(19)國(guó)家知識(shí)產(chǎn)權(quán)局有限公司61291一種基于多源信號(hào)的直拉硅單晶爐升降絲本申請(qǐng)?zhí)岢鲆环N基于多源信號(hào)的直拉硅單多個(gè)振動(dòng)歸一化數(shù)據(jù)集和多個(gè)位移歸一化數(shù)據(jù)集；利用所有歸一化數(shù)據(jù)集構(gòu)建融合數(shù)據(jù)信息；21.一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征在于，該方法包分別對(duì)所述振動(dòng)信息和所述位移信息依次進(jìn)行信息劃分和歸一化處理，分別得到每個(gè)對(duì)所述融合數(shù)據(jù)信息依次進(jìn)行粗?；貥?gòu)、時(shí)間序列重構(gòu)、排從所有所述融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，并利用所述融2.根據(jù)權(quán)利要求1所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征將所述振動(dòng)信息劃分為多階段振動(dòng)信息序列，并將所述位移信息劃分為多階段位移信分別對(duì)所述多階段振動(dòng)信息序列和所述多階段位移信息序列進(jìn)行所述歸一化處理，分3.根據(jù)權(quán)利要求2所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征利用所有所述振動(dòng)歸一化數(shù)據(jù)集計(jì)算振動(dòng)故障敏感系數(shù)，利用所有所述位移歸一化數(shù)據(jù)集計(jì)算位移故障敏感系數(shù)，并利用所述位移故障敏感系利用所有所述振動(dòng)權(quán)重分配的結(jié)果和所有所述位移權(quán)重分4.根據(jù)權(quán)利要求3所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征3其中，F(xiàn)(t)表示第t時(shí)刻的融合數(shù)據(jù)信息，W1表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集的振動(dòng)權(quán)重，D(t)表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集，W2表示第t時(shí)刻的位移歸一化數(shù)據(jù)集的位移權(quán)5.根據(jù)權(quán)利要求1所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征在于，所述對(duì)所述融合數(shù)據(jù)信息依次進(jìn)行粗?；貥?gòu)、時(shí)間序列重構(gòu)、排列熵值計(jì)算和歸一化操作，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的融合熵值的步驟包括：利用滑動(dòng)粗粒化方法對(duì)所述融合數(shù)據(jù)信息進(jìn)行所述粗粒化重構(gòu)，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的粗粒化序列；分別對(duì)所有所述粗粒化序列進(jìn)行所述時(shí)間序列重構(gòu)，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的時(shí)間序列；按照從小到大的順序，分別將所有所述時(shí)間序列進(jìn)行升序排列，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的符號(hào)序列，并分別計(jì)算所有所述符號(hào)序列的每種排列方式出現(xiàn)的概率，根據(jù)所有所述排列方式出現(xiàn)的概率，分別計(jì)算每個(gè)所述尺度因子對(duì)應(yīng)的排列熵值；分別對(duì)所有所述排列熵值進(jìn)行所述歸一化操作，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的融合熵值；其中，所述粗?；蛄械拈L(zhǎng)度與所述多階段振動(dòng)信息序列或所述多階段位移信息序列的長(zhǎng)度相等。6.根據(jù)權(quán)利要求5所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征在于，所述利用滑動(dòng)粗粒化方法對(duì)所述融合數(shù)據(jù)信息進(jìn)行所述粗?