴心轨迹是否为N₀、F₃、F₄、F₇这4种模式(F₁、F₂、F₅、F₆这4种模式无法进一步细化识别)；

第2轮依据致密性特征进一步识别出待识别轴心轨迹是否为F₁、F₂(F₅和F₆无法进一步细化识别)；

第3轮依据面积特征分布的差异性进一步识别出待识别轴心轨迹是否为F₅和F₆。

至此，8种故障模式能够完全被区分，待识别轴心轨迹能够得到唯一的模式识别结论。本实施例实际执行的特征组合和匹配顺序为：[标准差，致密性，面积]，实际执行的特征匹配次数为3次，识别率达到100％。

最后应说明的是：以上所述仅为发明的一种实施例而已，并不用于限制发明，尽管参照前述实施例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在发明的保护范围之内。

Claims (9)

1.一种基于特征有效性分析的轴心轨迹智能识别方法，包括：

步骤1)、对轴心轨迹正常及故障的样本数据进行识别，提取出N个特征参数，建立N个被选特征参数的可识别故障集F_i，i＝1，2，3……N；

步骤2)、计算第i个被选特征参数能够识别的j种混合模式的数量M_i,j，其中1≤i≤N，1≤j≤N，每种混合模式无法进行进一步细化识别，并且M_i,j>1；

步骤3)、在每一种混合模式下，对M_i,j进行大小排序，以作为特征匹配顺序；

步骤4)、输入待识别的轴心轨迹，并对该轴心轨迹按照N个特征参数进行提取特征，得到f_i；

步骤5)、根据步骤3)中得到的M_i,j排序，对f_i进行特征匹配；

步骤6)、对步骤5)中的特征匹配，首先执行第1轮特征匹配，特征匹配为聚类分析算法，按照第k个特征分布范围，如果待识别轴心轨迹的f_k在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第i个模式，识别结束；如果待识别轴心轨迹的f_k不在第i个模式的第k个特征分布范围内，且第i个模式是第k个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第i个模式；如果待识别轴心轨迹的f_k在第k个特征能够识别的多种模式混合范围内，则记录下该混合模式集；最后分别得到第1轮待识别轴心轨迹的可能混合模式集U₁和不可能模式集W₁。

2.如权利要求1所述的方法，其特征在于，还包括步骤7)、对步骤6)中的特征匹配，执行下一轮特征匹配，在步骤6)的基础上，按照第p个特征分布范围，如果待识别轴心轨迹的f_p在第w个模式的第p个特征分布范围内，且第w个模式是第p个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹为第w个模式，识别结束；如果待识别轴心轨迹的f_p不在第w个模式的第p个特征分布范围内，且第w个模式是第p个特征能够准确识别的单一模式，则可以判断待识别轴心轨迹不是第w个模式，并在步骤6)得到的不可能模式集W₁中进行补充追加，得到第2轮的不可能模式集W₂；如果待识别轴心轨迹的f_p在第p个特征能够识别的多种模式混合范围内，则记录下该混合模式集U，并对该模式集U与(6)得到的可能混合模式集U₁求交集，作为第2轮的可能混合模式集U₂。

3.如权利要求2所述的方法，其特征在于，还包括步骤8)、重复步骤7)，直到待识别轴心轨迹完成了N次特征匹配时，运算结束；或者，当可能混合模式集U_n最多包含1个模式，且不可能故障模式集W_n包含了其它N-1个模式时，表示已经完全识别出轴心轨迹，识别结束；第n轮特征匹配得到的可能混合模式集U_n和不可能模式集W_n为最终识别结论，1≤n≤N；待识别轴心轨迹识别结论为可能混合模式集中的对应模式。

4.如权利要求1至3任一项所述的方法，其特征在于，在执行步骤1)之前，首先要对轴心轨迹正常及故障的样本数据进行预处理，将轴心轨迹在极坐标系下用(θ,R)坐标描述，将轴心轨迹的中心置于极坐标中心，并对极径R进行归一化，将极角转换到[0,2π]范围内，θ为相角。

5.如权利要求1至3任一项所述的方法，其特征在于，所述N个特征参数为面积、周长、致密性、圆形度、矩形度、偏心率、形状参数、均值、标准差、积分、斜度、峰度、最大值、最小值、极差、1倍频能量、2倍频能量、3倍频能量、极角进动方向、极角单调性和7个Hu不变矩这27种特征中的至少1种，或故障特征频率、故障特征频率能量中的至少1种。

6.如权利要求1至3任一项所述的方法，其特征在于，特征匹配算法为聚类分析算法，或阈值判别法、智能学习法、特征匹配法、特征智能学习法中的至少一种。

7.如权利要求1至3任一项所述的方法，其特征在于，在进行特征识别时，数量最少的有效特征参数，以最优化的特征匹配顺序进行轴心轨迹识别，对轴心轨迹进行特征匹配的次数不大于特征参数数量N。

8.如权利要求1至3任一项所述的方法，其特征在于，步骤2)中，计算第i个特征参数能够准确识别的单一模式的数量为M_i,1，能够识别的2种混合模式的数量为M_i,2，并且这2种模式无法进一步区分，以此类推，能够识别的j种混合模式的数量为M_i,j，并且这j种模式无法进一步细化识别；当M_i,N为1时，说明第i个特征参数对全部N种模式无法进一步细化识别，即对轴心轨迹识别无效，可直接从N个特征中剔除对应特征。

9.如权利要求1至3任一项所述的方法，其特征在于，步骤3)中，在进行排序时，对N个特征参数的M_i,j按照相同j分别进行大小排序，j＝1,2,…,N；假设M_k,1为M_i,1中的最大值，则将第k个特征作为第1个参与特征匹配的特征，1≤k≤N；假设M_p,2为M_i,2中的最大值，则将第p个特征作为第2个参与特征匹配的特征，1≤p≤N；以此类推，假设M_q,j为M_i,j中的最大值，则将第q个特征作为第j个参与特征匹配的特征，1≤q≤N。