(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 202111634135.X (22)申请日 2021.12.2 9 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 刘杨　赵晨诚　鲁欢欢　梁海英　 陈海洋　崔宁远　包魁元　尹子键　 单玥　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 代理人 李在川 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01M 13/00(2019.01) (54)发明名称 一种基于加权BP-AdaBoost的转子故障诊断 方法 (57)摘要 本发明提供一种基于加权BP ‑AdaBoost的转 子故障诊断方法， 涉及转子故障诊断领域。 利用 传感器测得转子振动信号， 从不同角度对转子状 态特征进行提取， 得到转子系统状态特征向量， 而后计算初始特征向量的方差， 根据方差值大 小， 合理地选择特征向量维度， 利用BP神经网络 作为AdaBoost算法的基分类器， 构建二值分类 器， 并通过组合若干二值分类器， 构建多分类分 类器。 针对组合式多分类分类器决策时存在的问 题， 本发明提出了基于验证样本的非模糊解系 数， 并结合K折交叉验证， 得到了加权BP ‑ AdaBoost多分类器， 完成了转子故障诊断。 通过 实验验证， 该方法在故障类型识别和故障程度 识 别中均有较好的效果。 权利要求书5页 说明书12页 附图3页 CN 114218991 A 2022.03.22 CN 114218991 A 1.一种基于加权BP ‑AdaBoost的转子故障诊断方法， 其特 征在于， 具体为： 步骤1： 提取转子状态参数和特征选择； 利用加速度传感器测得转子的振动信号， 将转 子振动信号时域、 频域和时频域的特征组合构建转子状态特征集； 并利用方差方法进行特 征选择排序， 构造低维特 征子集； 步骤2： 将步骤1得到的低维特征子集进行比例划分， 得到训练样本集C1和测试样本集 O1； 按照K折交叉验证思想对训练样 本集C1进行处理； 得到其中(K ‑1)/K为训练样 本集C， 1/K 为验证样本集V， 用矩阵Λ表示； 步骤3： 设定循环次数K， 依次选择Λ中的每一行元素， 循环到第i次时， i∈[1,K]， 得到 训练样本集C2和验证样本集V1； 通过AdaBoost算法， 得到BP ‑AdaBoost二分类模型； 利用一 对其余策略即One  Against All模式， 通过组合多个BP ‑AdaBoost二分类模型， 用以搭建M ‑ BP‑AdaBoost多分类模型； K轮 循环结束后得到K个M ‑BP‑AdaBoost多分类模型； 步骤4： 基于验证样本集V提取 K个M‑BP‑AdaBoost模型的非模糊解权 重； 步骤5： 利用步骤3建立的M ‑BP‑AdaBoost多分类模型和步骤4提取的K个M ‑BP‑AdaBoost 多分类模型的非模糊解权 重， 构建加权BP ‑AdaBoost多分类模型Model； 步骤6： 利用加权BP ‑AdaBoost多分类模型Model， 把测试样本集O1输入加权BP ‑ AdaBoost多分类模型Model中， 预测 测试样本集O1中每 个样本对应的故障标签 类别。 2.根据权利要求1所述的一种基于加权BP ‑AdaBoost的转子故障诊断方法， 其特征在 于， 所述步骤1具体为： 步骤1.1： 提取转子振动信号时域特 征； 时域特征包括： 峰值Peak、 均值Mean、 均方根Root  mean square、 峭度指标Kurtosis   factor、 裕度 指标Clearanc e factor、 波形指标Shape  factor、 脉冲 指标Impulse factor和 峰值指标Crest  factor； Peak＝max(|x|)， 用TF1表示； 用TF2表示； 用TF3表示； 用TF4表示； 用TF5表示； 用TF6表示； 用TF7表示； 用TF8表示； 式中x表示样本的振动信号， xn表示x其中的点； RMS表示均方根； N表示振动信号的采样 点数， 表示均值， σ 表示标准差， max表示 最大值； 步骤1.2： 提取转子振动信号频域特 征； 频域特征包括： 平均频率MF、 重心频率FC、 均方根频率RMFS和标准差频率RVF；权　利　要　求　书 1/5 页 2 CN 114218991 A 2用FF1表示； 用FF2表示； 用FF3表示； 用FF4表示； 式中， s表示幅值， h表示频率； sm是s其中的点； hm是h中的一 点； q表示频率 点的数量； 步骤1.3： 提取转子振动信号时频域特 征； 时频域下利用小波变换进行三层分解得到节点， 计算出每个节点的能量， 并且计算出 每个节点能量占所有节点总能量的比值； 即能量比E ＝{E1， E2， E3， E4， E5， E6， E7， E8}； 将能量比 作为时频域下的特 征； 步骤1.4： 转子状态特 征集合的构建； 将时域、 频域和时频域下的特 征进行组合， 得到转子状态特 征集合F； F＝{FF1,FF2,FF3,FF4,TF1,TF2,TF3,TF4,TF5,TF6,TF7,TF8,E1,E2,E3,E4,E5,E6,E7,E8}； 步骤1.5： 基于方差构建低维特 征子集； 对转子状态特 征集合F中的每 个特征进行方差计算如下： 其中， N表示样本数量， yi表示独立样本的单个特 征， 表示样本特 征的均值； 转子状态特征集F有M维特征， M表示特征集合F中特征的数量； 由上式(1)计算出所有特 征对应的方差， 表示 为： 式中， 表示第i个特 征的方差； 再对方差σ2进行归一 化处理， 得到 为： 式中 表示第i个特 征的归一 化方差； 根据方差值大小得到具有一定序列的特征集合， 设定方差阈值选择特征维度， 构造低 维特征子集。 3.根据权利要求1所述的一种基于加权BP ‑AdaBoost的转子故障诊断方法， 其特征在 于， 所述步骤2为： 按照K折交叉验证思想对训练样本集C1处理， 即将训练样本集C1分为样本数量相等的K 份， 表示为[ Λ1,Λ2,…,Λi,…,ΛK‑1,ΛK]， 不重复的选取其中(K ‑1)/K为训练样本集C， 1/K 为验证样本集V， 用矩阵Λ表示：权　利　要　求　书 2/5 页 3 CN 114218991 A 3