；貥?gòu)，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的粗粒化序列的步驟包括：在進(jìn)行所述粗粒化重構(gòu)的過(guò)程中引入滑動(dòng)窗口，令所述滑動(dòng)窗口的大小與所述尺度因子的大小相等，將所述滑動(dòng)窗口的時(shí)間步長(zhǎng)設(shè)置為1,其中，所述滑動(dòng)窗口的大小用w表示，所述滑動(dòng)窗口的時(shí)間步長(zhǎng)用s表示，所述尺度因子的大小用t表示，w=T,s=1;對(duì)于給定的所述融合數(shù)據(jù)信息，所述滑動(dòng)窗口從所述融合數(shù)據(jù)信息的起始位置開(kāi)始滑動(dòng)，每次滑動(dòng)一個(gè)所述時(shí)間步長(zhǎng)，直至所述滑動(dòng)窗口的尾端到達(dá)所述融合數(shù)據(jù)信息的末尾；在所述滑動(dòng)窗口的覆蓋范圍內(nèi)，分別對(duì)所述滑動(dòng)窗口內(nèi)的所有融合數(shù)據(jù)進(jìn)行滑動(dòng)粗粒化處理，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的粗?；蛄?。7.根據(jù)權(quán)利要求6所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征其中，yn,表示在尺度因子為τ時(shí)，滑動(dòng)窗口經(jīng)過(guò)第n次滑動(dòng)后得到的第j個(gè)粗?；瘮?shù)據(jù)，N表示融合數(shù)據(jù)信息的長(zhǎng)度，j+T-1表示滑動(dòng)窗口當(dāng)前滑動(dòng)的結(jié)束索引，N-t+1表示滑動(dòng)窗口最后一次滑動(dòng)的開(kāi)始索引，xi表示融合數(shù)據(jù)信息中第i個(gè)融合數(shù)據(jù)，n表示滑動(dòng)窗口的第n次滑動(dòng)，t-1表示滑動(dòng)窗口的最大滑動(dòng)次數(shù)。8.根據(jù)權(quán)利要求6所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征其中，Y表示在尺度因子為τ時(shí)的第L個(gè)時(shí)間序列，b表示延遲時(shí)間，q表示時(shí)間序列的嵌49.根據(jù)權(quán)利要求6所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征10.根據(jù)權(quán)利要求1所述基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，其特征利用主成分分析法從所有所述融合熵值中提取多個(gè)所述融將所述融合熵值特征集劃分為訓(xùn)練集和測(cè)試集，所述訓(xùn)練集和所述測(cè)試集的比例為7:3或8:2或6:4;利用所述訓(xùn)練集對(duì)所述支持向量機(jī)模型進(jìn)行訓(xùn)練，并利用5技術(shù)領(lǐng)域[0001]本申請(qǐng)涉及直拉硅單晶爐故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，屬于分類號(hào)G06F18/213項(xiàng)內(nèi)。背景技術(shù)[0002]目前，硅單晶在工業(yè)領(lǐng)域得到廣泛應(yīng)用，直拉法成為制備硅單晶的主流方法。整個(gè)制備過(guò)程在專用的直拉硅單晶爐中進(jìn)行。在制備過(guò)程中，坩堝升降機(jī)構(gòu)扮演著重要角色，它負(fù)責(zé)在硅單晶生長(zhǎng)過(guò)程中精確控制坩堝的位置，以維持硅溶液的液位的穩(wěn)定性和熱場(chǎng)的均勻性，進(jìn)而確保所制備的硅單晶具備高品質(zhì)和高良品率。坩堝升降機(jī)構(gòu)的核心傳動(dòng)部件是升降絲杠，可以通過(guò)旋轉(zhuǎn)升降絲杠來(lái)驅(qū)動(dòng)坩堝的垂直運(yùn)動(dòng)。然而，長(zhǎng)時(shí)間、高負(fù)載的操作可能會(huì)使升降絲桿因潤(rùn)滑不足、磨損或點(diǎn)蝕等問(wèn)題出現(xiàn)故障，而這些問(wèn)題都可能對(duì)硅單晶的品質(zhì)造成不利影響。因此，對(duì)升降絲杠進(jìn)行有效的故障診斷和維護(hù)，對(duì)于確保直拉硅單晶爐的穩(wěn)定運(yùn)行和制備出高品質(zhì)的硅單晶至關(guān)重要。[0003]傳統(tǒng)的升降絲杠故障診斷方法往往依賴于單一類型的傳感器所采集的數(shù)據(jù)信息，例如，通過(guò)振動(dòng)傳感器采集振動(dòng)信號(hào)，利用位移傳感器采集位移信號(hào)等，因而無(wú)法全面捕捉到故障的復(fù)雜特征。