[发明专利]一种基于敏感特征迁移学习的轴承故障诊断方法

说明书

本发明公开了一种基于敏感特征迁移学习的轴承故障诊断方法，属于故障诊断技术领域，具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，使用故障敏感特征选取方法FSFCC,选取敏感特集，然后，提出一种改进TCA的特征迁移学习方法MTCA，处理有标签源域数据集与无标签目标域数据集，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSFCC‑MTCA‑SVM。本发明实施结果表明所提出的MTCA方法能够有效降低不同域间分布差异，增强域数据的判别性能，提高使用源域数据训练的故障诊断模型的域适应能力，使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于敏感特征迁移学习的轴承故障诊断方法

背景技术

近年来，随着机器学习方法的快速发展，基于数据驱动的故障诊断成为研究热点。然而，利用机器学习方法构建的传统故障诊断框架存在两个主要问题，以致于影响其在实际工业场景下的运用。第一个问题是：目前，大多数基于数据驱动的故障诊断模型的构建，是在训练数据集与测试数据集之间具有相同分布的假设下进行的，而在工业场景中，设备工况是多变的，会造成测试数据与训练数据间分布差异。因此，传统故障诊断模型在变工况下要保证理想的故障诊断性能是比较困难的。第二个问题是：由于实际工业场景下存在变工况与故障的多样性，难以获取足量有标签训练样本，尤其是实际故障状态下的有标签样本，因此，在一定程度上限制了智能故障诊断方法的在实际工业场景下的应用。针对上述两个问题，以轴承为研究对象，开展新的故障诊断框架的研究。

迁移学习方法作为一个新的研究思路，近年来，在机械设备故障诊断领域获得了许多研究人员的关注，目前迁移学习方法可分为：基于样本的迁移学习，基于模型的迁移学习，基于特征的迁移学习和基于关系的迁移学习。在迁移学习领域中基于特征的迁移学习是目前的研究热点，它有两类方法，一种是利用特征变换以缩小源域特征空间与目标域特征空间的分布差异，另一种是将源域和目标域的数据特征变换到同一特征空间，再结合机器学习分类器完成对域数据的模式分类。迁移成分分析(Transfer Component Analysis,TCA)是一种典型的基于特征的迁移学习方法，目标是通过利用来自源域的可转移特征或知识来减少不同域数据集的边缘分布差异。但是，TCA忽略了数据集间条件分布的差异。

因此如何设计出一种提高利用源域数据训练出的故障诊断模型的域适应能力和故障模式识别率高的故障诊断方法是业界亟需解决的课题。

发明内容

针对背景技术提出的问题，本发明提供一种基于敏感特征迁移学习的轴承故障诊断方法OFS-FSFCC-MTCA-SVM，其中OFS为原始数据集，FSFCC为敏感特征选取方法，MTCA为改进迁移成分分析，SVM为支持向量机，以次提高利用源域数据训练出的故障诊断模型的域适应能力和故障模式识别率。

本发明为解决上述技术问题采用以下技术方案：

一种基于敏感特征迁移学习的轴承故障诊断方法，具体包含如下步骤：

步骤1，采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其中，DTCWPT为Dual-Tree Complex Wavelet Packet Transform；

步骤2，采用基于特征聚类与特征间相关系数的敏感特征选取方法对步骤1得到的原始特征进行敏感度评价，选取状态敏感度高的特征，构建敏感特征集；

步骤3，利用提出的MTCA处理有标签源域数据与无标签目标域数据的敏感特征集，对步骤2得到的敏感特征集进行迁移学习降维，输出低维特征集；

步骤4，构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM完成轴承故障状态识别，其中OFS代表获取原始数据集的过程，FSFCC为敏感特征选取方法，MTCA为改进迁移成分分析方法，SVM为支持向量机。