CN110674892A

CN110674892A - 一种基于加权多特征融合和svm分类的故障特征筛选方法

Info

Publication number: CN110674892A
Application number: CN201911016546.5A
Authority: CN
Inventors: 戴伟; 李亚洲; 张卫方
Original assignee: Beijing University of Aeronautics and Astronautics
Current assignee: Beihang University; Beijing University of Aeronautics and Astronautics
Priority date: 2019-10-24
Filing date: 2019-10-24
Publication date: 2020-01-10

Abstract

本发明提供一种基于加权多特征融合和SVM分类的故障特征筛选方法，步骤如下：一：获取时序数据

二：提取时域(T)、频域(P)、能量(E)及熵特征(S)，形成高维特征集(Q)；三：筛选出诊断率大于50％的特征(Q1)并进行相关性分析，剔除相似度超过85％的特征(Q2)；四：通过PCA及载荷评分法选出得分最高的特征，形成新的子特征集(T3、P3、E3、S3)；五：对T3、P3、E3、S3进行SVM诊断，根据诊断率R_i得到权重W_i；六：进行特征的加权融合；七：融合后特征输入分类器进行诊断。通过以上步骤，得到一组能够维持故障内在信息的最佳特征，保证特征所代表的原始失效信息、提高故障诊断正确率，对高效进行机械故障诊断具有重要意义。

Description

一种基于加权多特征融合和SVM分类的故障特征筛选方法

技术领域

本发明涉及一种基于加权多特征融合和SVM分类的故障特征筛选方法，它利用振动信号的时域、频域、能量及熵特征等形成特定故障特征集，结合支持向量机(SVM)及主成分分析(PCA)等方法对特征进行筛选，找到能反映故障信息及失效形式的关键特征，并根据筛选结果对不同维度特征进行加权融合。适用于信号处理、机械故障诊断等技术领域。

背景技术

旋转机械是现代化工业应用非常重要的动力装置，而滚动轴承作为旋转机械中传递动力的重要元件，其运行状态与机械设备的性能状态直接相关。一旦故障产生可能对企业造成一系列影响，如生产设备停机、经济效益受损及人员伤亡事故等。因此，对轴承状态进行监测，及时发现并排除潜在故障，维护设备安全运行具有重要意义。

随着计算机技术及人工智能技术的发展，基于数据驱动的故障诊断技术飞速发展。基于数据驱动的故障诊断流程主要分为4个部分：信号采集、特征提取、特征简约和模式识别，如图2所示。目前对轴承的故障诊断主要集中于特征提取及模式识别方面，对于特征的筛选及降维研究相对较少。单一方面的特征不能够全面反映轴承故障的内在信息，而特征的维度升高虽然表征轴承的信息更加全面，但维度的升高一方面使得无效信息增多，造成诊断过程复杂性增高，另一方面不同类型的故障在轴承运行的不同阶段的适用性不同，最终使得诊断结果精度降低。

因此在特征提取结束后应对特征进行评价，在尽可能降低其数量的情况下保留能够维持关于故障内在信息的最佳特征，以便有效、高效地进行旋转机械的故障诊断具有十分重要的意义，而目前关于这方面的研究还较为薄弱，大多仅使用单一方法，如直接用PCA对特征进行筛选，不能反映样本间的差异性，且这些方法大多通过压缩的方式将多维特征降低到低维，故障特征所代表的原始失效信息丢失。基于此，本发明提供了一种基于加权多特征融合和SVM分类的故障特征筛选方法。

发明内容

(1)发明目的

在实际的旋转机械故障诊断过程中，往往依靠几个关键特征对其运行状态进行判断。故障特征的维数不断升高，会使得无效及冗余特征产生，增大了诊断过程的复杂性，影响最终诊断结果的精度。以滚动轴承为例，针对不同轴承及其不同运行状态，适用的故障特征也不尽相同。基于此，本发明提供了一种基于加权多特征融合和SVM分类的故障特征筛选方法，结合支持向量机、相关性分析等理论对特征进行筛选，并对不同类型的特征进行加权计算得到对旋转机械故障诊断的融合特征，为后续其故障诊断及寿命预测等提供相应的技术依据。