為了提高故障診斷的準(zhǔn)確性和魯棒性，可以將直拉硅單晶爐中升降絲杠的振動(dòng)信號(hào)和位移信號(hào)進(jìn)行融合，將融合結(jié)果作為輸入數(shù)據(jù)集，并結(jié)合排列熵值算法來(lái)進(jìn)行故障檢測(cè)，但這類方法存在如下問(wèn)題：[0004]首先，采用單尺度熵值來(lái)進(jìn)行故障檢測(cè)，往往難以有效捕捉到信號(hào)在不同時(shí)間尺度上的動(dòng)態(tài)變化；[0005]其次，采用多尺度熵值來(lái)進(jìn)行故障檢測(cè)，雖然能夠在多個(gè)時(shí)間尺度上量化信號(hào)的復(fù)雜度，但在傳統(tǒng)粗粒化過(guò)程中，隨著尺度因子的增加，粗?；蟮男蛄虚L(zhǎng)度會(huì)明顯減小；并且在較高的時(shí)間尺度上，序列可能變得過(guò)于短暫，無(wú)法保證熵值的可靠性；[0006]再次，熵值的計(jì)算往往依賴于對(duì)序列中的模式進(jìn)行識(shí)別，對(duì)于較短的序列而言，很可能因無(wú)法提供足夠的信息來(lái)對(duì)這些模式進(jìn)行準(zhǔn)確評(píng)估，從而影響了熵值的穩(wěn)定性和可靠[0007]因此，有必要提出一種方案以改善上述相關(guān)技術(shù)方案中存在的一個(gè)或者多個(gè)問(wèn)[0008]需要說(shuō)明的是，在上述背景技術(shù)部分公開(kāi)的信息僅用于加強(qiáng)對(duì)本申請(qǐng)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。發(fā)明內(nèi)容[0009]本申請(qǐng)實(shí)施例提供一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，該方法包括以下步驟：[0010]采集直拉硅單晶爐升降絲杠的振動(dòng)信息和位移信息；[0011]分別對(duì)所述振動(dòng)信息和所述位移信息依次進(jìn)行信息劃分和歸一化處理，分別得到6每個(gè)尺度因子對(duì)應(yīng)的振動(dòng)歸一化數(shù)據(jù)集和位移歸一化數(shù)據(jù)集；[0012]利用所有所述振動(dòng)歸一化數(shù)據(jù)集和所有所述位移歸一化數(shù)據(jù)集，構(gòu)建融合數(shù)據(jù)信[0013]對(duì)所述融合數(shù)據(jù)信息依次進(jìn)行粗?；貥?gòu)、時(shí)間序列重構(gòu)、排列熵值計(jì)算和歸一化操作，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的融合熵值；[0014]從所有所述融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，并利用所述融合熵值特征集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證，得到故障診斷模型；[0015]利用所述故障診斷模型對(duì)所述直拉硅單晶爐升降絲杠進(jìn)行故障診斷。[0016]本申請(qǐng)的一示例性實(shí)施例中，所述分別對(duì)所述振動(dòng)信息和所述位移信息依次進(jìn)行信息劃分和歸一化處理，分別得到每個(gè)尺度因子對(duì)應(yīng)的振動(dòng)歸一化數(shù)據(jù)集和位移歸一化數(shù)據(jù)集的步驟包括：[0017]將所述振動(dòng)信息劃分為多階段振動(dòng)信息序列，并將所述位移信息劃分為多階段位移信息序列，其中，所述多階段振動(dòng)信息序列包含加速階段振動(dòng)子序列、勻速階段振動(dòng)子序列和減速階段振動(dòng)子序列；所述多階段位移信息序列包含加速階段位移子序列、勻速階段位移子序列和減速階段位移子序列；[0018]分別對(duì)所述多階段振動(dòng)信息序列和所述多階段位移信息序列進(jìn)行所述歸一化處理，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的所述振動(dòng)歸一化數(shù)據(jù)集和所述位移歸一化數(shù)據(jù)集。