[发明专利]基于TJM迁移学习的机械故障诊断方法及系统

说明书

本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解，在解决模式混合问题的同时减少了算法计算量，同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力差、甚至有时出现不能通用的问题；同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题，还解决了因为某些工作状态中的旋转机械数据采集量不够，造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题，极大地提高了故障诊断精度。

技术领域

本发明涉及机械故障智能诊断技术领域，特别是涉及一种基于TJM迁移学习的机械故障诊断方法及系统。

背景技术

滚动轴承状态的及时准确检测和故障诊断对保证旋转机械的可靠性至关重要，因此对其进行有效的故障诊断有利于及时准确的预防设备发生故障。但是在旋转机械实际工程应用时，有些机械的运作状态数据不够完备，同时工作状况往往是变化的。近年来，对这种未知工况旋转机械故障智能诊断的研究越来越受到关注。不幸的是，对于不完备运行状态和未知工况的旋转机械设备的轴承数据通常非常稀少。此外，如果训练和学习一个没有丰富标记的轴承诊断数据模型是非常复杂和耗时的。在这样的实际应用中，利用一些实验室中现有的大量实验样本中现成的大数据特征分类经验是必不可少的。当已有的传统的机器学习方法对训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力很差，甚至有时出现不能通用的情况，往往造成诊断模型泛化能力差和诊断精度低的问题。

发明内容

本发明的目的是提供一种基于TJM迁移学习的机械故障诊断方法及系统，以解决传统机械学习方法泛化能力差且故障诊断精度低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于TJM迁移学习的机械故障诊断方法，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；

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；