(2)技术方案

本发明提出了一种基于加权多特征融合和SVM分类的故障特征筛选方法，以滚动轴承为例通过对轴承振动信号进行信号分析，提取相应的时域特征、频域特征、能量特征及信息熵特征，建立相应的故障特征集。以此为基础，分别经过SVM技术、相关性分析技术及PCA技术对四个类型的轴承故障特征进行筛选和降维，并得出各个类型筛选后特征的诊断率，并通过加权线性融合的方法得到一个较好的故障诊断特征指标。

本发明一种基于加权多特征融合和SVM分类的故障特征筛选方法，其具体的方法步骤如下：

步骤一：利用振动加速度传感器获取待测旋转机械的振动时序数据

步骤二：计算该组数据的时域特征(T)、频域特征(P)；对数据进行小波包分解，并得出各个节点的能量特征(E)及信息熵特征(S)，根据这四类故障特征形成关于该机械的高维故障特征集(Q)；

步骤三：针对特征集中的每一个特征，采用SVM方法进行故障诊断，筛选出所有诊断成功率大于50％的故障特征(Q1)；对筛选后的四类特征分别进行相关性分析，剔除每一类型中相似度超过85％的特征(Q2)；

步骤四：新的特征集Q2仍然由四个类型的故障组成，即Q2＝T2+P2+E2+S2，对特征数大于5的某一子特征集进行主成分分析(PCA)，仅取贡献度大于90％的与轴承故障信息关联性较大的主成分k个，计算这些主成分的载荷矩阵并通过因子分析的方式选出主成分中贡献最高的3个特征，最终分别形成四个新的子特征集(T3、P3、E3、S3)，总特征集为Q3；步骤五：分别用T3、P3、E3、S3进行SVM分类诊断，得到相应的诊断成功率R_i；根据R_i可以得到子特征集的权重为W_i，相应的计算公式为：

步骤六：将特征集Q3中的四个子特征集分别乘以其相应的权重，进行加权融合，且权重之和为1；

步骤七：将加权融合后的特征输入到SVM分类器中进行训练，对旋转机械运行状态进行诊断识别，并与各类特征诊断结果进行对比。

其中，在步骤二中所述的“计算该组数据的时域特征(T)、频域特征(P)；对数据进行小波包分解，并得出各个节点的能量特征(E)及信息熵特征(S)，根据这四类故障特征形成关于该机械的高维故障特征集(Q)”，其具体作法如下：

设X为振动传感器所采集的数据点所形成的信号序列，且

其中N_s代表每个小样本内数据点个数，x_i表示第i个数据小样本；则对于“四类故障特征”，其所选取特征主要如下：

1)时域特征

时域特征指通常通过计算信号的简单统计特征量进行信号分析，主要分为有量纲、无量纲两类；主要选择其中的12种特征进行计算说明，相关计算公式如表1：

表1时域特征参数表

不同的统计特征参数所蕴含的物理信息不同，如峰值过高时，轴承往往发生表面损伤故障；均方根值往往与因轴承磨损造成的故障相关；经过筛选留下的特征，可以一定程度上代表轴承的物理失效形式；

2)频域特征

对于旋转机械，以滚动轴承为例，轴承的工作原理决定了轴承发生故障时在频域部分会产生相应的故障频率成分；信号中各频率成分变化会引起功率谱产生相应变化，通过描述功率谱中主频带的变化情况可以较好的描述轴承信号频域特征变化；频域特征中的重心频率P₁，均方根频率P₂可以描述功率谱中主频带位置的变化，频率标准差P₃用于描述谱频率的波动及分散程度；相应公式为：

其中，N_f为频谱信号长度，f_j为频率值，x_j为该频率值下所对应的信号幅值；

3)能量特征

信号中各频率成分信号的能量中包含着丰富的故障信息；当滚动旋转机械发生故障时，其振动信号相应故障特征频带能量显著增大，可以判定小波分解结果中包含故障信息的特征频带，从而判定故障类型和故障部位；采用小波包分解的方式对原始信号进行分解，其分解方法如下：

