基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率，依据特征参数对不同故障的敏感度存在差异的特性，提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型，并依据BIC理论计算得到各特征参数对模型的贡献率，通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明，该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%，比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%，且该方法的时效性高，泛化性能强，能够更有效地进行复杂机械故障分类。