[0019]本申請(qǐng)的一示例性實(shí)施例中，所述利用所有所述振動(dòng)歸一化數(shù)據(jù)集和所有所述位移歸一化數(shù)據(jù)集，構(gòu)建融合數(shù)據(jù)信息的步驟包括：[0020]利用所有所述振動(dòng)歸一化數(shù)據(jù)集計(jì)算振動(dòng)故障敏感系數(shù)，并利用所述振動(dòng)故障敏感系數(shù)分別對(duì)所有所述振動(dòng)歸一化數(shù)據(jù)集進(jìn)行振動(dòng)權(quán)重分配；[0021]利用所有所述位移歸一化數(shù)據(jù)集計(jì)算位移故障敏感系數(shù)，并利用所述位移故障敏感系數(shù)分別對(duì)所有所述位移歸一化數(shù)據(jù)集進(jìn)行位移權(quán)重分配；[0022]利用所有所述振動(dòng)權(quán)重分配的結(jié)果和所有所述位移權(quán)重分配的結(jié)果，將所有所述振動(dòng)歸一化數(shù)據(jù)集和所有所述位移歸一化數(shù)據(jù)集進(jìn)行融合，得到所述融合數(shù)據(jù)信息。[0023]本申請(qǐng)的一示例性實(shí)施例中，所述故障敏感系數(shù)的表達(dá)式為：[0025]其中，index表示故障敏感系數(shù)，所述故障敏感系數(shù)為所述振動(dòng)故障敏感系數(shù)或所述位移故障敏感系數(shù)，f當(dāng)前表示升降絲杠在當(dāng)前工作狀態(tài)時(shí)的歸一化數(shù)據(jù)集，f正常表示升降絲杠在正常工作狀態(tài)時(shí)的歸一化數(shù)據(jù)集，所述歸一化數(shù)據(jù)集為所述振動(dòng)歸一化數(shù)據(jù)集或所述位移歸一化數(shù)據(jù)集；[0026]所述融合數(shù)據(jù)信息的表達(dá)式為：[0028]其中，F(xiàn)(t)表示第t時(shí)刻的融合數(shù)據(jù)信息，W1表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集的振動(dòng)權(quán)重，D(t)表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集，W?表示第t時(shí)刻的位移歸一化數(shù)據(jù)集的位移權(quán)重，d(t)表示第t時(shí)刻的位移歸一化數(shù)據(jù)集。[0029]本申請(qǐng)的一示例性實(shí)施例中，所述對(duì)所述融合數(shù)據(jù)信息依次進(jìn)行粗?；貥?gòu)、時(shí)間序列重構(gòu)、排列熵值計(jì)算和歸一化操作，分別得到每個(gè)所述尺度因子對(duì)應(yīng)的融合熵值的7述尺度因子對(duì)應(yīng)的符號(hào)序列，并分別計(jì)算所有所述符號(hào)序列的每種排列方式出現(xiàn)的概率，8[0050]其中，Pg表示符號(hào)序列的第9種排列方式出現(xiàn)的概率，表示按照升序排列的符號(hào)序列的所有實(shí)際排列方式出現(xiàn)的總概率為1;[0051]計(jì)算所述排列熵值的表達(dá)式為：[0054]所述融合熵值的表達(dá)式為：[0057]本申請(qǐng)的一示例性實(shí)施例中，所述從所有所述融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，并利用所述融合熵值特征集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證，得到故障診斷模型的步驟包括：[0058]利用主成分分析法從所有所述融合熵值中提取多個(gè)所述融合熵值特征，組成所述融合熵值特征集；[0059]將所述融合熵值特征集劃分為訓(xùn)練集和測(cè)試集，所述訓(xùn)練集和所述測(cè)試集的比例為7:3或8:2或6:4;[0060]利用所述訓(xùn)練集對(duì)所述支持向量機(jī)模型進(jìn)行訓(xùn)練，并利用所述測(cè)試集對(duì)訓(xùn)練好的所述支持向量機(jī)模型進(jìn)行驗(yàn)證，得到所述故障診斷模。[0061]有益效果：[0062]本申請(qǐng)?zhí)峁┮环N基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，至少具有以下有益效果：[0063](1)本申請(qǐng)通過(guò)融合直拉硅單晶爐升降絲杠的振動(dòng)信息和位移信息，能夠更加充分的描述升降絲杠的運(yùn)行狀態(tài)，豐富了升降絲杠的狀態(tài)信息；[0064](2)本申請(qǐng)通過(guò)在傳統(tǒng)粗粒化過(guò)程中添加滑動(dòng)窗口，設(shè)計(jì)出滑動(dòng)粗?；椒?