[发明专利]基于混合熵与联合分布适配的变工况下轴承故障诊断方法

权利要求书

1.基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，包括以下步骤：

(1)根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立用于变工况下滚动轴承故障诊断的源域数据集和目标域数据集；

(2)分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；

(3)根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；

(4)根据迁移学习理论，实现目标域数据对源域数据的迁移学习，利用步骤(3)得到的源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。

2.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，在步骤(2)中，采用快速集成经验模态分解方法对源域数据集和目标域数据集包含的各样本信号进行时频分解。

3.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，在步骤(3)中，所述非线性熵参数包括排列熵、样本熵、能量熵、奇异谱熵和功率谱熵。

4.根据权利要求3所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，步骤(3)的具体过程如下：

(3-1)根据频率高低对各样本信号的本征模态函数进行排序；

(3-2)计算各IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵：

排列熵

样本熵

能量熵

奇异谱熵

功率谱熵

其中，m为重构空间的嵌入维度；P_l表示重构空间中第l种排列样式的概率分布；L为重构空间中总的排列样式数，L≤m！；B表示向量序列间距离小于等于r的数目，r为相似偏差；N为单个样本数据的总长度；p_kn表示第n个IMF分量的能量在总能量中所占的比值；λ_i为IMF分量空间重构获得的矩阵的第i个奇异值，S_x(f)表示x(t)的功率谱估计，x(t)为原始信号序列的IMF分量之一，

(3-3)分析各类熵在不同尺度上对于同类故障和不同类故障的聚集性与分散性，选取前h个高频IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征，构建各样本信号的多尺度混合熵特征向量，h为预设的正整数。

5.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，步骤(4)的具体过程如下：

(4-1)基于源域数据集和目标域数据集，采用K最近邻分类算法生成目标域数据集各样本信号的初始伪标签；

(4-2)利用联合分布适配方法将源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量空间映射到核再生空间，实现目标域数据对源域数据的迁移学习，获得新映射空间数据；

(4-3)基于新映射空间数据，采用K最近邻分类算法生成每次迭代过程目标域数据集各样本信号的伪标签；

(4-4)进行若干次迭代，将最后一次迭代过程获取的标签数据作为最终故障诊断结果。