(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111650997.1 (22)申请日 2021.12.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 114004263 A (43)申请公布日 2022.02.01 (73)专利权人 四川大学 地址 610041 四川省成 都市一环路南 一段 24号 (72)发明人 伍剑波　黄子恒　许钊源　邱巧　 郑军　李晋航　石致远　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 代理人 陈选中 (51)Int.Cl. G06K 9/00(2022.01)G06K 9/62(2022.01) G01M 13/00(2019.01) (56)对比文件 CN 113390631 A,2021.09.14 CN 111242171 A,2020.0 6.05 CN 1084139 21 A,2018.08.17 汪朝海等.基 于经验模态分解和主成分 分析 的滚动轴承故障诊断研究. 《计量学报》 .2019,第 40卷(第6期),第107 7-1082页. 审查员 杨晓青 (54)发明名称 一种特征融合转换的大型设备工况诊断预 测方法 (57)摘要 本发明公开了一种特征融合转换的大型设 备工况诊断预测方法， 其包括采集设备各工况的 振动信号， 建立振动信号的原始振动加速度数据 集； 对原始振动加速度数据集进行降噪处理， 并 计算得到时域参数； 基于降噪后的振动加速度进 行EMD经验模态分解， 并计算得到频域参数； 通过 时域参数和频域参数构建得到训练样本数据集； 构建GBDT模型， 并将训练样本 数据集输入GBD T模 型进行训练； 提取训练后的GBD T模型中的 叶子节 点编号集合； 对叶子节点编号集合进行One ‑hot 编码处理， 得到稀疏矩阵； 将稀疏矩阵输入因子 分解机中， 得到预测结果。 本发明能够降低噪声 干扰， 得到更高的故障分辨 率。 权利要求书5页 说明书11页 附图3页 CN 114004263 B 2022.05.03 CN 114004263 B 1.一种特 征融合转换的大 型设备工况诊断预测方法， 其特 征在于， 包括以下步骤： S1、 采集设备 各工况的振动信号， 并建立振动信号的原 始振动加速度数据集； S2、 对原始振动加速度数据集进行降噪处 理， 得到降噪后的振动加速度； S3、 基于降噪后的振动加速度， 计算得到时域 参数； S4、 基于降噪后的振动加速度进行E MD经验模态分解， 得到分解后的分量； S5、 通过分解后的分量， 计算得到频域 参数； S6、 通过时域 参数和频域 参数构建得到训练样本数据集； S7、 构建GBDT模型， 并将训练样本数据 集输入GBDT模型进行训练， 得到训练后的GBDT模 型； S8、 提取训练后的GBDT模型中的叶子节点编号 集合； S9、 对叶子节点编号 集合进行One ‑hot编码处 理， 得到稀疏矩阵； S10、 将稀疏矩阵输入因子分解机中， 得到预测结果； 步骤S2的具体方法为： S2‑1、 根据公式： 去除原始振动加速度 数据集中第 h个原始振动加速度 中的直流分量， 得到第 h个去 除直流分量的第一振动加速度 ； 其中n为第h个振动加速度的数据长度； S2‑2、 根据公式： 去除第h个第一振动加速度的趋势项， 得到第 h个降噪后的振动加速度 ； 其中z为对 参数进行取值后的拟合趋势线性函数， 和 为拟合趋势线性函数的参数， 为函数 取最小值时对应的 和 的值， 表示取最小值， t为连续的时间； 步骤S2‑2中得到的第 h个降噪后的振动加速度 对应的采样时间 为： 其中e为振动加速度的原点时间， f为采样频率； 步骤S3中的时域 参数包括降噪后的振动加速度的有效值、 峭度、 方差和峰值因子； 步骤S5的具体方法为： S5‑1、 根据公式： 权　利　要　求　书 1/5 页 2 CN 114004263 B 2得到第k个分量能量值 ； 其中 为降噪后的振动加速度进行EMD经验模态分解后第 k 个分量 中数据离散点总个数， 为数据点时间间隔， 即采样频率， 表示降噪后的 振动加速度进行E MD经验模态分解后第 k个分量 中数据离 散点的序号； S5‑2、 对所有分量能量值进行排序， 选取分量能量值最大的 X个分量， 并进行快速傅里 叶变换， 得到 X个初始频谱； S5‑3、 提取X个初始频谱的最大幅值 ； S5‑4、 设置阈值， 选取幅值高于阈值时对应的频率构建 X个频率‑幅值数据集； S5‑5、 根据公式： 计算得到 X个频率‑幅值数据集中的平均幅值 ； 其中 为选取个数； 为第i2个频 率对应的幅值； S5‑6、 根据公式： 计算得到 X个频率‑幅值数据集中的均方根 值 ； 其中π为180度角； S5‑7、 选取X个频率‑幅值数据集中的幅值 最大处的频率 ； 步骤S7中建立GBDT模型的具体方法为： S7‑1、 根据公式： 初始化第一个弱学习器 ； 其中 为输入训练样本数据集 D中第h个标 记值 在综合特 征实数集 合的标记值中为0的概 率， log为以10为底的对数函数； S7‑2、 建立S棵树， 利用对数似然函数计算第 s棵树 的伪残差 ； 其中： 为输入训练样本数据集 D中的第h个综合特 征实数，e为自然对数； S7‑3、 利用cart回归树拟合数据 ， 得到第s棵回归树 ， 即第s个弱学习 器； S7‑4、 根据公式：权　利　要　求　书 2/5 页 3 CN 114004263 B 3