[发明专利]基于TJM迁移学习的机械故障诊断方法及系统

权利要求书

1.一种基于TJM迁移学习的机械故障诊断方法，其特征在于，所述方法包括：

获取已知工况滚动轴承的n组多故障状态振动信号；所述多故障状态包括无故障、内圈故障、外圈故障和滚珠故障四种故障状态；

根据所述多故障状态振动信号，采用自适应白噪声完整经验模式分解方法生成一系列固有模态函数；

所述根据所述多故障状态振动信号，采用自适应白噪声完整经验模式分解方法生成一系列固有模态函数，具体包括：

对于每组所述多故障状态振动信号s(t)，采用公式s_i(t)＝s(t)+ε₀n_i(t)确定第i次添加了噪声的信号序列s_i(t)；其中ε₀为自定义信噪比常量；n_i(t)为第i次计算添加的零均值单位方差白噪声；i＝1,2,...，I，I为试验次数；

采用经验模态分解方法对第i次添加了噪声的信号序列s_i(t)进行分解，获得第一阶固有模态分量其中IMF_i1表示添加了第i次噪声的第一个模态分量；

根据所述第一阶固有模态分量采用公式确定第j个余量残差r_j(t)；为自适应白噪声完整经验模式分解的第i阶固有模态分量；

根据所述第j个余量残差r_j(t)，采用公式确定第i次计算的第j阶固有模态分量IMF_ij；其中算子E_j(·)是采用经验模态分解方法计算给定信号j阶模态的算子，ε_i为第i个自定义信噪比；

根据所述IMF_ij，采用公式确定一系列固有模态函数N为模态分量总数；

求解所述一系列固有模态函数的加权排列熵作为所述多故障状态振动信号的时频域特征；

提取所述多故障状态振动信号的时域特征和频域特征；所述时域特征包括方差、均方根值、偏度、峭度、裕度和峰值；所述频域特征包括均方频率、重心频率、均方根频率、频率方差和频率标准差；

将n组所述已知工况滚动轴承的多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征标记为一组特征源域数据集D_s＝{S₁,S₂,…S_n}；其中S_n表示所述已知工况滚动轴承的第n组多故障状态振动信号对应的时域特征、频域特征和时频域特征共同组成的第n组特征源域数据集；

获取未知工况滚动轴承的m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征组成的目标域数据集D_T＝{T₁，T₂，...,T_m}；其中T_m表示未知工况滚动轴承的第m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征共同组成的第m组目标域数据集；

计算所述目标域数据集D_T＝{T₁，T₂，...,T_m}与所述特征源域数据集D_s＝{S₁,S₂,…S_n}之间的最大均值差异值；

根据所述最大均值差异值的大小选取与所述目标域数据集最相关的多组特征源域数据集作为最相关源域数据集；

将所述最相关源域数据集作为迁移联合匹配TJM迁移算法的输入源域集，经过TJM的迭代计算输出滚动轴承的故障诊断结果和正确率；

其中，将所述最相关源域数据集作为TJM迁移算法的输入源域集，采用TJM算法进行迭代计算；TJM算法通过在无限维再生核Hilbert空间中最小化非参数最大均值差异和最小化源上的l_2,1范数结构稀疏性惩罚来实现实例重新加权，两个计算规则来实现源域和目标域的特征匹配；

通过K近邻算法对在TJM迁移算法中经过特征匹配后的目标域数据进行最终的故障识别和分类，K近邻算法内嵌于TJM算法之中，经过TJM算法计算直接输出滚动轴承的故障诊断结果和正确率。