【CN110084316A】一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法【专

(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 201910372132.X

(22)申请日 2019.05.06

(71)申请人 安徽工业大学

地址 243002 安徽省马鞍山市湖东路59号

(72)发明人 董治麟　郑近德　潘海洋　童靳于　

刘庆运　张义方　

(74)专利代理机构 合肥顺超知识产权代理事务

所(特殊普通合伙) 34120

代理人 周发军

(51)Int.Cl.

G06K 9/62(2006.01)

G06K 9/00(2006.01)

G06N 3/00(2006.01)

(54)发明名称

一种基于精细时移多尺度排列熵与萤火虫

算法优化支持向量机的故障诊断方法

(57)摘要

本发明公开了故障诊断技术领域的一种基

于精细时移多尺度排列熵与支持向量机的故障

诊断方法，本发明的步骤为：采集待诊断物体的

原始故障振动信号；提取原始故障振动信号的精

细时移多尺度排列熵值；将故障样本分为多个训

练样本和测试样本；采用多个训练样本对基于萤

火虫优化的支持向量机多故障分类器进行训练；

采用已训练完成的多故障分类器(萤火虫算法优

化的支持向量机)对测试样本进行分类；根据分

类结果识别故障物体的工作状态和故障类型。本

发明提出的故障诊断方法在特征提取的过程中

有较高的创新性，在故障识别过程中具有较高的

识别度。权利要求书3页 说明书7页 附图4页CN 110084316 A 2019.08.02

C N 110084316

A

1.一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：包括步骤：

步骤1-1：采集待诊断物体的原始故障振动信号；

步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；

步骤1-3：将故障特征样本分为多个训练样本和测试样本；

步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；

步骤1-5：采用已训练完成的多故障特征分类器对测试样本进行分类；

步骤1-6：根据分类结果识别物体的工作状态和故障类型。

2.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-2中所测取原始故障信息的精细时移多尺度排列熵值的过程包括：

步骤2-1：对获取的原始故障振动信号进行时移粗粒化；

步骤2-2：计算同一尺度因子τ下生成的τ个符号序列的概率；

步骤2-3：对同一尺度下的所有符号概率求平均，通过信息熵的定义得到原始故障振动信号的精细时移多尺度排列熵值；

步骤2-4:对所有的尺度因子重复步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。

3.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-5中所述萤火虫算法优化的支持向量机用于对故障特征样本中各样本的工作状态和故障类型进行分类，并分别根据已经训练完成的多故障特征分类器中的每单一萤火虫算法优化的支持向量机的输出O(y)是否是+1进行判断；具体判断步骤包括：

步骤3-1：若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；

步骤3-2：若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。

4.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-1中所述时移粗粒化过程包括:

步骤4-1：对于给定的尺度因子τ和时间序列X＝{x 1,x 2,...x N }，经过时移的处理，可以

得到新的时间序列：

其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数，i表示时间序列y的第i个点；Δ(k，β)＝(N -

β)/k，是四舍五入的整数并表示上边界个数；步骤4-2：尺度因子为τ，对得到的y k ,β

中的每个序列依次进行粗粒化，

其表达式为如下：其中，j表示时间序列Z的第j个点。

权　利　要　求　书1/3页2CN 110084316 A