其中，h(k)为低通滤波器系数，g(k)为高通滤波器系数，x_n(t)为小波包树的第n个节点的信号，k为滤波器系数的第k个值；

x_2n(t)为x_n(t)分解后对应的低频率的信号，x_2n+1(t)为对应的高频信号；

对原始信号x进行i层小波包分解，得到小波包分解序列S_i,j(j＝1,2,…,2ⁱ)，利用二次能量型表示对应每个频带的重构信号，则小波包分解第i层第j个频带的能量谱为：

E_i,j(l)＝|x_i,j(l)|²

式中，x_i,j(k)为重构信号S_i,j的离散点幅值，j为第i层分解后的频带序号，l为采样点序号(l＝1,2,…,n)，n为信号总采样点数；则分解后最后一层各频带的能量为：

由此可得各频带组成的小波包能量谱：

4)信息熵特征

熵是对信息不确定性的度量，可以用来衡量信号分布状态的不确定性和信号复杂程度；根据信号源的整体平均特性，信息熵可以反映系统内在信息的混乱程度，因此可以通过有效的熵值大小来提取轴承故障的本质信息；在某一时间窗内信号总能量E等于各分量能量E_i,j之和；设p_j＝E_i,j/E且∑p_j＝1，则可以根据信息熵测度给出相应的小波能谱熵，即：

式中：p_j为对应能量的概率。

其中，在步骤三中所述的“针对特征集中的每一个特征，采用SVM方法进行故障诊断，筛选出所有诊断成功率大于50％的故障特征(Q1)；对筛选后的四类特征分别进行相关性分析，剔除每一类型中相似度超过85％的特征(Q2)”，其具体作法如下：

将步骤二中的得到的每一个特征，分别作为SVM分类器的输入，得到各自的诊断率，对于诊断率大于50％的特征，认为其与旋转机械的故障信息关联性较强，进行保留；对于诊断率小于50％的特征，则视为无效特征进行剔除，由此得到一次筛选后的特征集Q1(Q1＝T1+P1+E1+S1)；分别对4个子特征集进行相关性分析，得到相应的相似度，对于相似度大于85％的特征，认为其所蕴含的该旋转机械故障信息具有较大的相似性；对相似度大于85％的一组特征，仅保留在上一轮筛选中诊断率最高的特征，其与特征视为冗余特征进行剔除。

具体的，在步骤三中的“特征筛选”所使用的方法如下：

1)支持向量机

支持向量机(SVM)主要通过寻找最有分类间隔从而实现不同数据样本的分类，最终问题u在约束条件下的二次规划问题；设样本集{x_i,y_i},i＝1,2,...,N,其中x_i是第i个样本，y_i是分类标签，代表x_i的所属类别，且y_i∈{-1，+1}，则有最优分类超平面方程：

(ω·x)+b＝0

式中：ω为平面法向量，b为常数项；将寻找最优超平面的问题转化为二次规划问题:

有约束条件：y_i[(ω·x_i)+b]≥1-ε_i,ε_i≥0,i＝1,2,...,n

其中，c为惩罚参数，ε_i为松弛变量；为简化运算，引入Lagrange乘子α_i(i＝1,2,...,n)，则问题转化为:

取

为最优乘子，x为测试数据，最终可得到最优超平面函数：

将某组特征输入SVM后可以通过标签判断分类是否正确，由此得到正确的分类率；认为正确率大于50％的特征与故障信息具有较好的关联性；因此可去掉正确率不足50％的特征，即无关特征，达到第一层降维的目的；

2)相关性分析

本方法流程中的相关性分析直接利用皮尔逊公式：

其中：A,B分别代表两组特征的特征值集合；

皮尔逊公式可以计算两组特征之间的线性关系程度，取值[-1,1],当结果的绝对值越大，表明两个特征之间的相关性越高；当多组特征相互之间相关性均大于85％时，认为这些特征之间具有较强的线性相关性，只取其中一个主特征作为敏感特征，认为其余特征所表达的物理信息与主特征基本相同，是冗余特征并对其进行排除，达到第二层筛选的目的；

