1F1UF6UF71N0UF3UF4UF5
[0064]標準差特征-N01F31F41F71F1UF2UF5UF6
[0065]積分特征-F21F1UF6UF71N0UF3UF4UF5
[0066]最小值特征-N01F31F1UF2UF4UF5UF6UF7
[0067]極差特征-N01F31F1UF2UF4UF5UF6UF7
[0068](2)有些特征能夠大致將各種軸心軌跡劃分為幾類而無法進一步細化識別，包括:
[0069]斜度特征-F4Uf5IN0UF1UF2UF3UF6UF7
[0070]極角單調特征！NqUfiUF3UF4IF2UF5UF6UF7[0071 ] (3)有些特征無法支持軸心軌跡識別，包括:
[0072]峰度特征!N0UfiUF2UF3UF4UF5UF6UF7
[0073]最大值特征!N0UfiUF2UF3UF4UF5UF6UF7
[0074]7 個 Hu 不變矩特征！NqUfiUF2UF3UF4UF5UF6UF7
[0075]依據所述智能識別方法，排除峰度、最大值和7個Hu不變矩這9個無法支持軸心軌跡識別的特征，可以得出特征匹配排序為[標準差，致密性，面積，圓形度，最小值，極差，偏心率，周長，均值，積分，矩形度，斜度，極角單調]。
[0076]依據所述智能識別方法，優選聚類分析算法作為特征匹配算法，進行多輪特征匹配:
[0077]第I輪依據標準差特征識別出待識別軸心軌跡是否為這4種模式(FpF2, F5, ^這4種模式無法進一步細化識別)；
[0078]第2輪依據致密性特征進一步識別出待識別軸心軌跡是否為匕、F2 $5和F 6無法進一步細化識別)；
[0079]第3輪依據面積特征分布的差異性進一步識別出待識別軸心軌跡是否為匕和F6。
[0080]至此，8種故障模式能夠完全被區分，待識別軸心軌跡能夠得到唯一的模式識別結論。本實施例實際執行的特征組合和匹配順序為:[標準差，致密性，面積]，實際執行的特征匹配次數為3次，識別率達到100%。
[0081]最后應說明的是:以上所述僅為發明的一種實施例而已，并不用于限制發明，盡管參照前述實施例對發明進行了詳細的說明，對于本領域的技術人員來說，其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換。凡在發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在發明的保護范圍之內。
【主權項】
1.一種基于特征有效性分析的軸心軌跡智能識別方法，包括: 步驟I)、對軸心軌跡正常及故障的樣本數據進行識別，提取出N個特征參數，建立N個被選特征參數的可識別故障集Fi, i = 1,2,3……N; 步驟2)、計算第i個被選特征參數能夠識別的j種混合模式的數量Μ。，其中I ^ i ^ N, I ^ j ^ N，每種混合模式無法進行進一步細化識別，并且; 步驟3)、在每一種混合模式下，對Mi;j進行大小排序，以作為特征匹配順序； 步驟4)、輸入待識別的軸心軌跡，并對該軸心軌跡按照N個特征參數進行提取特征，得到fi; 步驟5)、根據步驟3)中得到的Miij排序，對f 1進行特征匹配。
2.如權利要求1所述的方法，其特征在于，還包括步驟6)、對步驟5)中的特征匹配，首先執行第I輪特征匹配，特征匹配優選為聚類分析算法，按照第k個特征分布范圍，如果待識別軸心軌跡的fk在第i個模式的第k個特征分布范圍內，且第i個模式是第k個特征能夠準確識別的單一模式，則可以判斷待識別軸心軌跡為第i個模式，識別結束；如果待識別軸心軌跡的fk不在第i個模式的第k個特征分布范圍內，且第i個模式是第k個特征能夠準確識別的單一模式，則可以判斷待識別軸心軌跡不是第i個模式；如果待識別軸心軌跡的fk在第k個特征能夠識別的多種模式混合范圍(多種模式無法進一步細化識別)內，則記錄下該混合模式集；最后分別得到第I輪待識別軸心軌跡的可能混合模式集UjP不可能模式集Wp
