[发明专利]一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法

说明书

一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断技术领域，为了解决变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题。首先采用SDAE对滚动轴承振动信号频域幅值进行特征提取，得到振动信号深层特征，并构成源域特征样本集和目标域特征样本集。然后采用JGSA对源域特征样本与目标域特征样本进行域适应处理，达到同时减少域间特征样本的分布偏移及子空间变换差异的目的，进而缩减不同类特征样本间的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态分类。本发明与其他方法相比较，在滚动轴承变工况条件下表现出更好的特征提取能力，其样本特征可视化效果最佳，变工况下滚动轴承故障诊断准确率高。

技术领域

本发明涉及一种变工况下滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域。

背景技术

滚动轴承作为旋转机械的关键部件，其正常运行是生产设备工作的重要保障^[1]。实际中，滚动轴承的工况不断变化，直接影响滚动轴承振动特征的改变^[2]。传统的建立在恒定工况上的故障诊断方法，应对滚动轴承复杂变工况运行状态，极易出现故障误诊或漏诊的问题^[3]。因此，准确辨识变工况下滚动轴承运行状态，对机械设备健康运转具有重要意义。

近年来，为解决变工况下滚动轴承故障诊断问题及提高其运行状态识别准确率，学者们进行了大量研究。文献[4]利用包络阶次谱分析和短时傅里叶变换应用于正反转工况下轴承故障诊断。文献[5]提出VMD和包络阶次谱的变工况下轴承故障诊断，其获得较好的特征提取效果。上述所采用的变工况下滚动轴承故障诊断的方法，其参数的确定很大程度上依赖于专家的经验。为构建更具通用性、时效性和适用性的故障诊断模型，深度学习方法表现出了较强的数据处理能力，其应用价值在故障诊断领域不断被挖掘^[6]。文献[7]提出基于一种新子集式的深度自动编码器模型，实现了轴承的故障诊断。文献[8]提出集合深度自动编码器方法实现了滚动轴承故障诊断。文献[9]提出了一种跟踪小波自动编码器方法对电力机车轴承振动信号进行故障诊断，实验结果表明所提方法比传统自动编码器方法更有效。文献[10]利用滚动轴承频域幅值谱作为自动编码器输入，实现了滚动轴承不同状态故障识别。以上深度学习方法虽可对恒定工况下轴承振动信号进行故障诊断，但在变工况下轴承振动信号更加复杂，获取表征轴承运行状态的振动特征难度高。

虽然深度学习在提取滚动轴承振动信号深层特征方面具有较好效果，但在轴承运行过程中，工况环境复杂，实际难以获取大量有效的振动数据和相应标签，不同工况数据间存在分布差异，致使源域数据与目标域数据间的分布存在明显偏移的问题^[11][12]。迁移学习作为一种利用源域知识，解决目标域问题的新兴学习方法，从相关领域中获取信息，实现知识传递，改善另一个领域的学习性能，并挖掘不同领域间隐层含义，达到降低领域间数据差异的目的^[13]。文献[14]采用迁移成分分析方法(transfer component analysis,TCA)将不同域样本映射到潜在空间，提高了齿轮箱故障诊断准确率。文献[15]提出了改进的多核半监督迁移成分分析方法(multi-kernel semi-supervised transfer componentanalysis,MKSSTCA)，实现了变工况下滚动轴承故障诊断。文献[16]提出信息理论学习(information theoretical learning，ITL)方法实现了对不同数据样本间的关联性进行度量，提高了跨域迁移效果。文献[17]提出最大独立域适应方法(maximum independencedomain adaptation，MIDA)缩小不同样本间的差异，解决了不同样本漂移校正问题。但以上迁移学习方法仅从样本分布或不同领域各自的子空间角度考虑域间数据差异。文献[18]采用几何空间和统计分布联合调整(joint geometrical and statistical alignment,JGSA)算法，从不同数据分布与几何空间联合角度同时减少不同域样本间的偏移，避免了单一以数据为中心或者以子空间为中心域适应变换的局限性。

发明内容