不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法
【專利摘要】本發(fā)明涉及一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法，該方法利用對轉速敏感性低、與振動能量無關的無量綱參數和多域信息熵來反映滾動軸承壽命狀態(tài)，融合無量綱參數與多域信息熵構建滾動軸承壽命狀態(tài)特征集，實現不同轉速下對壽命狀態(tài)的同尺度定量表征；采用壽命敏感指標算法，濾除壽命敏感性差的特征量，選取壽命敏感性好的特征量構成表征能力更強的壽命狀態(tài)敏感特征集，并采用正交鄰域保持嵌入對其進行非線性降維，去除冗余信息，獲得分類特性好的低維壽命狀態(tài)敏感特征集；再應用魯棒性好的加權最近鄰分類器實現不同壽命狀態(tài)的分類識別，最終實現不同轉速下滾動軸承壽命狀態(tài)的同尺度表征與識別。該方法能準確的在不同轉速下識別滾動軸承壽命狀態(tài)，具有較好的應用效果。
【專利說明】
不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法
技術領域
[0001] 本發(fā)明屬于滾動軸承狀態(tài)監(jiān)測與可靠性評估技術領域，設及一種不同轉速下滾動 軸承壽命狀態(tài)同尺度表征與識別方法。
【背景技術】
[0002] 滾動軸承是機械裝備中最重要的活動零部件之一，其性能退化或失效直接影響整 機性能與可靠性。重大、關鍵裝備(如風力發(fā)電機組、航空航天飛行器等)對滾動軸承的可靠 性和壽命提出了更高要求，國內外先后開展了滾動軸承高可靠長壽命研究，并進行加速壽 命實驗。而在進行滾動軸承高可靠長壽命研究過程中，必須解決的首要問題是滾動軸承壽 命狀態(tài)的有效表征和準確識別。目前，在滾動軸承壽命狀態(tài)表征與識別方面主要是在同一 轉速下提取狀態(tài)特征，而全壽命實驗一般通過提高轉速，在不同的轉速下進行加速壽命試 驗，但是不同轉速下軸承振動信號的強度、頻率結構等特征不同，難W相互比較，導致難W 進行不同轉速下的滾動軸承壽命狀態(tài)表征與識別。
[0003] 變轉速下滾動軸承壽命狀態(tài)識別，最關鍵的問題是實現不同轉速下壽命狀態(tài)的同 尺度表征。對于變轉速問題，目前主要有階次分析和時頻分析兩種方法。階次分析方法是將 時間與域的非平穩(wěn)信號轉化為角域的平穩(wěn)或循環(huán)平穩(wěn)信號，使傳統(tǒng)信號處理方法能夠重新 發(fā)揮作用。時頻分析方法能同時提供時間域與頻率域的聯合分布信息，W進行機械信號瞬 態(tài)特征的提取。然而，階次分析的方法受制于硬件和算法精度，且所獲得的階次譜在角域尺 度一致但其振動能量仍受轉速影響。時頻分析方法存在如交叉項干擾、小波基難W選擇等 問題，在轉速波動小時效果較好，但不適合于轉速波動的場合。所W，W上兩種方法由于自 身的局限性難W有效解決變轉速下滾動軸承壽命狀態(tài)的同尺度表征與識別問題。
[0004] 隨著軸承的運轉，軸承元件(如內、外滾道、保持架和滾動體)表面發(fā)生不同程度的 磨損，磨損程度即代表了軸承壽命所處壽命狀態(tài)。當軸承出現不同程度的磨損后，軸承振動 情況隨之而發(fā)生微弱改變，振動信號的運種微弱變化直接反映出了空間滾動軸承壽命狀態(tài) 衰退過程。由于不同轉速下采集得到信號的強度、頻率結構特征不同，不能直接提取與能量 有關的特征量作為壽命狀態(tài)特征集。而處于同一壽命狀態(tài)的滾動軸承在不同的轉速下的概 率密度函數曲線具有相同的特征和位置相對固定。所W，一個新的思路是綜合提取反映概 率密度曲線特征的無量綱參數和與組分概率相關的多域信息賭構成變轉速下壽命狀態(tài)特 征集，實現不同轉速下壽命狀態(tài)的同尺度表征與識別。

【發(fā)明內容】

[0005] 有鑒于此，本發(fā)明的目的在于提供一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征 與識別方法，該方法能夠在不同轉速下同尺度定量表征滾動軸承壽命狀態(tài)并對其進行準確 識別。
