CN115560966A - 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** - Google Patents

Abstract

本发明涉及电机运维领域，公开一种增强稀疏滤波融合电机关键部件微弱故障诊断方法和***，方法包括：采集电机关键部件的振动信号，通过不同输入、输出维度进行增强稀疏滤波并利用

范数筛选出对应的多维故障特征信息融合源，通过排列熵筛选出最优多维故障特征信息融合源；使用改进局部切空间排列算法提取并优化固有流形并进行加权表示，对表示结果进行包络分析实现对电机关键部件的故障诊断；***包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块。本发明对电机关键部件的故障冲击信息进行提取，提高了故障特征提取效果的鲁棒性、实现对电机关键部件的微弱故障诊断。

Description

增强稀疏滤波融合电机关键部件微弱故障诊断方法和***

技术领域

本发明涉及电机运维技术领域，尤其是指一种增强稀疏滤波融合电机关键部件微弱故障诊断方法和***。

背景技术

轴、轴承、齿轮作为电机的关键部件，他们的健康状态对电机***能否正常运作具有至关重要的影响。然而由于电机运行的环境参差不齐，在一些恶劣的环境中存在着大量的背景噪声，因此无法清晰的提取电机关键部件产生的故障特征进行故障诊断。

传统电机关键部件故障特征诊断方法有辨音法等，这类诊断方法要求检测人员具有丰富的工作经验，这对于没有工作经验的工作人员存在巨大劣势。也有通过振动信号对故障特征进行提取的电机关键部件故障特征诊断方法，但这种方法仍然存在着一定的局限性，例如快速固有成分滤波虽然可以很好的反映故障特征的种群稀疏性和寿命一致性、符合故障特征分布的特点，但存在经验设置其输入维度、输出维度导致故障特征提取鲁棒性差的缺点；同时，利用先验知识对优化的权重矩阵进行严格地筛选特定成分，也会造成故障特征信息损失的缺点。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中的不足，提供一种增强稀疏滤波融合电机关键部件微弱故障诊断方法和***，可以提高故障特征提取效果的鲁棒性、有效提取丰富的电机关键部件的故障冲击信息，实现对电机关键部件的微弱故障诊断。

