[发明专利]一种基于局部模型迁移学习的齿轮故障识别方法

权利要求书

1.一种基于局部模型迁移学习的齿轮故障识别方法，其特征在于，该方法包括以下步骤：

(1)提取时频域特征；

提取目标数据特征向量A和辅助数据特征向量B_j；

(2)选取迁移学习中的辅助数据集；

在给定时频域特征的基础上，通过建立威氏符号秩检验和卡方检验结合模型，计算目标数据与辅助数据的相似度，并筛选辅助数据；具体包括：

从y个59维的辅助数据特征向量B_j中随机选取1个辅助特征向量，对目标数据特征向量和辅助数据特征向量实施威氏符号秩检验和卡方检验相结合的相似度估计，若检验合格，则实施步骤(3)，若检验不合格，则返回步骤(2)重新选取辅助特征向量；

所述卡方检验方法包括以下步骤：

(22-1)特征向量归一化，包括目标特征向量和辅助特征向量：

其中，为所有目标数据样本的第i个特征组成的向量，N为目标样本数量，n∈{1，2，...，N}为样本编号，和为E_i的最小值、中值、最大值和均值，N≤100；

其中，为第j辅助域中所有数据样本的第i个特征组成的向量，M为辅助样本数量，m∈{1，2，...，M}为样本编号，和为F_(j，i)的最小值、中值、最大值和均值，M≥300；

归一化后第n样本的目标数据特征向量ZA表示为：

归一化后第m样本的辅助数据特征向量ZB_j表示为：

其中，和为目标特征向量和辅助特征向量归一化后的计算特征值，其特征值限制在0到1的区间内，且指数确保了ZA和ZB_j概率分布峰值处于中心；

(22-2)将ZA和ZB_j按概率密度分布平均切分成K段：其中P^t为ZA的概率密度分布向量，为每一段的概率密度，P^a为ZB_j的概率密度分布向量，为每一段的概率密度；

(22-3)计算ZA和ZB_j之间的卡方值

其中，K为切分段数，k为切分段编号；

(22-4)对于双边检验假设：根据(χ²，K)查找χ²分布表，得到P_c值，其代表当ZA＝ZB_j时，卡方检验统计量大于或等于实际卡方值的概率，即若P_c＜0.3，则第j辅助数据域为可利用的辅助数据域，否则为不可利用的辅助数据域；

(22-5)计算目标数据域和第j辅助数据域综合相似度：

S＝(P_w)^α×(P_c)^β (7)；

其中，P_w代表当A＝B_j时威氏符号秩检验统计量大于或等于实际卡方值τ_j的概率，0≤α≤β≤1，α和β为威氏符号秩检验和卡方检验方法的检验设定权重，故0≤S≤1，越小相似度越高；

(3)利用局部模型迁移学习算法和SVM迭代算法，实现齿轮故障识别；

最后利用以SVM为核心的局部迁移模型将筛选的辅助数据的有用共性参数迁移至目标数据以实现齿轮箱的故障识别。

2.根据权利要求1所述的一种基于局部模型迁移学习的齿轮故障识别方法，其特征在于，所述步骤(1)包括：对目标任务下的齿轮实施时频域特征提取得到目标数据特征向量A＝[ε₁，ε₂，...，ε₅₉]，对非目标任务下的齿轮实施相同特征提取得到辅助数据特征向量B_j＝[δ_(j，1)，δ_(j，2)，...，δ_(j，59)]；

其中，A为59维的目标特征向量，ε_i为所提取的时频域特征，下标i∈{1，2，...，59}为特征维数，B_j为y组59维的辅助特征向量，y为来自不同辅助域的域数，δ_(j，i)为所提取的时频域特征，下标i∈{1，2，...，59}为特征维数，下标j∈{1，2，...，y}为辅助域的域编号。