[0006] 為達到上述目的，本發(fā)明提供如下技術方案：
[0007] -種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法，該方法利用對轉速敏 感性低、與振動能量無關的無量綱參數(如波形指標、峭度指標、峰態(tài)指標等)和多域信息賭 (如EMD信息賭、小波時頻賭、奇異值譜賭等)來反映滾動軸承壽命狀態(tài)，融合無量綱參數與 多域信息賭構建滾動軸承壽命狀態(tài)特征集，實現不同轉速下對壽命狀態(tài)的同尺度定量表 征;采用壽命敏感指標算法，濾除壽命敏感性差的特征量，選取壽命敏感性好的特征量構成 表征能力更強的壽命狀態(tài)敏感特征集，并采用正交鄰域保持嵌入對其進行非線性降維，去 除冗余信息，獲得分類特性好的低維壽命狀態(tài)敏感特征集;再應用魯棒性好的加權最近鄰 分類器實現不同壽命狀態(tài)的分類識別，最終實現不同轉速下滾動軸承壽命狀態(tài)的同尺度表 征與識別。
[000引進一步，該方法具體包括W下步驟：
[0009] SI:提取振動信號無量綱參數和多域信息賭，融合無量綱參數和多域信息賭一共D 個特征量構建出不同轉速條件下滾動軸承壽命狀態(tài)特征集，實現不同轉速下滾動軸承壽命 狀態(tài)的同尺度定量表征；
[0010] S2:計算壽命狀態(tài)特征集中每個特征量的類間散布值和類內散布值，從而得到特 征量的壽命敏感性指標Ji，i = l，2, ???，0,其中，D表示壽命狀態(tài)特征集中特征量的個數;選 取壽命敏感性指標好的特征集得到壽命敏感特征集X= IxiGrD\ i = 1，2，…，N}，其中，Xi為 由壽命敏感特征量組成的壽命狀態(tài)樣本，D '表示敏感特征的個數，N為壽命狀態(tài)樣本數；
[0011] S3:將高維壽命狀態(tài)敏感特征集輸入正交領域保持嵌入(ONPE)進行訓練，得到映 射矩陣A及壽命狀態(tài)樣本的低維全局坐標Y= {yi G Rd，i = 1，2，…，N}，其中d為融合特征的個 數，N為壽命狀態(tài)樣本數；低維壽命狀態(tài)樣本集及其類別標簽組成加權最近鄰分類器 (WKNNC)的訓練樣本集{yi，Iih
[0012] S4:通過映射矩陣A對測試樣本壽命狀態(tài)特征集進行降維，得到低維壽命狀態(tài)特征 集，將其輸入WKNNC得到測試樣本的壽命狀態(tài)類別。
[0013] 進一步，在步驟Sl中，所述壽命狀態(tài)特征集中特征量的個數D為12，其中，9個為無 量綱參數，用于描述時域和頻域幅值概率密度曲線特征，即幅值的分布情況;3個為多域信 息賭，用于描述信號在不同特征空間中正交特征的組分概率情況。
[0014] 進一步，所述步驟S2具體包括：
[001引S21:設樣本集由C類構成，每類包含訓練樣本數為Ni,計算類內散布矩陣的跡tr {Sb}和類間散布矩陣的跡tr{Sw}，tr{SB}反映樣本集中壽命狀態(tài)特征集的特征量類內散布 值大小，tr{Sw}反映樣本集中壽命狀態(tài)特征集的特征量類間散布值大小，其中：
[OOW 類內散布矩陣Sw為：
[0017]
[0018] 式中，X/表示第j類的第i個數據特征值，Ui表示第i類特征值均值；
[0019] 類間前巧巧降Sr為：
[0020]
[0021 ]式中，UO為總體樣本的全局均值向量；
[0022] S22:根據類間散布值和類內散布值構造特征量的壽命敏感性指標J:
[0023]
[0024] 當tr{SB}越大或者化{Sw}越小時，特征的壽命敏感性指標越大;特征敏感性指標J 值越大表示對應特征分類能力越強，反之表示分類能力弱；
[0025] S23:分別計算出壽命狀態(tài)特征集中每個特征量的壽命敏感性指標JiQ = I，2,…， D)，并由大到小進行排序得到序列{ Jsl，Js2，…，Jsd} ( Jsl〉Js2>…〉JsD);
