[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

说明书

本发明公开了一种基于局部模型迁移学习的齿轮故障识别方法，包括时频域特征的提取、迁移学习中辅助数据集的选取和基于局部模型的迁移学习方法。在给定时频域提取特性的基础上，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；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。本发明不但提升了机器学习在仅有少量目标数据时的诊断精度，降低诊断成本，并且增强了齿轮故障诊断的环境适应性和通用性，具有潜在的经济价值。

技术领域

本法涉及一种机械故障诊断方法，尤其是涉及一种基于局部模型迁移学习的齿轮故障识别方法。

背景技术

一方面，目前的齿轮故障诊断过程特别是传统机器学习算法在遇到传动齿轮箱变工况，变转速和环境条件变化时往往难以诊断。另一方面，假设由于某种限制使得齿轮采集数据量较少，该情况下那些依赖于较多数据为支撑的诊断方法其故障识别精度将大幅降低，难以满足诊断需求。其根本原因是方法依赖于构建模型时所学习的数据，一旦应用数据与学习数据发生偏离，模型对新数据将不再适用，故缺乏通用性。

上述诊断方法中，一旦应用数据发生变化，模型将不得不重新学习新的应用数据以满足新要求，其前提是应用数据样本足够大到可以用于构建新模型。而迁移学习是一种不局限于应用数据与学习数据等同的方法，应用数据发生变化时，学习过程将只吸收学习数据中对应用数据有用的部分，摒弃其无用部分，使得学习数据对应用数据仍旧有效。在齿轮故障诊断过程中，一旦工况，转速或者环境发生变化，应用数据与学习数据出现偏离，迁移学习能够调整学习数据之间的样本权重或者内部参数权重，使得学习数据中与应用数据相似部分权重增大，不相似部分权重减少，从而达到“取其精华，去其糟粕”的目的。

发明内容

发明目的：为了克服现有齿轮故障诊断方法的不足，本发明提供了一种以迁移学习为主要应对策略，能够有效应对齿轮变化工况环境，提升诊断精度，降低诊断成本的基于局部模型迁移学习的齿轮故障识别方法。

技术方案：本发明的一种基于局部模型迁移学习的齿轮故障识别方法，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；

(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。

进一步的，所述步骤(1)包括：对目标特定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]，对非目标特定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。

更进一步的，所述目标特征向量和辅助特征向量包括振动加速度、扭矩、转动频率和驱动电流；59维的目标特征向量和y组59维的辅助特征向量均包括7维时域振动特征、19维频域振动特征、31维噪声特征和2维扭矩特征；