3)主成分分析

主成分分析方法(PCA)可以将较多的特征参数综合为少数几个代表性的特征参数，且能代表原始变量的绝大多数信息；当前两步筛选后，某一类型的特征仍然存在5个以上时，为进一步减少特征的数量，对这些特征进行进一步筛选；选取累计贡献率在90％左右的主成分作为主成分向量，即将每一类的特征精简到不高于3个；

为从主成分中获取有用的原始特征，即获得原始特征对主成分的贡献程度，求取所得原始特征的载荷矩阵，并根据原始特征分别求和，取得分高的3个特征作为本次筛选后的剩余特征，即将每一类的特征精简到不高于3个；这3个特征可以最大程度上代表本次筛选前的原始特征。

其中，在步骤四中所述的“计算这些主成分的载荷矩阵并通过因子分析的方式选出主成分中贡献最高的3个特征，最终分别形成新的四个新的子特征集(T3、P3、E3、S3)，总特征集为Q3”，其具体作法如下：

对于通过主成分分析得到的一组新的特征组(即主成分组)，由于其是高维的特征经过压缩后降维得到，每一个主成分所包含的物理信息与原特征不同，因此需要从所选取的主成分中提炼出对其影响程度最高的原始特征。计算出这些主成分的载荷矩阵，得到一组与主成分相关程度的数据组Y＝{y₁,y₂,...y_m}，m为进行主成分分析的原特征个数，其中正数表示正相关，负数表示负相关。将每个原特征的相关数取绝对值后加和，即为其最终得分：

选出得分最高的3个特征，认为其在主成分组的贡献最高，构成最终总特征集Q3的一个子特征集。

其中，在步骤六中所述的“加权融合”方式如下：

步骤四可以得到筛选后的特征集，步骤五可以将筛选后得到各类型对轴承故障的分类能力并得出权重值。将每一类特征分别乘以其相应的权重后进行加和可以得到一个能最大程度描述故障信息的特征指标。利用这种线性加权组合的方式得到的新的融合特征的计算方法如下：

M＝T3·W1+P3·W2+E3·W3+S3·W4

式中：W_i代表各子特征集的权重。

通过以上步骤，得到一组能够在尽可能降低特征数量的情况下保留能够维持关于故障内在信息的最佳特征，不仅能够保证特征所代表的原始失效信息、降低分类器的处理时间，也在一定程度上极大地提高了故障诊断的正确率，对于有效、高效地进行旋转机械的故障诊断具有十分重要的意义。

(3)本发明的优点

i.本发明针对故障提取过程中出现的特征维度过高影响故障诊断时间及精度的问题，提出的基于故障特征筛选方法，通过对四种类型故障中的每一个特征与故障进行关联，明确单个特征所能代表的故障信息能力去除无关特征，并利用相关性分析及主成分分析的方法去掉冗余特征，从而得到在尽可能降低特征数量的情况下保留能够维持关于故障内在信息及失效机理的最佳特征。利用加权线性融合的方法将四类特征进行融合计算。

ii.本发明提供了一种基于加权多特征融合和SVM的特征筛选方法，是一种指导性的特征筛选方法，该方法具有一定的开放性，根据流程中所得到的权重值及各类特征所代表的失效物理含义，可结合实际应用指导该类机械的轴承类型及进一步的特征选择偏向。