，從而能夠提取出不同尺度因子對(duì)應(yīng)的升降絲杠的運(yùn)行狀態(tài)特征，增強(qiáng)了對(duì)噪聲的抵抗能力；[0065](3)本申請(qǐng)通過(guò)計(jì)算不同尺度因子對(duì)應(yīng)的融合熵值，并利用主成分分析法從所有融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，從而降低了融合熵值特征的維附圖說(shuō)明[0066]此處的附圖被并入說(shuō)明書(shū)中并構(gòu)成本說(shuō)明書(shū)的一部分，示出了符合本申請(qǐng)的實(shí)施例，并與說(shuō)明書(shū)一起用于解釋本申請(qǐng)的原理。顯而易見(jiàn)的，下面描述中的附圖僅僅是本申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0067]圖1示出本申請(qǐng)示例性實(shí)施例中一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法的步驟示意圖；[0068]圖2示出本申請(qǐng)示例性實(shí)施例中在尺度因子t=2時(shí)滑動(dòng)粗粒化方法的過(guò)程示意9[0069]圖3示出本申請(qǐng)仿真實(shí)驗(yàn)中利用傳統(tǒng)粗?；椒ㄔ诓煌叨纫蜃訒r(shí)進(jìn)行粗?；貥?gòu)的示意圖；[0070]圖4示出本申請(qǐng)仿真實(shí)驗(yàn)中利用滑動(dòng)粗?；椒ㄔ诓煌叨纫蜃訒r(shí)進(jìn)行粗?；貥?gòu)的示意圖；[0071]圖5示出本申請(qǐng)仿真實(shí)驗(yàn)中采用傳統(tǒng)熵值特征集訓(xùn)練和驗(yàn)證的支持向量機(jī)模型進(jìn)行故障診斷的診斷結(jié)果示意圖；[0072]圖6示出本申請(qǐng)仿真實(shí)驗(yàn)中采用本申請(qǐng)的融合熵值特征集訓(xùn)練和驗(yàn)證的支持向量機(jī)模型進(jìn)行故障診斷的診斷結(jié)果示意圖。具體實(shí)施方式[0073]現(xiàn)在將參考附圖更全面地描述示例實(shí)施方式。然而，示例實(shí)施方式能夠以多種形式實(shí)施，且不應(yīng)被理解為限于在此闡述的范例；相反，提供這些實(shí)施方式使得本申請(qǐng)將更加全面和完整，并將示例實(shí)施方式的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施方式中。[0074]此外，附圖僅為本申請(qǐng)的示意性圖解，并非一定是按比例繪制。圖中相同的附圖標(biāo)記表示相同或類似的部分，因而將省略對(duì)它們的重復(fù)描述。附圖中所示的一些方框圖是功能實(shí)體，不一定必須與物理或邏輯上獨(dú)立的實(shí)體相對(duì)應(yīng)。可以采用軟件形式來(lái)實(shí)現(xiàn)這些功能實(shí)體，或在一個(gè)或多個(gè)硬件模塊或集成電路中實(shí)現(xiàn)這些功能實(shí)體，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實(shí)現(xiàn)這些功能實(shí)體。[0075]為此，本示例實(shí)施方式提供一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷[0076]步驟S101:采集直拉硅單晶爐升降絲杠的振動(dòng)信息和位移信息。[0077]步驟S102:分別對(duì)振動(dòng)信息和位移信息依次進(jìn)行信息劃分和歸一化處理，分別得到每個(gè)尺度因子對(duì)應(yīng)的振動(dòng)歸一化數(shù)據(jù)集和位移歸一化數(shù)據(jù)集。[0078]步驟S103:利用所有振動(dòng)歸一化數(shù)據(jù)集和所有位移歸一化數(shù)據(jù)集，構(gòu)建融合數(shù)據(jù)信息。[0079]步驟S104:對(duì)融合數(shù)據(jù)信息依次進(jìn)行粗?；貥?gòu)、時(shí)間序列重構(gòu)、排列熵值計(jì)算和歸一化操作，分別得到每個(gè)尺度因子對(duì)應(yīng)的融合熵值。[0080]步驟S105:從所有融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，并利用融合熵值特征集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證，得到故障診斷模型。[0081]步驟S106:利用故障診斷模型對(duì)直拉硅單晶爐升降絲杠進(jìn)行故障診斷。