为解决上述技术问题，本发明提供了一种增强稀疏滤波融合电机关键部件微弱故障诊断方法，包括：

步骤1：采集电机关键部件的振动信号，根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源；

步骤2：通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源；

步骤3：使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形；

步骤4：对所述固有流形进行加权表示，对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

作为优选的，根据所述振动信号构建电机关键部件的初始特征矩阵，具体为：

采集电机关键部件的振动信号

表示振动信号x属于1×N维的欧几里得空间，N表示采集到的数据点个数；

将x错a位分割成N_in维的N_s个片段构成矩阵

其中，N_s＝N-N_in+a，N_in表示增强稀疏滤波的输入维度；

随机生成初始权重矩阵

构建电机关键部件对应的初始特征矩阵F＝WX，

其中N_out表示增强稀疏滤波的输出维度。

作为优选的，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，具体为：

构造提取最优权重矩阵的目标函数C：

其中，f_i ^j表示初始特征矩阵F的第i行、第j列元素，λ为权重系数，||w_i||₂＝1表示对权重矩阵W各行进行归一化；

使用L-BFGS算法最小化目标函数C，将所述目标函数C收敛时的不同输入维度、输出维度对应的权重矩阵作为最优权重矩阵W^*。

作为优选的，所述使用L-BFGS算法最小化目标函数C时，优化梯度函数ΔW为：

其中，c_i表示矩阵C的行向量，c^j表示矩阵C的列向量，

为元素全为1的矩阵。

作为优选的，所述利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，具体为：

计算不同输入维度、输出维度所对应的故障特征矩阵F_o中每一行的

范数l_i：

其中，

表示故障特征矩阵F_o的第i行、第j列元素；

选择F_o中

范数较小的多行构成不同输入维度、输出维度所对应的多维故障特征信息融合源H_o。

作为优选的，所述通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源，具体为：

计算不同输入维度、输出维度所对应的多维故障特征信息融合源H_o中每一列的列均值S构成的向量的排列熵

其中，P_i是S序列重构的第i个排列的概率，m为计算排列熵值时的嵌入维数；

将最小排列熵对应的输入维度、输出维度所对应的多维故障特征信息融合源作为最优输入维度、输出维度对应的最优多维故障特征信息融合源

作为优选的，所述使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，具体为：

步骤3-1：提取最优多维故障特征信息融合源

的局部信息V_i；

步骤3-2：根据所述局部信息V_i计算相关矩阵W_i，根据所述相关矩阵W_i构造排列矩阵B；

步骤3-3：对所述排列矩阵B对齐全局坐标得到故障信息U₀；

步骤3-4：对所述故障信息U₀中的异常幅值进行均值化处理得到固有流形

作为优选的，对所述排列矩阵B对齐全局坐标得到故障信息U₀，具体为：

步骤3-3-1：计算排列矩阵B的前d+1个最小特征值(λ₁,λ₂,…,λ_d+1)及对应的特征向量(u₁,u₂,…,u_d+1)；

步骤3-3-2：选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U₀＝[u₂,u₃,…,u_d+1]^T，将U₀作为故障信息。

作为优选的，对所述故障信息U₀中的异常幅值进行均值化处理得到固有流形

具体为：

固有流形

中第i维固有流形的第j个数据点

的计算方法为：

其中，u_i,j表示U₀中第i维固有流形的第j个数据点，u_i为U₀中第i维的固有流形，

为u_i的均值，N为U₀的总维数；σ_i为u_i的标准差，s为异常值判定系数。

本发明还提供了一种增强稀疏滤波融合电机关键部件微弱故障诊断***，包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块，

所述数据获取模块采集电机关键部件的振动信号，将所述振动信号传送给所述多维故障特征信息融合源构造模块；

所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块；

所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源，将所述最优多维故障特征信息融合源传送给所述固有流形提取模块；

所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，将所述固有流形传送给所述故障诊断模块；

所述故障诊断模块对所述固有流形进行加权表示，对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

本发明的上述技术方案相比现有技术具有以下优点：

(1)本发明通过使用排列熵自适应的选取稀疏滤波的输入维度、输出维度，并利用

范数来遴选出故障特征构成多维故障特征信息融合源，克服了经验选取稀疏滤波维度参数引起故障特征提取效果鲁棒性差的缺点，提高故障特征提取效果的鲁棒性；

(2)通过改进局部切空间排列算法对融合源进行非线性融合，并在对优化固有流形后进行加权表示，可以使故障信息更丰富，克服了融合结果异常幅值对频域表示的影响以及单一融合分量的片面性，能够有效提取电机关键部件的故障冲击信息，从而更清晰、更准确地提取出电机关键部件的故障特征，实现对电机关键部件的微弱故障诊断。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1是本发明的流程图，

图2是本发明实施例中采集的轴承外圈故障振动数据图，

图3是本发明实施例中依据最小排列熵选择最优输入维度、输出维度的示意图，

图4是本发明实施例中依据最小排列熵选择近邻点数的示意图，

图5是本发明实施例中得到的加权表示结果和包络分析图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

在本发明的描述中，需要理解的是，“多”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“包括”意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、***、产品或设备，没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

参照图1流程图所示，本发明公开了一种增强稀疏滤波融合电机关键部件微弱故障诊断方法，包括：

步骤1：采集电机关键部件的振动信号，根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，避免了当输入维度、输出维度过大时输出高维度的故障信号增强矩阵存在信息冗余和干扰信息等问题。