附图说明

结合附图及下面的详细描述，可更容易理解本发明的前述特征，其中

图1示出了本发明方法流程图；

图2示出了本发明轴承径向载荷加载试验台的试验与采集装置示意图；

图3示出了本发明数据驱动的故障诊断流程图；

图4示出了故障直径为0.5334mm时轴承不同状态振动信号；

图5示出了某轴承内圈故障的部分小波包分解与重构信号图；

图6示出了本发明的主成分分析累计贡献图；

图7示出了本发明故障诊断是基于预测分类图

图中序号、符号、代号说明如下：

T：T＝{t₁,t₂,...,t_n}，原始数据得到的时域特征集合；

T′：T′＝{t′₁,t′₂,...,t′_N}，特征降维后得到的时域特征集合；

P：P＝{p₁,p₂,...,p_n}，原始信号得到的频域特征集合；

P′：P′＝{p′₁,p′₂,...,p′_N}，特征降维后得到的频域特征集合；

E：E＝{e₁,e₂,…,e_n}，原始信号得到的能量特征集合；

E′：E′＝{e′₁,e′₂,…,e′_N}，特征降维后得到的能量特征集合；

S：S＝{s₁,s₂,…,s_n}，原始信号得到的信息熵特征集合；

S′：S′＝{s′₁,s′₂,...,s′_N}，特征降维后得到的信息熵特征集合；

Q：原始信号得到的特征组成的故障特征集；

R1：R1＝{r₁,r₂,...,r_n1}，单特征进行SVM分类得到的诊断成功率；

R2：R1＝{r₁,r₂,...,r_n2}，特征间的相关性指标；

W1：T′内特征进行SVM分类得到的加权值；

W2：P′内特征进行SVM分类得到的加权值；

W3：E′内特征进行SVM分类得到的加权值；

W4：S′内特征进行SVM分类得到的加权值；

M：线性加权融合后得到的融合特征；

NB：轴承正常数据；

IF：轴承正常数据；

OF：轴承正常数据；

BF：轴承正常数据；

AM：轴承振动信号的振幅，单位为g；

SSP：轴承振动信号的数据采集点；

具体实施方式

结合附图，在本发明的一个实施例中，对具体实施方法进行详细描述，但本发明不受具体实施方法的限制。

实例采用某电机滚动轴承的故障振动信号作为试验依据进行分析。轴承相关参数信息见表1。本次故障轴承通过电火花加工单点损伤，故障部位有内圈、外圈和滚动体，故障直径分别包括0.1778mm，0.3556mm，0.5334mm 3种(即故障严重程度分别为轻度故障、中度故障和重度故障)，加上正常轴承数据，每种工况下轴承数据可分为10个类型。电机空载且转速为1797r/min。

表1测试轴承参数

本发明一种基于加权多特征融合和SVM分类的轴承故障特征筛选方法，如图1所示，其具体的方法步骤如下：

步骤一，试验台及采集装置如图2所示，分别在1、2、3hp(1hp＝746W)的负荷下进行试验，由采样频率为12kHz的加速度振动传感器采集驱动端振动信号，记为X＝{x₁,x₂,...,x_n}，n代表一算采样时间内的数据点个数。3种负荷工况下的数据分别形成A、B、C三个数据集。通过电机转速和传感器采样频率可以得知，轴承完整旋转一周约采集400个数据点，为保证单个样本的长度可以完整且准确反映该状态下轴承振动信号的数据分布，故取每个样本中原始数据前120000个点，以1200个数据点为一个小样本长度，每个原始数据可产生100个样本。令前70组用于建立样本知识库，后30组为验证样本，用于检验本发明方法的有效性。选择相应的10组振动数据作为本次试验的验证，如图1所示，根据滚动轴承的不同的故障类型及严重程度，按如下步骤进行轴承的特征提取、降维及模式识别(图3)。故障数据如表2所示。

表2轴承故障信息表

当故障直径为0.5334mm时，取工况为1hp的轴承在正常状态和不同故障状态的1个样本，各自振动信号如图4所示。

步骤二：根据前面所提到的特征计算原理及公式，分别得到相应的故障特征，并形成原始特征集Q。首先选取前文所提到的12种时域指标，形成时域特征集T＝{T₁,T₂,...T₁₂}；选择重心频率P₁，均方根频率P₂及频率标准差P₃形成频域特征集P＝{P₁,P₂,P₃}。

接着选择“db5”小波对振动信号进行4层分解，得到第四层从低频到高频的16个频带的特征信号，重构小波包系数使第4层各节点信号长度与原信号相同，得到重构信号。对1hp下内圈重度故障轴承的轴承信号进行分解与重构，得到的原始信号与前四个节点的分解与重构结果如图5所示。计算第4层各个节点的频带总能量E_i(i＝1,2,...,16)和第四层总能量