3.如權利要求2所述的方法，其特征在于，還包括步驟7)、對步驟6)中的特征匹配，執行下一輪特征匹配，在步驟6)的基礎上，按照第P個特征分布范圍，如果待識別軸心軌跡的fp在第w個模式的第P個特征分布范圍內，且第w個模式是第P個特征能夠準確識別的單一模式，則可以判斷待識別軸心軌跡為第w個模式，識別結束；如果待識別軸心軌跡的&不在第w個模式的第P個特征分布范圍內，且第w個模式是第P個特征能夠準確識別的單一模式，則可以判斷待識別軸心軌跡不是第w個模式，并在步驟6)得到的不可能模式集W1*進行補充追加，得到第2輪的不可能模式集W2;如果待識別軸心軌跡的^在第P個特征能夠識別的多種模式混合范圍內，則記錄下該混合模式集U，并對該模式集U與(6)得到的可能混合模式集U1求交集，作為第2輪的可能混合模式集U 2。
4.如權利要求3所述的方法，其特征在于，還包括步驟8)、重復步驟7)，直到待識別軸心軌跡完成了 N次特征匹配時，運算結束；或者，當可能混合模式集仏最多包含I個模式，且不可能故障模式集Wn包含了其它N-1個模式時，表示已經完全識別出軸心軌跡，識別結束；第η輪特征匹配得到的可能混合模式集Un和不可能模式集Wn為最終識別結論，l^n^N；待識別軸心軌跡識別結論為可能混合模式集中的對應模式。
5.如權利要求1至4任一項所述的方法，其特征在于，在執行步驟I)之前，首先要對對軸心軌跡正常及故障的樣本數據進行預處理，將軸心軌跡在極坐標系下用(0，R)坐標描述，將軸心軌跡的中心置于極坐標中心，并對極徑R進行歸一化，將極角轉換到[0，2π]范圍內。
6.如權利要求1至5任一項所述的方法，其特征在于，所述N個特征參數優選為面積、周長、致密性、圓形度、矩形度、偏心率、形狀參數、均值、標準差、積分、斜度、峰度、最大值、最小值、極差、I倍頻能量、2倍頻能量、3倍頻能量、極角進動方向、極角單調性和7個Hu不變矩這27種特征中的至少I種，但也可為其他特征參數，如故障特征頻率、故障特征頻率能里寺。
7.如權利要求1至6任一項所述的方法，其特征在于，特征匹配算法優選為聚類分析算法，但也可為其他分析方法，如閾值判別法、智能學習法、特征匹配法、特征智能學習法等。
8.如權利要求1至7任一項所述的方法，其特征在于，在進行特征識別時，優選數量最少的有效特征參數，以最優化的特征匹配順序進行軸心軌跡識別，對軸心軌跡進行特征匹配的次數不大于特征參數數量N。
9.如權利要求1至8任一項所述的方法，其特征在于，步驟2)中，優選的，計算第i個特征參數能夠準確識別的單一模式的數量為Μμ，能夠識別的2種混合模式的數量為Mi^并且這2種模式無法進一步區分，以此類推，能夠識別的j種混合模式的數量為Μ。，并且這j種模式無法進一步細化識別；當MiiA I時，說明第i個特征參數對全部N種模式無法進一步細化識別，即對軸心軌跡識別無效，可直接從N個特征中剔除對應特征。
10.如權利要求1至9任一項所述的方法，其特征在于，步驟3)中，在進行排序時，對N個特征參數的Μ。按照相同j分別進行大小排序，j = 1，2，…，N ;假設Mu為M u中的最大值，則將第k個特征作為第I個參與特征匹配的特征，l^k^N ;假設Mr2為M u中的最大值，則將第P個特征作為第2個參與特征匹配的特征，KpSN;以此類推，假設My為M , j中的最大值，則將第q個特征作為第j個參與特征匹配的特征，l^q^No
【專利摘要】一種基于特征有效性分析的軸心軌跡智能識別方法，包括：對軸心軌跡正常及故障的樣本數據進行識別，提取出N個特征參數，建立N個被選特征參數的可識別故障集Fi；計算第i個被選特征參數能夠識別的j種混合模式的數量Mi,j，每種混合模式無法進行進一步細化識別，并且Mi,j>1；在每一種混合模式下，對Mi,j進行大小排序，以作為特征匹配順序；輸入待識別的軸心軌跡，并對該軸心軌跡按照N個特征參數進行提取特征，得到fi；對得到的Mi,j排序，對fi進行特征匹配。所述智能識別方法優選數量最少的有效特征參數，以最優化的特征匹配順序進行軸心軌跡識別，結合優選的聚類分析算法進行特征匹配，軸心軌跡識別率高，運算速度快。
【IPC分類】G06K9-62
【公開號】CN104834936
【申請號】CN201510209617
【發明人】楊露, 楊海濤
【申請人】楊露
【公開日】2015年8月12日
【申請日】2015年4月28日