步骤1-1：采集电机关键部件的振动信号，根据所述振动信号构建电机关键部件的初始特征矩阵：

步骤1-1-1：采集电机关键部件的振动信号

表示振动信号x属于1×N维的欧几里得空间，N表示采集到的数据点个数；

步骤1-1-2：将x错a位分割成N_in维的N_s个片段构成矩阵

其中，N_s＝N-N_in+a，N_in表示增强稀疏滤波的输入维度；本实施例中a＝1。

步骤1-1-3：随机生成初始权重矩阵

构建电机关键部件对应的初始特征矩阵F＝WX，

其中N_out表示增强稀疏滤波的输出维度。

对于输入维度、输出维度的选择，设置所述输入维度N_in等于输出维度N_out，可以避免同时优化N_in和N_out两个参数带来大的计算负担以及克服故障特征输出降维带来的信息损失问题通过试验验证，当N_in＞20时快速固有滤波均可以获故障特征增强效果，但其效果参差不齐。因此本实施例中设置N_out＝N_in，N_in∈[20,200]、以10为步长取值。

步骤1-2：结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵：

步骤1-2-1：构造提取最优权重矩阵的目标函数C：

其中，f_i ^j表示初始特征矩阵F的第i行、第j列元素，λ为权重系数，||w_i||₂＝1表示对权重矩阵W各行进行归一化；经过多次试验，权重系数0.01＜λ≤1时故障特征具有很好提取效果，因此本实施例中λ＝1。

步骤1-2-2：使用L-BFGS算法最小化目标函数C，使用L-BFGS算法最小化目标函数C时的优化梯度函数ΔW为：

其中，c_i表示矩阵C的行向量，c^j表示矩阵C的列向量，

为元素全为1的矩阵；

步骤1-2-3：将所述目标函数C收敛时的不同输入维度、输出维度对应的权重矩阵作为最优权重矩阵W^*。

步骤1-3：使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵：将得到不同输入维度、输出维度对应的最优权重矩阵W^*的每一行与采集的电机关键部件振动信号x卷积，得到不同输入维度、输出维度对应的故障特征矩阵F_o。

步骤1-4：利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源：

步骤1-4-1：计算不同输入维度、输出维度所对应的故障特征矩阵F_o中每一行的

范数l_i：

中，

表示故障特征矩阵F_o的第i行，第j列元素；

步骤1-4-2：选择F_o中

范数较小的n行构成不同输入维度、输出维度所对应的多维故障特征信息融合源H_o。经过多次试验发现选择F_o中

范数较小的10-20行构成不同输入维度、输出维度所对应的多维故障特征信息融合源H_o，再进行后续步骤其最终可以得到很好的故障特征提取效果，因此本实施例中n＝15。

步骤2：通过排列熵从所述多维故障特征信息融合源中自适应的筛选出最优输入维度、输出维度，避免了通过经验选取维度参数，引起的故障特征提取效果鲁棒性差的问题；根据所述最优输入维度、输出维度得到对应的最优多维故障特征信息融合源。

步骤2-1：计算不同输入维度、输出维度所对应的多维故障特征信息融合源H_o中每一列的列均值S构成的向量的排列熵

其中，P_i是S序列重构的第i个排列的概率，S＝mean(H_o,1)，mean(,1)表示求均值函数；m为计算排列熵值时的嵌入维数；

步骤2-2：将最小排列熵对应的输入维度、输出维度所对应的多维故障特征信息融合源作为最优输入维度、输出维度对应的最优多维故障特征信息融合源

步骤3：使用改进的局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，避免了通过先验知识筛选权重矩阵造成的故障特征信息损失的问题；对固有流形进行优化具体为对固有流形的异常幅值进行标准化处理，克服了融合结果异常幅值对频域表示的影响。