形成能量特征集E＝{E₁,E₂,...,E₁₆,E_Z}；可得到不同频段的能量比p_i＝E_i/E_Z,并且据此求得信号的信息熵特征，形成信息熵特征集S＝{S₁,S₂,...,S₁₆,S_Z}。

步骤三：将上述49种特征作均一化处理，将处理后的特征参数值分别输入支持向量机SVM种进行诊断学习，可以得到相应的诊断成功率，将每一类的特征按照成功率进行排序，得到的结果如表3所示。

表3轴承单故障特征诊断率表

认为诊断率低于50％的特征与轴承故障内在信息的关联性较差，是无效特征，根据该表将这些特征剔除，仅留下诊断率大于50的特征，即表中灰色图框部分，共25个特征。

将四类特征剩余部分分别进行相关性分析，根据皮尔逊公式，任意两个特征可以求其线性相关程度，如表4。

表4轴承单故障特征相似率表

当多个特征相关性大于85％时，仅留下诊断率高的一个特征认为是主特征,其余相似特征则视为冗余特征从特征集中去除，经过计算，留下表中灰色图框部分。

步骤四：从表中可以看出，此时基于信息熵的特征仍然有7个特征剩余，剩余三类特征仅有4个。为进一步精确剩余有效特征，减少运算量，采用主成分分析(PCA)的方法对剩余信息熵特征进行处理。可以得到7个主成分及相应的累计贡献率，如表5所示。

表5轴承剩余信息熵特征PCA分析结果表

保留贡献率在90％左右的主成分特征，可以看出最终取前4个主成分(图6)。前四个主成分中包含了7种信息熵的绝大多数信息，为从4个主成分中提取有用的原始特征，需要计算出4个主成分的载荷矩阵，并根据原始特征分别求和(表6)，取得分高的3个特征作为本次降维后的剩余特征，即这三种特征可以最大程度上代表原来的7种信息熵特征。

表6各特征得分及排序情况表

根据各个特征的得分可以决定选用的信息熵特征，且最终降维所确定的特征为：1)时域：均方根值T₂、波形因子T₉；2)频域：频率标准差P₃；3)能量：小波包总能量E_Z；4)信息熵S₁、信息熵S₂、信息熵S₇。由此可形成本此案例的具体故障特征集：

A＝{T₂,T₉,P₃,E_Z,S₁,S₂,S₇}

经筛选后的特征不仅数量更加精简，且与轴承的故障故障信息关联性更高，总和该特征集能够表征本次轴承故障的绝大多数信息。

步骤五：分别计算时域、频域、能量、信息熵剩余特征的诊断成果率R_i，将四种特征再次输入支持向量机中进行诊断，得到相应的权重R₁、R₂、R₃、R₄分别为0.837、0.747、0.600、0.783，分别代表该类型特征在故障特征集中所占比重。将结果带入如下公式进行归一化处理：

得到四种特征所对应的权重W₁、W₂、W₃、W₄分别为0.2820、0.2517、0.2022、0.2640。

步骤六、七：将得到的低维故障特征集进行归一化处理，防止一些特征数据值过大将数据较小的特征冲掉，避免因量纲不同对运算结果造成影响。将归一化后的特征分别乘以相应的权重后，输入SVM分类器进行故障类别的识别。随机选取70组作为训练样本，剩下30组作为测试样本，得到轴承诊断结果准确率，结果如图7所示。将筛选后的不同类型特征分别输入SVM进行诊断，并与融合特征进行对比，得到结果如表7所示。

表7不同类特征集诊断结果对比

从结果对比我们可以看出融合后的特征不仅能够反映更加全面的信息，其最终的故障诊断率也有了很大的提升。并且在分析与处理过程中，我们也可得到本次实例所对应的故障特征集，该特征集基本去除了高维特征集中的无用特征及冗余特征，能最大程度上代表该加工工况下轴承运行中的故障信息，为相同工况下的轴承故障诊断提供一定的指导作用。

