[发明专利]基于特征迁移学习的变工况下滚动轴承故障诊断方法

权利要求书

1.基于特征迁移学习的变工况下滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：

(1)特征提取：

对已知工况和未知工况滚动轴承多状态振动信号进行VMD操作，用观察法确定分解的IMF个数，对IMF构建矩阵，并进行SVD获取奇异值，同时求取奇异值熵；再提取振动信号的时域、频域特征指标；

(2)特征样本集构建：

将(1)中已知工况滚动轴承振动信号的时域、频域特征，结合奇异值、奇异值熵共同构建源域训练特征样本集；同理，未知工况的滚动轴承振动特征构建目标域测试特征样本集；

(3)多核半监督迁移成分分析：

将(2)中源域训练特征样本集与目标域测试特征样本集共同特征映射到再生核Hilbert空间中，在该空间中用MMDE方法度量源域训练特征样本与目标域测试特征样本之间的最大均值距离；

由所述的最大均值距离判断可重新选择已知工况滚动轴承多状态振动信号，选择已知工况滚动轴承多状态振动信号辅助未知工况滚动轴承多状态振动信号学习，提高对目标域振动信号数据类别识别能力；

(4)变工况下滚动轴承故障诊断：

将(3)中映射后的源域训练特征样本集输入SVM中，同时用GA算法对SVM的惩罚因子和径向基核参数进行寻优，最终得到变工况下滚动轴承故障诊断的训练模型；将映射后的目标域测试特征样本输入到所述训练模型中，获得变工况下滚动轴承故障诊断结果。

2.根据权利要求1所述的基于特征迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：

在步骤(1)中，对所述振动信号进行VMD操作，用观察法确定分解的IMF个数，对IMF构建矩阵，并进行SVD获取奇异值，同时求取奇异值熵；其具体过程为：

变分模态分解过程分为变分问题的构造和求解两部分：

1)变分问题的构造

假设滚动轴承多状态原始振动信号f可得到k个模态分量u_k(t)，其经Hilbert变换获得各模态分量u_k(t)的解析信号，并得到u_k(t)的单边频谱

u_k(t)的单边频谱＝(δ(t)+j/πt)*u_k(t) (1)式中，δ(t)为冲激函数；上式中的t均表示时间；

针对每个解析信号混合-预估中心频率e^-jωk^t，将各模态的频谱调制到基频带上，得到

式中，ω_k表示第k个模态分量的中心频率；

计算(2)式梯度的平方L²范数，估计出各模态信号的带宽，受约束的变分问题表示为：

式中，为对t求偏导数，{u_k}:＝{u₁,u₂,…,u_K}，{ω_k}:＝{ω₁,ω₂,…,ω_K}；{u_k}是各个模态分量u_k(t)的集合；

2)变分问题的求解

为了将变分问题由约束性变成非约束性，引入二次惩罚因子α和拉格朗日乘法算子λ(t)；二次惩罚因子保证信号的重构精度，拉格朗日算子使约束条件保持严格性；扩展的拉格朗日表达式为

式中，{λ}表示λ(t)的集合；

采用乘法算子交替方向法，通过迭代更新u_kⁿ⁺¹、ω_kⁿ⁺¹和λⁿ⁺¹寻求拉格朗日扩展表达式的“鞍点”，即为变分问题的最优解；在迭代时为了使计算简便，将u_kⁿ⁺¹、ω_kⁿ⁺¹变换到频域，求取u_kⁿ⁺¹(ω)的更新过程

中心频率更新过程

综合式(5)、(6)对进行傅里叶逆变换，得到其实部即为{u_k(t)}；

式中，上角标n表示更新次数；

表示时域振动信号f(t)变换到频域振动信号，其上标^表示近似等于；

表示时域模态分量u_k(t)变换到频域模态分量，其上标^表示近似等于。