步骤3-1：提取最优多维故障特征信息融合源

的局部信息V_i：

步骤3-1-1：对最优多维故障特征信息融合源

中的每列h_i，使用排列熵确定包括h_i在内的k个近邻点构成数据集Z_i；

步骤3-1-2：中心化数据集Z_i得到矩阵

其中，

为Z_i的均值，e_k为所有元素为1的列向量；

步骤3-1-3：计算

的前d个最大奇异值对应的右奇异向量构成矩阵V_i；

步骤3-2：根据所述局部信息V_i计算相关矩阵W_i，根据所述相关矩阵W_i构造排列矩阵B：

步骤3-2-1：根据

和Z_i计算得到0-1选择矩阵S_i为：

步骤3-2-2：计算V_i的相关矩阵W_i为：

步骤3-2-3：结合S_i和W_i构造排列矩阵B为：

步骤3-3：对所述排列矩阵B对齐全局坐标得到故障信息U₀：

步骤3-3-1：计算排列矩阵B的前d+1个最小特征值(λ₁,λ₂,…,λ_d+1)及其对应的特征向量(u₁,u₂,…,u_d+1)；

步骤3-3-2：选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U₀＝[u₂,u₃,…,u_d+1]^T，U₀为

维数约减后的形式，将U₀作为故障信息；固有维度d设置过大会产生许多冗余信息，设置过小部分有用信息在进行降维时会被忽略，因此本实施例中取d＝3。

步骤3-4：对所述故障信息中的异常幅值进行均值化处理得到固有流形。具体为使用故障信息U₀中各维度的固有流形的标准差校准故障信息U₀中的异常幅值得到固有流形

固有流形

中第i维固有流形的第j个数据点

的计算方法为：

其中，u_i,j表示U₀中第i维固有流形的第j个数据点，u_i为U₀中第i维的固有流形，

为u_i的均值，N为U₀的总维数；σ_i为u_i的标准差，s为异常值判定系数，本实施例中s统一取值为6。

步骤4：对所述固有流形进行加权表示，避免了单一融合分量的片面性，使得最终的故障表示包含更丰富的故障特征信息；对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

步骤4-1：对所述固有流形进行加权表示，具体为：

对固有流形

中的第i维的固有流形

进行加权表示得到结果向量R为：

其中，λ_i为u_i所对应的特征值。

步骤4-2：对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

本发明还公开了一种增强稀疏滤波融合电机关键部件微弱故障诊断***，包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块。

所述数据获取模块采集电机关键部件的振动信号，将所述振动信号传送给所述多维故障特征信息融合源构造模块；所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和通过不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块；所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源，将所述最优多维故障特征信息融合源传送给所述固有流形提取模块；所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，将所述固有流形传送给所述故障诊断模块；所述故障诊断模块对所述固有流形进行加权表示，对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

本发明通过使用排列熵自适应的选取稀疏滤波的输入维度、输出维度，并利用

范数来遴选出故障特征构成多维故障特征信息融合源，克服了经验选取稀疏滤波维度参数引起故障特征提取效果鲁棒性差的缺点，提高故障特征提取效果的鲁棒性。同时，通过改进局部切空间排列算法对融合源进行非线性融合，并在对优化固有流形后进行加权表示，可以使故障信息更丰富，克服了融合结果异常幅值对频域表示的影响以及单一融合分量的片面性，能够有效的得到理想的电机关键部件故障冲击信息，从而更清晰、更准确地提取出电机关键部件的故障特征，实现对电机关键部件的微弱故障诊断。

为了进一步说明本发明的有益效果，本实施例中采集了如图2所示的一组轴承外圈故障振动数据，图2中上半部分是电机关键部件的原始振动信号，下半部分是对原始振动信号进行包络后得到的包络谱。如图3所示，当输入维度、输出维度为40时排列熵值最小，因此选择入维度、输出维度为40时的多维故障特征信息融合源作为最优多维故障特征信息融合源。如图4所示，在近邻点数k为15时最优多维故障特征信息融合源的排列熵值最小，因此将k为15时的固有流形进行加权表示。图5中上半部分是加权表示得到的结果向量R的示意图，图5中下半部分是对R进行包络后得到的包络谱。从图5可以看出，轴承故障冲击的时域波形清晰可辨，故障冲击的特征频率及其的倍频关系也清晰可辨，在此基础上进行的故障诊断就更精确，从而证明了本发明的有益效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于，包括：