本发明提出的一种基于加权多特征融合和SVM分类的故障特征筛选方法，一方面可以通过多次不同目的的筛选，得到与轴承故障信息关联性较强的故障特征集，为后续相同工况提供指导；同时不同的故障特征所含有的物理含义，可以与轴承的相关失效形式相结合并借此对轴承的失效形式及原因进行判断。

融合后的特征也大大提高了对轴承故障诊断地判断精度，依据不同的加工工况选择响应的故障特征并进行有效结合。模型不仅适用于某一类轴承的特征筛选，还可以应用到其他机械设备的关键零部件中，为其故障诊断及寿命预测筛选出适应性更高的特征集合。本发明具有良好的拓展能力，为本技术领域的其他技术人员提供一定的借鉴作用。

Claims

1.一种基于加权多特征融合和SVM分类的故障特征筛选方法，其特征在于：其具体的方法步骤如下：

步骤四：新的特征集Q2仍然由四个类型的故障组成，即Q2＝T2+P2+E2+S2，对特征数大于5的一子特征集进行主成分分析即PCA，仅取贡献度大于90％的与轴承故障信息关联性大的主成分k个，计算这些主成分的载荷矩阵并通过因子分析的方式选出主成分中贡献最高的3个特征，最终分别形成新的四个新的子特征集即T3、P3、E3、S3，总特征集为Q3；

步骤五：分别用T3、P3、E3、S3进行SVM分类诊断，得到相应的诊断成功率R_i；根据R_i能得到子特征集的权重为W_i，相应的计算公式为：

2.根据权利要求1所述的一种基于加权多特征融合和SVM分类的故障特征筛选方法，其特征在于：

在步骤二中所述的“计算该组数据的时域特征(T)、频域特征(P)；对数据进行小波包分解，并得出各个节点的能量特征(E)及信息熵特征(S)，根据这四类故障特征形成关于该机械的高维故障特征集(Q)”，其具体作法如下：

设X为振动传感器所采集的数据点所形成的信号序列，且

其中N_s代表每个小样本内数据点个数，x_i表示第i个数据小样本；则对于“四类故障特征”，其所选取特征如下：

1)时域特征

时域特征指通常通过计算信号的简单统计特征量进行信号分析，主要分为有量纲、无量纲两类；选择其中的12种特征进行计算说明；

2)频域特征

对于旋转机械，以滚动轴承为例，轴承的工作原理决定了轴承发生故障时在频域部分会产生相应的故障频率成分；信号中各频率成分变化会引起功率谱产生相应变化，通过描述功率谱中主频带的变化情况能很好的描述轴承信号频域特征变化；频域特征中的重心频率P₁，均方根频率P₂能描述功率谱中主频带位置的变化，频率标准差P₃用于描述谱频率的波动及分散程度；相应公式为：

3)能量特征

信号中各频率成分信号的能量中包含着丰富的故障信息；当滚动旋转机械发生故障时，其振动信号相应故障特征频带能量显著增大，能判定小波分解结果中包含故障信息的特征频带，从而判定故障类型和故障部位；采用小波包分解的方式对原始信号进行分解，其分解方法如下：

E_i,j(l)＝|x_i,j(l)|²

由此得到各频带组成的小波包能量谱：

4)信息熵特征

熵是对信息不确定性的度量，能用来衡量信号分布状态的不确定性和信号复杂程度；根据信号源的整体平均特性，信息熵能反映系统内在信息的混乱程度，因此能通过有效的熵值大小来提取轴承故障的本质信息；在一时间窗内信号总能量E等于各分量能量E_i,j之和；设p_j＝E_i,j/E且∑p_j＝1，则能根据信息熵测度给出相应的小波能谱熵，即：

