[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

说明书

本发明提供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，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D‑S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D‑S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。

技术领域

本发明涉及故障诊断领域，尤其涉及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。

背景技术

驱动电机是旋转机械设备系统的重要组成部分，驱动电机的状态监测对设备的安全运行具有重要意义，设备状态监测和故障诊断可以分为三个步骤：信号采集、特征提取、状态识别。分析设备振动信号是最常用的故障诊断手段，如何从非线性、非平稳特性的振动信号中提取出表征驱动电机故障状态的特征信息是实现轴承故障诊断的关键。时频分析方法是非线性、非平稳信号分析的有力工具。

经时频分析方法处理后提取出的原始特征集往往是高维度特征集，其中存在冗余以及干扰特征，将其直接用于故障诊断，计算复杂度较高，且会导致故障诊断效果不佳。在基于数据驱动的故障诊断方法中，常利用降维方法对高维特征集进行维度约减，尽量减少干扰以及冗余特征的影响，实现故障模式识别准确率的提高。姜姗利用PCA对高维特征集进行降维，将得到的低维特征集作为输入，训练ANFIS模型，用于驱动电机轴承故障诊断。范春旸采用线性局部切空间排列算法(Linear Local Tangent Space Alignment,LLTSA)对原特征集进行降维，最后基于多种机器学习分类器，实现皮带机驱动电机故障诊断。旋转机械设备的运行环境中干扰信号较多，驱动电机的工况多变，会造成测试数据与训练数据间分布差异，但是，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。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。由于旋转机械设备运行环境中干扰信号较多，工况复杂多变，因此，单个传感器采集信号会存在一定的不确定因素，例如测量误差导致的片面性。另外传感器之间对于设备的敏感性也是不同的，故采集到的数据本身也是会有矛盾的情况存在。因此在使用传感器针对井下复杂的工作环境进行检测时，仅使用并依靠单一种类传感器对状态进行监测具有片面性。因此如何设计出一种故障识别率高和抗片面性能好的驱动电机故障诊断方法是业界亟需解决的课题。

发明内容

发明目的：为了解决上述现有的技术问题，本发明提出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。

技术方案：本发明提供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，具体包含如下：

过程1.原始特征集提取

在训练与测试阶段，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。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(一般8阶左右)本征模态函数(Intrinsic Mode Function,IMF)，每一个IMF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主要信息，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)，利用表1的统计参数计算公式，计算每一个序列的11个统计参数，获得原始信号的99个统计特征，构建原始特征集。

表1统计参数