[0082]本申請(qǐng)實(shí)施例提出一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法，至少具有以下有益效果：[0083](1)本申請(qǐng)通過(guò)融合直拉硅單晶爐升降絲杠的振動(dòng)信息和位移信息，能夠更加充分的描述升降絲杠的運(yùn)行狀態(tài)，豐富了升降絲杠的狀態(tài)信息；[0084](2)本申請(qǐng)通過(guò)在傳統(tǒng)粗粒化過(guò)程中添加滑動(dòng)窗口，設(shè)計(jì)出滑動(dòng)粗粒化方法，從而能夠提取出不同尺度因子對(duì)應(yīng)的升降絲杠的運(yùn)行狀態(tài)特征，增強(qiáng)了對(duì)噪聲的抵抗能力；[0085](3)本申請(qǐng)通過(guò)計(jì)算不同尺度因子對(duì)應(yīng)的融合熵值，并利用主成分分析法從所有融合熵值中提取多個(gè)融合熵值特征，組成融合熵值特征集，從而降低了融合熵值特征的維數(shù)，提高了故障診斷的精度和效率。[0086]下面，將對(duì)本示例實(shí)施例中提出的一種基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方法進(jìn)行更詳細(xì)的說(shuō)明。[0087]在本實(shí)施例步驟S101中，采集直拉硅單晶爐升降絲杠的振動(dòng)信息和位移信息。[0088]本實(shí)施例中，在直拉硅單晶爐的升降絲杠上安裝振動(dòng)傳感器和位移傳感器，利用振動(dòng)傳感器采集振動(dòng)信息，利用位移傳感器采集位移信息。[0089]在本實(shí)施例步驟S102中，分別對(duì)振動(dòng)信息和位移信息依次進(jìn)行信息劃分和歸一化處理，分別得到每個(gè)尺度因子對(duì)應(yīng)的振動(dòng)歸一化數(shù)據(jù)集和位移歸一化數(shù)據(jù)集。[0090]本實(shí)施例步驟S102可以包括以下子步驟：[0091]子步驟S1021:將振動(dòng)信息劃分為多階段振動(dòng)信息序列，并將位移信息劃分為多階段位移信息序列，其中，多階段振動(dòng)信息序列包含加速階段振動(dòng)子序列、勻速階段振動(dòng)子序列和減速階段振動(dòng)子序列；多階段位移信息序列包含加速階段位移子序列、勻速階段位移子序列和減速階段位移子序列。[0092]子步驟S1022:分別對(duì)多階段振動(dòng)信息序列和多階段位移信息序列進(jìn)行歸一化處理，分別得到每個(gè)尺度因子對(duì)應(yīng)的振動(dòng)歸一化數(shù)據(jù)集和位移歸一化數(shù)據(jù)集。[0093]在本實(shí)施例步驟S103中，利用所有振動(dòng)歸一化數(shù)據(jù)集和所有位移歸一化數(shù)據(jù)集，構(gòu)建融合數(shù)據(jù)信息。本實(shí)施例步驟S103可以包括以下子步驟：[0094]子步驟S1031:利用所有振動(dòng)歸一化數(shù)據(jù)集計(jì)算振動(dòng)故障敏感系數(shù)，并利用振動(dòng)故障敏感系數(shù)分別對(duì)所有振動(dòng)歸一化數(shù)據(jù)集進(jìn)行振動(dòng)權(quán)重分配，分別得到每個(gè)振動(dòng)歸一化數(shù)據(jù)集對(duì)應(yīng)的振動(dòng)權(quán)重。[0095]子步驟S1032:利用所有位移歸一化數(shù)據(jù)集計(jì)算位移故障敏感系數(shù)，并利用位移故障敏感系數(shù)分別對(duì)所有位移歸一化數(shù)據(jù)集進(jìn)行位移權(quán)重分配，分別得到每個(gè)位移歸一化數(shù)據(jù)集對(duì)應(yīng)的位移權(quán)重。[0096]子步驟S1033:利用所有振動(dòng)權(quán)重分配的結(jié)果和所有位移權(quán)重分配的結(jié)果，將所有振動(dòng)歸一化數(shù)據(jù)集和所有位移歸一化數(shù)據(jù)集進(jìn)行融合，得到融合數(shù)據(jù)信息。融合數(shù)據(jù)信息包含多個(gè)融合數(shù)據(jù)。[0099]其中，index表示故障敏感系數(shù)，故障敏感系數(shù)為振動(dòng)故障敏感系數(shù)或位移故障敏感系數(shù)，f當(dāng)前表示升降絲杠在當(dāng)前工作狀態(tài)時(shí)的歸一化數(shù)據(jù)集，f正常表示升降絲杠在正常工作狀態(tài)時(shí)的歸一化數(shù)據(jù)集，歸一化數(shù)據(jù)集為振動(dòng)歸一化數(shù)據(jù)集或位移歸一化數(shù)據(jù)集。