[发明专利]一种基于改进JGSA算法的变工况下滚动轴承故障诊断方法

说明书

本发明属于故障诊断技术领域，涉及一种基于改进JGSA算法的变工况下滚动轴承故障诊断方法，包括以下步骤：采集样本并进行数据预处理；利用预处理后的数据集训练KNN分类模型，获得训练完成的KNN分类模型，对训练完成的KNN分类模型进行测试，若测试成功，获得分类用KNN分类模型；随机采集未知工况下滚动轴承多状态时域振动信号X_j，并将X_j经傅里叶变换，经投影获得投影后的待诊断目标域数据集，将待诊断目标域数据集送入分类用KNN分类模型得到分类结果。本发明通过图的拉普拉斯矩阵构造样本类内、类间散度矩阵，在衡量域间分布差异的MMD中引入类条件分布权重，最小化目标函数减少域间分布和几何差异，提高了变工况下故障诊断的准确率。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于改进JGSA算法的变工况下滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械中的重要零部件，一旦发生故障将会影响整个机械系统的正常工作。由于工业生产环境恶劣，携带负载、电流变化等原因导致实际工况往往复杂多变，因此在变工况下对其进行故障诊断是具有理论价值和现实意义的。用于故障状态分析的振动信号，在变负载条件下数据特征分布具有较大差异，利用已有训练数据建立的故障诊断模型对新的测试数据往往不能获得理想的分类效果。迁移学习是利用数据、任务或模型之间的相似性，将在源领域学习到的知识应用于新领域的一种学习过程。近年来，迁移学习已经逐渐应用到图像识别、文本识别以及机械故障诊断领域，已逐渐成为机械故障诊断领域解决变工况问题的一种有效手段。如付松等[1]提出了深度自动编码器的模型迁移方法，利用大量常样本训练发动机状态特征提取模型，解决了故障样本不足的问题；Wen等[2]提出了基于三层稀疏自编码器和最大均值差异的深度迁移方法，最小化了源域数据和目标域数据的特征差异；Zhao等[3]提出了基于动态加权小波系数和深度残差网络的深度迁移学习方法；张振良等[4]提出了基于迁移学习的极限学习机和支持向量机模型，分别迁移不同目标空间的高相似度样本到源样本空间，以提升迁移精度；沈飞等[5]通过迁移学习调节辅助振动数据的权重来帮助目标数据学习，提升了分类精度；Han等[6]提出了基于预训练卷积神经网络的迁移学习框架；Sun等[7]提出了一种优化域自适应迁移学习算法，实现了轴承故障的诊断。

联合几何和统计对齐算法(Joint Geometric and StatisticalAlignment，JGSA)作为一种传统的迁移方法，主要解决训练数据与测试数据分布不同且测试数据无标签的问题，但JGSA算法受到数据分布要求及投影方向的限制，使得解决变工况问题时，出现分类准确度较低的问题。

发明内容

有鉴于此，本发明提供了一种基于改进JGSA算法的变工况下滚动轴承故障诊断方法，以便解决上述提到的技术问题。

本发明的技术方案是：

一种基于改进JGSA算法的变工况下滚动轴承故障诊断方法，包括以下步骤：

步骤1、采集样本及数据预处理：

采集已知工况下滚动轴承多状态时域振动信号，经傅里叶变换后构成源域样本集X_S，其中，X_S＝{X_i}，i＝0，1，2，…，n_s，X_i是已知工况下滚动轴承多状态频域信号，n_s是已知工况下滚动轴承多状态频域信号的标号；采集未知工况下滚动轴承多状态时域振动信号，经傅里叶变换后构成目标域样本集X_t，其中，X_t＝{X_j}，j＝0，1，2，…，n_t，X_j是未知工况下滚动轴承多状态频域信号，n_t是未知工况下滚动轴承多状态频域信号的标号；

步骤2、给源域样本集X_S打标签：