[0026] S24:計算壽命敏感性指標由大到小的序列中前一特征值壽命敏感性指標與后一 特征值壽命敏感性指標的比值JBi，即：
[0027]
[0028] JBj越大則說明前一特征值壽命敏感性指標相對于后一特征值壽命敏感性指標的 倍數越大，設當j = d時化取得最大值，則選取對應Jsl，Js2，…，Jsd的d個特征值構建出壽命 狀態(tài)敏感特征集X ={Xi G RD'，i = 1，2，…，N}，其中D '表示敏感特征的個數，Xi為由敏感特征 組成的壽命狀態(tài)樣本，N為壽命狀態(tài)樣本數。
[0029] 本發(fā)明的有益效果在于:本發(fā)明利用對轉速敏感性低、與振動能量無關的無量綱 參數(如波形指標、峭度指標、峰態(tài)指標等)和多域信息賭(如EMD信息賭、小波時頻賭、奇異 值譜賭等)來反映滾動軸承壽命狀態(tài)，融合無量綱參數與多域信息賭構建出滾動軸承壽命 狀態(tài)特征集，實現不同轉速下對壽命狀態(tài)的同尺度定量表征。同時，設計出壽命敏感指標算 法，濾除壽命敏感性差的特征量，選取壽命敏感性好的特征量構成表征能力更強的壽命狀 態(tài)敏感特征集，并采用ONPE對其進行非線性降維，去除冗余信息，獲得分類特性好的低維壽 命狀態(tài)敏感特征集。再應用魯棒性好的WKNNC實現不同壽命狀態(tài)的分類識別，最終實現不同 轉速下滾動軸承壽命狀態(tài)的同尺度表征與識別。該方法能準確的在不同轉速下識別滾動軸 承壽命狀態(tài)，具有較好的應用效果。
【附圖說明】
[0030] 為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行 說明：
[0031 ]圖1為本發(fā)明所述方法的流程圖；
[0032] 圖2為原始信號圖；
[0033] 圖3為S種特征集約簡結果。
【具體實施方式】
[0034] 下面將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0035] 圖1為本發(fā)明所述方法的流程圖，如圖所示，本發(fā)明所述方法具體包括W下步驟：
[0036] SI:提取振動信號無量綱參數和多域信息賭，融合無量綱參數和多域信息賭一共D 個特征量構建出不同轉速條件下滾動軸承壽命狀態(tài)特征集，實現不同轉速下滾動軸承壽命 狀態(tài)的同尺度定量表征；
[0037] 在本實施例中，所述時頻域特征參數的個數D為12,如表1所示;其中，9個為無量綱 參數，用于描述時域和頻域幅值概率密度曲線特征，即幅值的分布情況;3個為多域信息賭， 用于描述信號在不同特征空間中正交特征的組分概率情況。
[0038] 表1壽命狀態(tài)特征集
[0039]
[0040]
[0041] 注:式中x(n)是時域信號序列，n = l，2,……，N，N為樣本點數;s(k)是信號x(n)的 頻譜，k= 1，2，……，K，K為譜線數，fk是第k條譜線的頻率值;U為X(n)的平均值;imf功EMD分 解得到的IMF分量;Wi為小波變換得到的分量，Si為SVD得到的分量;M為對應分解得到的分量 個數。
[0042] S2:利用散布矩陣計算類間散布矩陣和類內散布矩陣的跡，然后計算敏感性指標 Ji, i = l，2,…，D，其中D表示時頻域特征參數的個數;選取敏感性指標好的特征值構建敏感 時頻域特征子集X={xiGRD'，i = l，2,…，N}，其中，Xi為由敏感特征組成的壽命狀態(tài)樣本， D'表示敏感特征的個數，N為壽命狀態(tài)樣本數;在本實施例中，具體包括W下步驟：
[0043] S21:設樣本集由C類構成，每類包含訓練樣本數為Ni,計算類間散布矩陣的跡tr {Sb}和類內散布矩陣的跡tr{Sw}，tr{SB}反映樣本集中壽命狀態(tài)特征集的特征量類間散布 值大小，tr {Sw}反映樣本集中壽命狀態(tài)特征集的特征量類內散布值大小其中：
[0044] 類間散布矩陣Sb為：
[0045]
[0046] 式中，UO為總體樣本的全局均值向量；
[0047] 苯歷掛r麻巧隨Sw責.
