[发明专利]一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法

权利要求书

1.一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，具体包含如下步骤：

步骤1，采用集合经验模态分解EEMD对驱动电机振动信号或电流信号分析，构建原始特征集；

步骤2，将步骤1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，并对其进行迁移学习降维，输出低维特征集，具体步骤如下：获取步骤1中得到的训练和测试阶段原始特征集，训练阶段原始特征集是已知空间，是迁移学习中的源域数据集，测试阶段原始特征集是未知空间，是迁移学习中的目标域数据集，以源域和目标域数据集为输入，利用MSTL方法得到用于空间映射的矩阵记为变换矩阵W，变换矩阵W可以将源域和目标域数据集映射到近似的分布的空间，将源域和目标域数据集中每一个原始特征样本的核变换和W矩阵相乘后，可以得到映射后的r维新特征样本，原始样本和核变换均为m维，并且r＝m，一方面可以将源域和目标域数据映射到相近的概率和条件分布空间，另一方面可以实现特征降维的目的；

步骤3，将步骤2得到的训练阶段低维特征集输入SVM分类器或随机森林分类器，训练故障诊断模型，再利用训练后的模型对过程2得到的测试阶段的低维特征集进行故障模式识别，基于SVM的诊断模型记为OFS-MSTL-SVM，基于随机森林的诊断模型记为OFS-RF-SVM，其中，OFS代表获取原始数据集的过程，MSTL改进分层迁移学习方法，SVM为支持向量机方法，RF为随机森林方法；

步骤4，在上述三个步骤的基础上，构建基于D-S证据融合理论的驱动电机故障诊断模型，具体步骤如下：

步骤4.1，将获取到的驱动电机振动信号或电流信号经EEMD分解，得到一系列IMF分量，计算各IMF分量与原始信号间的相关系数，选取前4阶的IMF分量；针对所选取的IMF分量和对应的Hilbert包络谱，以及信号的边际谱，计算9*N个统计特征，构建原始特征集；

步骤4.2，将步骤4.1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，利用分层迁移学习方法MSTL对其进行迁移学习降维，输出低维特征集；

步骤4.3，对于电流信号，利用步骤4.2得到的训练阶段低维特征集分别训练故障诊断模型OFS-MSTL-SVM与OFS-MSTL-RF，并利用测试集数据进行测试，分别输出两种模型的故障诊断结果，对两种模型得到的诊断结果进行DS证据融合，得到电流信号的融合诊断结果，对振动信号进行相同的处理得到振动信号的融合诊断结果；

步骤4.4，在步骤4.3的诊断结果融合基础上，基于DS证据融合规则，再执行二级融合，对振动信号融合诊断结果和电流信号融合诊断结果进行融合，得到驱动电机故障状态识别的最终结果。

2.根据权利要求1所述的一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，在步骤1中，原始特征集构建，具体步骤如下：采用集合经验模态分解EEMD对驱动电机振动信号或电流信号分析，以n个采样点的振动信号或电流信号序列为一个原始信号样本，一个样本经过EEMD分解可以得到多阶本征模态函数，每一个本征模态函数分量也是n个点的序列，前4阶IMF分量中包含了原始信号的信息，取前4阶IMF分量，计算每一个IMF分量Hilbert包络谱，也是n个点的序列，并通过前4阶IMF分量计算原始信号的边际谱，也是n个点的序列，通过上述过程，一个n个采样点的原始信号样本，可以得到4阶IMF分量，4个Hilbert包络谱，1个边际谱，共9个序列，每个序列都是n个点，计算每一个序列的N个统计特征，获得原始信号的9*N个统计特征，构建原始特征集。