步骤1：采集电机关键部件的振动信号，根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源；

步骤2：通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源；

步骤3：使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形；

步骤4：对所述固有流形进行加权表示，对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

2.根据权利要求1所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：根据所述振动信号构建电机关键部件的初始特征矩阵，具体为：

采集电机关键部件的振动信号

表示振动信号x属于1×N维的欧几里得空间，N表示采集到的数据点个数；

将x错a位分割成N_in维的N_s个片段构成矩阵

其中，N_s＝N-N_in+a，N_in表示增强稀疏滤波的输入维度；

随机生成初始权重矩阵

构建电机关键部件对应的初始特征矩阵F＝WX，

其中N_out表示增强稀疏滤波的输出维度。

3.根据权利要求2所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，具体为：

构造提取最优权重矩阵的目标函数C：

其中，f_i ^j表示初始特征矩阵F的第i行、第j列元素，λ为权重系数，||w_i||₂＝1表示对权重矩阵W各行进行归一化；

使用L-BFGS算法最小化目标函数C，将所述目标函数C收敛时的不同输入维度、输出维度对应的权重矩阵作为最优权重矩阵W^*。

4.根据权利要求3所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：所述使用L-BFGS算法最小化目标函数C时，优化梯度函数ΔW为：

其中，c_i表示矩阵C的行向量，c^j表示矩阵C的列向量，

为元素全为1的矩阵。

5.根据权利要求2所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：所述利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，具体为：

计算不同输入维度、输出维度所对应的故障特征矩阵F_o中每一行的

范数l_i：

其中，

表示故障特征矩阵F_o的第i行、第j列元素；

选择F_o中

范数较小的多行构成不同输入维度、输出维度所对应的多维故障特征信息融合源H_o。

6.根据权利要求2所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：所述通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源，具体为：

计算不同输入维度、输出维度所对应的多维故障特征信息融合源H_o中每一列的列均值S构成的向量的排列熵

其中，P_i是S序列重构的第i个排列的概率，m为计算排列熵值时的嵌入维数；

将最小排列熵对应的输入维度、输出维度所对应的多维故障特征信息融合源作为最优输入维度、输出维度对应的最优多维故障特征信息融合源

7.根据权利要求1-6任一项所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：所述使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，具体为：

步骤3-1：提取最优多维故障特征信息融合源

的局部信息V_i；

步骤3-2：根据所述局部信息V_i计算相关矩阵W_i，根据所述相关矩阵W_i构造排列矩阵B；

步骤3-3：对所述排列矩阵B对齐全局坐标得到故障信息U₀；

步骤3-4：对所述故障信息U₀中的异常幅值进行均值化处理得到固有流形

8.根据权利要求7所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：对所述排列矩阵B对齐全局坐标得到故障信息U₀，具体为：

步骤3-3-1：计算排列矩阵B的前d+1个最小特征值(λ₁,λ₂,…,λ_d+1)及对应的特征向量(u₁,u₂,…,u_d+1)；

步骤3-3-2：选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U₀＝[u₂,u₃,…,u_d+1]^T，将U₀作为故障信息。

9.根据权利要求7所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法，其特征在于：对所述故障信息U₀中的异常幅值进行均值化处理得到固有流形

具体为：

固有流形

中第i维固有流形的第j个数据点

的计算方法为：

其中，u_i,j表示U₀中第i维固有流形的第j个数据点，u_i为U₀中第i维的固有流形，

为u_i的均值，N为U₀的总维数；σ_i为u_i的标准差，s为异常值判定系数。

10.一种增强稀疏滤波融合电机关键部件微弱故障诊断***，其特征在于：包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块，

所述数据获取模块采集电机关键部件的振动信号，将所述振动信号传送给所述多维故障特征信息融合源构造模块；

所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵，结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵，使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵，利用

范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源，将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块；

所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源，将所述最优多维故障特征信息融合源传送给所述固有流形提取模块；

所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形，将所述固有流形传送给所述故障诊断模块；

所述故障诊断模块对所述固有流形进行加权表示，对加权表示结果进行包络分析实现对电机关键部件的故障诊断。

Images