[004引
[0049] 式中，皆表示第j類的第i個數據特征值，Ui表示第i類特征值均值；
[0050] S22:根據類間散布值和類內散布值構造特征量的壽命敏感性指標J:
[0化1 ]
[0052] 當tr{SB}越大或者化{Sw}越小時，特征的壽命敏感性指標越大;特征敏感性指標J 值越大表示對應特征分類能力越強，反之表示分類能力弱；
[0053] S23:分別計算出壽命狀態(tài)特征集中每個特征量的壽命敏感性指標Ji( i = 1，2，…， D )，并由大到小進行排序得到序列{ Jsl，Js2，…，JsD } ( Jsl〉Js2>…〉JsD );
[0054] S24:計算壽命敏感性指標由大到小的序列中前一特征值壽命敏感性指標與后一 特征值壽命敏感性指標的比值JBj，即：
[0化5]
[0056] JBj越大則說明前一特征值壽命敏感性指標相對于后一特征值壽命敏感性指標的 倍數越大，設當j = d時化取得最大值，則選取對應Jsl，Js2，…，Jsd的d個特征值構建出壽命 狀態(tài)敏感特征集X ={Xi G RD'，i = 1，2，…，N}，其中D '表示敏感特征的個數，Xi為由敏感特征 組成的壽命狀態(tài)樣本，N為壽命狀態(tài)樣本數。
[0057] S3:將高維壽命狀態(tài)敏感特征集輸入正交領域保持嵌入（Orthogonal 化ig化orhood Preserving Embedding,ONPE)進行訓練，得到映射矩陣A及壽命狀態(tài)樣本的 低維全局坐標Y= {yi G Rd，i = 1，2，…，N}，其中d為融合特征的個數，N為壽命狀態(tài)樣本數;低 維壽命狀態(tài)樣本集及其類別標簽組成加權最近鄰分類器(WKNNC)的訓練樣本集
[005引S4:通過映射矩陣A對測試樣本壽命狀態(tài)特征集進行降維，得到低維壽命狀態(tài)特征 集，將其輸入WKNNC得到測試樣本的壽命狀態(tài)類別。
[0059] 實施例：
[0060] 在本實施例中，通過W下步驟來驗證本發(fā)明的有效性：
[0061] 第一步:接收待分析的四個壽命狀態(tài)下的多組滾動軸承的振動信號，壽命狀態(tài)如 表2dT1壽命狀態(tài)為在軸向加載化g的工況下運行3.4X IO6轉;T2壽命狀態(tài)為在軸向加載化g 的工況下運行6.7 X IO6轉;T3壽命狀態(tài)為在軸向加載化g的工況下運行1.44X IO7轉。T4壽命 狀態(tài)為在軸向加載3kg的工況下運行1.44X IO7轉。軸承運行過程中載荷越大，運轉圈數越 多則磨損越嚴重，即軸承處于不同的壽命階段，屬于不同的壽命狀態(tài)，四個壽命狀態(tài)的磨損 程度為 T1<T2<T3<T4C
[0062] 表巧自承壽命狀態(tài) 「mA3l
[0064] 四種壽命狀態(tài)的8套滾動軸承在軸向載荷為1kg，轉速分別為1000rpm、1500rpm、 2000rpm的工況下采集振動信號，采樣頻率為25600Hz，采樣長度為102400點，每個轉速下得 至化個振動信號。200化pm下四個壽命狀態(tài)的滾動軸承的滾動信號的時域波形(前1024點）及 其幅值譜如圖2所示。
[0065] 第二步:在每種轉速、每個壽命狀態(tài)下分別W2048點為一段將振動信號分成50組， 即每種轉速、每個壽命狀態(tài)下有100組振動信號。在每種轉速下四個壽命狀態(tài)中分別隨機選 取20組振動信號，即每種轉速下有80組振動信號。將1000 rpm轉速下的80組振動信號與 150化pm轉速下的40組轉速信號作為訓練樣本，將ISOOrpm轉速下剩下的40組振動信號和 20(K)rpm轉速下的80組振動信號作為測試樣本，求取每個訓練樣本和測試樣本的壽命狀態(tài) 特征集(表1所示）。
[0066] 第S步:計算出的12個特征量的壽命敏感性指標如表3所示計算得到當d =別寸JBs =5.97,則選取敏感性指標大的前8個特征量(表3黑體部分)構造成壽命狀態(tài)敏感性特征集 輸入ONPE進行維數約簡。由表3可看出敏感性最好的的特征量是峭度指標、波形指標、脈沖 指標、裕度指標、峰值指標、EMD信息賭、小波時頻賭和奇異值譜賭。