[0102]其中，F(xiàn)(t)表示第t時(shí)刻的融合數(shù)據(jù)信息，W1表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集的振動(dòng)權(quán)重，D(t)表示第t時(shí)刻的振動(dòng)歸一化數(shù)據(jù)集，W?表示第t時(shí)刻的位移歸一化數(shù)據(jù)集的位移權(quán)重，d(t)表示第t時(shí)刻的位移歸一化數(shù)據(jù)集。[0103]在本實(shí)施例步驟S104中，對(duì)融合數(shù)據(jù)信息依次進(jìn)行粗粒化重構(gòu)、時(shí)間序列重構(gòu)、排列熵值計(jì)算和歸一化操作，分別得到每個(gè)尺度因子對(duì)應(yīng)的融合熵值。本實(shí)施例步驟S104可11以包括以下子步驟：[0104]子步驟S1041:利用滑動(dòng)粗粒化方法對(duì)所融合數(shù)據(jù)信息進(jìn)行粗?；貥?gòu)，分別得到每個(gè)尺度因子對(duì)應(yīng)的粗粒化序列。[0105]進(jìn)一步地，子步驟S1041的具體操作過(guò)程如下：[0106]首先，如圖2所示，圖2示出了在尺度因子t=2時(shí)整個(gè)滑動(dòng)粗?；倪^(guò)程。在進(jìn)行粗?；貥?gòu)的過(guò)程中引入滑動(dòng)窗口，令滑動(dòng)窗口的大小與尺度因子的大小相等，將滑動(dòng)窗口的時(shí)間步長(zhǎng)設(shè)置為1,其中，滑動(dòng)窗口的大小用W表示，滑動(dòng)窗口的時(shí)間步長(zhǎng)用S表示，尺[0107]接著，對(duì)于給定的融合數(shù)據(jù)信息，滑動(dòng)窗口從融合數(shù)據(jù)信息的起始位置開(kāi)始滑動(dòng)，每次滑動(dòng)一個(gè)時(shí)間步長(zhǎng)，直至滑動(dòng)窗口的尾端到達(dá)融合數(shù)據(jù)信息的末尾。如圖2所示，對(duì)于一個(gè)滑動(dòng)窗口來(lái)說(shuō)，在該滑動(dòng)窗口第一次滑動(dòng)時(shí)，最先接觸融合數(shù)據(jù)信息的一端為滑動(dòng)窗口的尾端，最后接觸融合數(shù)據(jù)信息的一端為滑動(dòng)窗口的起始端。[0108]最后，如圖3和圖4所示，在滑動(dòng)窗口的覆蓋范圍內(nèi)，分別對(duì)滑動(dòng)窗口內(nèi)的所有融合數(shù)據(jù)進(jìn)行滑動(dòng)粗?；幚?，分別得到每個(gè)尺度因子對(duì)應(yīng)的粗?；蛄?。[0109]圖3示出利用傳統(tǒng)粗粒化方法得到的粗?；蛄?；圖4示出利用本申請(qǐng)?zhí)峒暗幕瑒?dòng)粗?；椒ǖ玫降拇至；蛄??？梢钥闯觯涸趥鹘y(tǒng)粗粒化過(guò)程中，隨著尺度因子的增加，得到的粗?；蛄虚L(zhǎng)度會(huì)明顯減小，并且在較高的時(shí)間尺度上，粗?；蛄锌赡軙?huì)變得非常短暫，無(wú)法保證融合熵值的可靠性。而本申請(qǐng)所提方法能夠克服這個(gè)問(wèn)題。動(dòng)窗口當(dāng)前滑動(dòng)的結(jié)束索引，由于滑動(dòng)窗口是從第j個(gè)數(shù)據(jù)開(kāi)始，滑動(dòng)窗口的大小為t,所以，當(dāng)前滑動(dòng)的結(jié)束索引為j+t-1;N-t+1表示滑動(dòng)窗口最后一次滑動(dòng)的開(kāi)始索引，由于滑動(dòng)窗口的最后一次滑動(dòng)的開(kāi)始索引不能超過(guò)融合數(shù)據(jù)信息的長(zhǎng)度，因此，滑動(dòng)窗口最后一次滑動(dòng)的開(kāi)始索引為N-t+1,Xi表示融合數(shù)據(jù)信息的第i個(gè)融合數(shù)據(jù)，n表示滑動(dòng)窗口的第n次滑動(dòng)，t-1表示滑動(dòng)窗口的最大滑動(dòng)次數(shù)。在滑動(dòng)窗口的每次滑動(dòng)過(guò)程中，每多一次滑動(dòng)次數(shù)就會(huì)使粗粒化重構(gòu)后的粗?；蛄械玫皆黾樱?，滑動(dòng)窗口的滑動(dòng)次數(shù)不能超過(guò)τ-1,否則就會(huì)重復(fù)計(jì)算相鄰粗粒化數(shù)據(jù)的信息。這里，相鄰粗?；瘮?shù)據(jù)可能會(huì)被包含在滑動(dòng)窗口的多次滑動(dòng)過(guò)程中，導(dǎo)致某些相鄰粗?；瘮?shù)據(jù)被重復(fù)計(jì)算。[0113]子步驟S1042:分別對(duì)所有粗?；蛄羞M(jìn)行時(shí)間序列重構(gòu)，分別得到每個(gè)尺度因子對(duì)應(yīng)的時(shí)間序列。