式中：p_j为对应能量的概率。

3.根据权利要求1所述的一种基于加权多特征融合和SVM分类的故障特征筛选方法，其特征在于：

在步骤三中所述的“针对特征集中的每一个特征，采用SVM方法进行故障诊断，筛选出所有诊断成功率大于50％的故障特征(Q1)；对筛选后的四类特征分别进行相关性分析，剔除每一类型中相似度超过85％的特征(Q2)”，其具体作法如下：将步骤二中的得到的每一个特征，分别作为SVM分类器的输入，得到各自的诊断率，对于诊断率大于50％的特征，认为其与旋转机械的故障信息关联性强，进行保留；对于诊断率小于50％的特征，则视为无效特征进行剔除，由此得到一次筛选后的特征集Q1(Q1＝T1+P1+E1+S1)；分别对4个子特征集进行相关性分析，得到相应的相似度，对于相似度大运85％的特征，认为其所蕴含的该旋转机械故障信息具有较大的相似性；对相似度大于85％的一组特征，仅保留在上一轮筛选中诊断率最高的特征，其与特征视为冗余特征进行剔除；

具体的，在步骤三中的“特征筛选”所使用的方法如下：

1)支持向量机

(ω·x)+b＝0

有约束条件：y_i[(ω·x_i)+b]≥1-ε_i,ε_i≥0,i＝1,2,...,n

取

为最优乘子，x为测试数据，最终得到最优超平面函数：

将一组特征输入SVM后能通过标签判断分类是否正确，由此得到正确的分类率；认为正确率大于50％的特征与故障信息具有较好的关联性；因此去掉正确率不足50％的特征，即无关特征，达到第一层降维的目的；

2)相关性分析

本方法流程中的相关性分析直接利用皮尔逊公式：

其中：A,B分别代表两组特征的特征值集合；

皮尔逊公式能计算两组特征之间的线性关系程度，取值[-1,1],当结果的绝对值越大，表明两个特征之间的相关性越高；当多组特征相互之间相关性均大于85％时，认为这些特征之间具有较强的线性相关性，只取其中一个主特征作为敏感特征，认为其余特征所表达的物理信息与主特征基本相同，是冗余特征并对其进行排除，达到第二层筛选的目的；

3)主成分分析

主成分分析方法即PCA能将较多的特征参数综合为少数几个代表性的特征参数，且能代表原始变量的绝大多数信息；当前两步筛选后，一类型的特征仍然存在5个以上时，为进一步减少特征的数量，对这些特征进行进一步筛选；选取累计贡献率在90％左右的主成分作为主成分向量，即将每一类的特征精简到不高于3个；

为从主成分中获取有用的原始特征，即获得原始特征对主成分的贡献程度，求取所得原始特征的载荷矩阵，并根据原始特征分别求和，取得分高的3个特征作为本次筛选后的剩余特征，即将每一类的特征精简到不高于3个；这3个特征能最大程度上代表本次筛选前的原始特征。

4.根据权利要求1所述的一种基于加权多特征融合和SVM分类的故障特征筛选方法，其特征在于：

在步骤四中所述的“计算这些主成分的载荷矩阵并通过因子分析的方式选出主成分中贡献最高的3个特征，最终分别形成新的四个新的子特征集(T3、P3、E3、S3)，总特征集为Q3”，其具体作法如下：

对于通过主成分分析得到的一组新的特征组即主成分组，由于其是高维的特征经过压缩后降维得到，每一个主成分所包含的物理信息与原特征不同，因此需要从所选取的主成分中提炼出对其影响程度最高的原始特征；计算出这些主成分的载荷矩阵，得到一组与主成分相关程度的数据组Y＝{y₁,y₂,...y_m}，m为进行主成分分析的原特征个数，其中正数表示正相关，负数表示负相关；将每个原特征的相关数取绝对值后加和，即为其最终得分：

5.根据权利要求1所述的一种基于加权多特征融合和SVM分类的故障特征筛选方法，其特征在于：

在步骤六中所述的“加权融合”方式如下：

步骤四能得到筛选后的特征集，步骤五能将筛选后得到各类型对轴承故障的分类能力并得出权重值；将每一类特征分别乘以其相应的权重后进行加和能得到一个能最大程度描述故障信息的特征指标；利用这种线性加权组合的方式得到的新的融合特征的计算方法如下：

M＝T3·W1+P3·W2+E3·W3+S3·W4

式中：W_i代表各子特征集的权重。