[0067]表3壽命狀態(tài)特征量的敏感性指標 [006引 L --爪 W 少；'IMrt 里'公另乂 \ I 勺丫冉 I且、
勺 yj I且、勺yj 'IK I且、yj 、'1勺、1 吟、yj 'IKIf冉 I且 / 原特征集(表1所示)構成包含有量綱參數特征集、原始特征集(表1所示)和敏感特征集輸入 ONPE進行維數約簡，為了便于觀察約簡目標維數為2,圖2是約簡結果。圖3(a)中由于包含了 受轉速影響大的有量綱參數，降維效果不佳，每個壽命狀態(tài)下訓練樣本降維后分成兩部分， 如T3壽命狀態(tài)的1000 rpm轉速下的20個訓練樣本和ISOOrpm轉速下的10個訓練樣本被分成 了兩部分，包含有量綱參數特征集不能對變轉速下滾動軸承壽命狀態(tài)進行同尺度表征。圖3 (b)、（C)是本發(fā)明所構建的原始特征集和敏感特征集降維結果。圖3(b)中，由于原特征集中 包含了較多的對軸承壽命敏感性差的特征，降維效果不佳，四個壽命狀態(tài)均有相互重疊的 情況，但未出現圖3(a)中同一壽命狀態(tài)的訓練樣本被分成兩部分的情況，說明實現了不同 轉速下壽命狀態(tài)特征集的同尺度表征。圖3(c)中，將壽命狀態(tài)敏感性低的特征量濾除后，經 過ONPE降維，四種壽命狀態(tài)被有效分離，同時獲得更好的聚類效果。
[0070] 第五步:將包含有量綱參數特征集、原始特征集(表1所示)和敏感特征集降維后的 低維壽命狀態(tài)特征集輸入WKNNC中進行識別率如表4所示。采用包含有量綱參數特征集的平 均識別率為34.2%，是由于測試樣本中有10個（占樣本數的33.3%)樣本與訓練樣本中的10 個樣本具有相同的轉速（15(K)rpm)，運部分測試樣本被準確識別，而在3000rpm轉速下的測 試樣本識別錯誤。采用原始特征集的平均識別率為61.7%，采用敏感特征集的平均識別率 達到了95%，后兩者相對于包含有量綱參數特征集識別率分別提高了27.5%和60.8%。工 程應用結果證明了本發(fā)明能在不同轉速下對滾動軸承壽命狀態(tài)進行同尺度表征和識別。
[0071] …口,1'吐山 1'
[0072]
[0073] 本實施例不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法，通過提取對轉速 敏感性低、與振動能量無關的無量綱參數(如波形指標、峭度指標、峰態(tài)指標等)和多域信息 賭(如EMD信息賭、小波時頻賭、奇異值譜賭等)來反映滾動軸承壽命狀態(tài)，融合無量綱參數 與多域信息賭構建出滾動軸承壽命狀態(tài)特征集，實現不同轉速下對壽命狀態(tài)的同尺度定量 表征。設計出壽命敏感指標算法，濾除壽命敏感性差的特征量，選取壽命敏感性好的特征量 構成表征能力更強的壽命狀態(tài)敏感特征集，并采用OWE對其進行非線性降維，去除冗余信 息，獲得分類特性好的低維壽命狀態(tài)敏感特征集。再應用魯棒性好的加WKNNC實現不同壽命 狀態(tài)的分類識別。本發(fā)明能實現不同轉速下對滾動軸承壽命狀態(tài)的同尺度表征與準確識 另IJ，充分說明了本發(fā)明的可行性和有效性。
[0074]最后說明的是，W上優(yōu)選實施例僅用W說明本發(fā)明的技術方案而非限制，盡管通 過上述優(yōu)選實施例已經對本發(fā)明進行了詳細的描述，但本領域技術人員應當理解，可W在 形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權利要求書所限定的范圍。
【主權項】