[0116]其中，Y表示在尺度因子為t時(shí)的第L個(gè)時(shí)間序列，b表示延遲時(shí)間，q表示時(shí)間序[0117]子步驟S1043:按照從小到大的順序，分別將所有時(shí)間序列進(jìn)行升序排列，分別得到每個(gè)尺度因子對(duì)應(yīng)的符號(hào)序列，并分別計(jì)算所有符號(hào)序列的每種排列方式出現(xiàn)的概率，[0120]其中，S(g)表示經(jīng)過(guò)升序排列后的第9種排列方式的符號(hào)序列，jm表示第9種排列方式的符號(hào)序列中所有符號(hào)數(shù)據(jù)的數(shù)量，m[0134]子步驟S1051:利用主成分分析法(PrincipalComponentsAnalysis,PCA)從所有[0136]子步驟S1053:利用訓(xùn)練集對(duì)支持向量機(jī)(SupportVectorMachines,SVM)模型進(jìn)[0138]為了驗(yàn)證本申請(qǐng)?zhí)岢龅囊环N基于多源信號(hào)的直拉硅單晶爐升降絲杠故障診斷方[0139]本仿真實(shí)驗(yàn)的數(shù)據(jù)來(lái)源：西安理工大學(xué)晶體生長(zhǎng)設(shè)備直拉硅單晶爐升降系統(tǒng)，從該系統(tǒng)運(yùn)行過(guò)程中采集升降絲杠的振動(dòng)信息和位移信息。[0140]本仿真實(shí)驗(yàn)是將傳統(tǒng)粗粒化過(guò)程和本申請(qǐng)改進(jìn)后的滑動(dòng)粗?；^(guò)程進(jìn)行對(duì)比。具體參數(shù)設(shè)置如下：[0141]傳統(tǒng)粗?；^(guò)程和滑動(dòng)粗?；^(guò)程的尺度因子均設(shè)置為：T=20;排列熵值的預(yù)設(shè)參數(shù)的嵌入維數(shù)均設(shè)置為：m=6;延遲時(shí)間均設(shè)置為：b=1;振動(dòng)權(quán)重均設(shè)置為：[0142]本仿真實(shí)驗(yàn)旨在對(duì)升降絲杠的故障診斷進(jìn)行研究，共識(shí)別出三種故障類別，即點(diǎn)蝕、磨損和潤(rùn)滑不足，以及一種正常工作狀態(tài)?；谡９ぷ鳡顟B(tài)時(shí)的融合熵值和相關(guān)經(jīng)驗(yàn)，為這三種故障類別設(shè)定了融合熵值的閾值，以便區(qū)分不同的工作狀態(tài)。隨后，將提取出的特征數(shù)據(jù)標(biāo)記上相應(yīng)的標(biāo)簽，并利用這些特征數(shù)據(jù)對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證，本仿真實(shí)驗(yàn)中按6:4的比例劃分訓(xùn)練集和測(cè)試集，構(gòu)建出故障診斷模型。[0143]仿真結(jié)果如圖5和圖6所示。[0144]圖5示出了采用傳統(tǒng)多尺度排列熵值作為融合熵值特征集，對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證得到的故障識(shí)別結(jié)果。該故障識(shí)別結(jié)果表明：采用傳統(tǒng)故障診斷方法進(jìn)行故障類別識(shí)別的準(zhǔn)確率達(dá)到95%,這表明該方法在正常工作狀態(tài)時(shí)，對(duì)故障類別的識(shí)別上表現(xiàn)良好。然而，對(duì)于故障類別1的識(shí)別效果并不理想，這可能歸因于采集的數(shù)據(jù)樣本的數(shù)量不足，也可能是在多尺度熵值計(jì)算過(guò)程中丟失了關(guān)鍵信息。[0145]圖6示出采用本申請(qǐng)所提方法，即采用改進(jìn)后的多尺度排列熵值的融合熵值特征集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證。故障識(shí)別結(jié)果表明：采用本申請(qǐng)所提方法進(jìn)行故障類別識(shí)別的準(zhǔn)確率顯著提升至98.95%,特別是在對(duì)故障類別1和故障類別3的識(shí)別上取得了顯著進(jìn)步。這表明，相較于傳統(tǒng)方法，本申請(qǐng)所提方法在提高故障類別識(shí)別的準(zhǔn)確率方面具有明顯優(yōu)勢(shì)，并能夠有效檢測(cè)出一些難以識(shí)別的故障類別。隱含地包括一個(gè)或者更多個(gè)該特征。在本申請(qǐng)實(shí)施例的描述中，“多個(gè)”的含義是兩個(gè)或兩包含于本申請(qǐng)的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多