1. 一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法，其特征在于:該方法利 用對轉速敏感性低、與振動能量無關的無量綱參數和多域信息熵來反映滾動軸承壽命狀 態(tài)，融合無量綱參數與多域信息熵構建滾動軸承壽命狀態(tài)特征集，實現不同轉速下對壽命 狀態(tài)的同尺度定量表征;采用壽命敏感指標算法，濾除壽命敏感性差的特征量，選取壽命敏 感性好的特征量構成表征能力更強的壽命狀態(tài)敏感特征集，并采用正交鄰域保持嵌入對其 進行非線性降維，去除冗余信息，獲得分類特性好的低維壽命狀態(tài)敏感特征集;再應用魯棒 性好的加權最近鄰分類器實現不同壽命狀態(tài)的分類識別，最終實現不同轉速下滾動軸承壽 命狀態(tài)的同尺度表征與識別。2. 根據權利要求1所述的一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法， 其特征在于:該方法具體包括以下步驟： S1:提取振動信號無量綱參數和多域信息熵，融合無量綱參數和多域信息熵一共D個特 征量構建出不同轉速條件下滾動軸承壽命狀態(tài)特征集，實現不同轉速下滾動軸承壽命狀態(tài) 的同尺度定量表征； S2:計算壽命狀態(tài)特征集中每個特征量的類間散布值和類內散布值，從而得到特征量 的壽命敏感性指標Ji，i = l, 2，···，0,其中，D表示壽命狀態(tài)特征集中特征量的個數;選取壽 命敏感性指標好的特征集得到壽命敏感特征集X = {xieRD，i = l，2,…，N}，其中，xi為由壽 命敏感特征量組成的壽命狀態(tài)樣本，D'表示敏感特征的個數，N為壽命狀態(tài)樣本數； S3:將高維壽命狀態(tài)敏感特征集輸入正交領域保持嵌入(ONPE)進行訓練，得到映射矩 陣A及壽命狀態(tài)樣本的低維全局坐標Y= {yi e Rd，i = 1，2，…，N}，其中d為融合特征的個數，N 為壽命狀態(tài)樣本數;低維壽命狀態(tài)樣本集及其類別標簽組成加權最近鄰分類器(WKNNC)的 訓練樣本集{yi，li}; S4:通過映射矩陣A對測試樣本壽命狀態(tài)特征集進行降維，得到低維壽命狀態(tài)特征集， 將其輸入WKNNC得到測試樣本的壽命狀態(tài)類別。3. 根據權利要求2所述的一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法， 其特征在于:在步驟S1中，所述壽命狀態(tài)特征集中特征量的個數D為12，其中，9個為無量綱 參數，用于描述時域和頻域幅值概率密度曲線特征，即幅值的分布情況;3個為多域信息熵， 用于描述信號在不同特征空間中正交特征的組分概率情況。4. 根據權利要求2所述的一種不同轉速下滾動軸承壽命狀態(tài)同尺度表征與識別方法， 其特征在于:所述步驟S2具體包括： S21:設樣本集由C類構成，每類包含訓練樣本數為Ni，計算類內散布矩陣的跡tr{SB}和 類間散布矩陣的跡tr {Sw}，tr {Sb}反映樣本集中壽命狀態(tài)特征集的特征量類內散布值大小， tr{Sw}反映樣本集中壽命狀態(tài)特征集的特征量類間散布值大小，其中： 類內散布矩陣Sw為：式中，私表示第j類的第i個數據特征值，m表示第i類特征值均值； 類間散布矩陣Sb為：式中，U0為總體樣本的全局均值向量； S22:根據類間散布值和類內散布值構造特征量的壽命敏感性指標J:當tr {Sb}越大或者tr{ Sw}越小時，特征的壽命敏感性指標越大;特征敏感性指標J值越 大表示對應特征分類能力越強，反之表示分類能力弱； S23:分別計算出壽命狀態(tài)特征集中每個特征量的壽命敏感性指標Ji( i = 1,2,…，D)，并 由大到小進行排序得到序列{ Jsl，Js2，…，JsD} (Jsl>Js2>~>JsD); S24:計算壽命敏感性指標由大到小的序列中前一特征值壽命敏感性指標與后一特征 值壽命敏感性指標的比值JBj，即：JBj越大則說明前一特征值壽命敏感性指標相對于后一特征值壽命敏感性指標的倍數 越大，設當j = d時JBj取得最大值，則選取對應Jsl，Js2，…，Jsd的d個特征值構建出壽命狀態(tài) 敏感特征集X = {xieRD，i = l，2,…，N}，其中D'表示敏感特征的個數，Xi為由敏感特征組成 的壽命狀態(tài)樣本，N為壽命狀態(tài)樣本數。
【文檔編號】G06K9/00GK105956574SQ201610327375
【公開日】2016年9月21日
【申請日】2016年5月17日
【發(fā)明人】陳仁祥, 陳思楊, 楊黎霞, 楊星, 母芝驗, 董紹江, 羅家元, 殷時蓉
【申請人】重慶交通大學