[发明专利]一种基于流形嵌入和关键特征选取的机械故障诊断方法

说明书

本发明提出了一种基于流形嵌入和关键特征选取的机械故障诊断方法，涉及故障诊断领域，具体如下：首先，采用最大重叠离散小波包变换对旋转机械振动信号进行处理并提取统计特征；其次，利用域间差异与Laplace分数分析特征关联度，提出一种适用于域自适应的关键特征选取方法，选取具有高故障判别能力与邻域不变特性的关键特征；然后，在考虑类别信息和邻域关系的基础上，提出了一种新的带有流形嵌入的监督域自适应方法，用于流形子空间的分布对齐，同时学习了一个新的域不变分类器；最后，采用新的分类器预测未标记的目标域；本发明所提出的方法可以明显提高跨域故障诊断准确度，在实际工业场景中具有更强的有效性、适应性和优越性。

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于流形嵌入和关键特征选取的机械故障诊断方法。

背景技术

近年来，随着现代化工业水平的快速提高，电机、轴承等旋转机械在交通运输、矿业、电力、制造业等工业领域发挥越来越大的作用。然而，高温、高速运行、过载、高扭矩等恶劣多变的工作环境极大降低了旋转机械的可靠性。旋转机械的意外故障可能会产生巨大的经济损失，甚至造成人员伤亡。因此，旋转机械故障诊断方法的研究对于保证机械系统正常工作、防止重大故障等具有重要现实意义。

随着信号处理、数据挖掘与基于人工智能的机器学习技术的发展，监测设备状态并利用监测数据的智能诊断方法已经在工业领域得到了广泛的研究与应用。现有的智能故障诊断方法一般可以分为三类：基于传统机器学习(Traditional Machine Learning，TML)的框架、基于深度学习(Deep Learning，DL)的框架和基于迁移学习(Transfer Learning，TL)的框架。基于TML的故障诊断框架已经得到了广泛的研究，典型的TML算法包括K近邻法、支持向量机和人工神经网络等，但此框架应用至不同的诊断对象与设备工作状态时，需要进行针对性的算法选取与框架制定，因此TML技术最关键的问题是严重依赖专家知识。由于深度学习算法具有从原始数据中自动挖掘隐藏特征的强大能力，基于DL的智能故障诊断框架受到越来越多的关注，但应用时依然存在多个局限性：1)缺乏可解释性。

基于DL的模型很大程度上依然是一个黑盒模型，难以解释；2)泛化能力不足。现有的故障诊断模型大多假设训练数据和测试数据具有相同的分布，但在工程实践中，旋转机械的真实振动信号往往不一致，导致数据分布不一致。3)诊断算法依赖带标签数据。旋转机械在实际运行时，带标签故障数据极少，且由于采集限制无法获取足够的带标签故障数据，因此基于DL的诊断框架无法满足变工况故障诊断需求。

为了解决上述两种算法的问题，提出了一种基于TL框架下的域自适应技术，学习基于带标签数据的源域分类器，应用于未带标签的目标域进行机械故障诊断。此技术运用于跨域故障诊断大致可分为跨域分布对齐、流行子空间学习与深度迁移学习三种方法，其中第一种方法在原始特征空间进行域分布对齐需克服特征畸变，第二种方法在进行子空间学习是难以降低分布发散度，而现有的深度迁移学习方法大多是典型的参数化算法，实现过程中超参数调整极其复杂且耗时。

考虑这三种域自适应方法的局限性，提出结合流行特征学习与跨域特征分布相结合的高效诊断方法，同时现有所提出方法有以下两个局限：1)域自适应时未利用源域的类信息与数据特征间的邻近关系；2)未考虑不同特征对域自适应的影响。

现有的大多数方法主要集中在跨域分布对齐或流形子空间学习上，这面临两个关键问题：1)在原始特征空间中对分布进行对齐时，难以克服特征畸变；2)子空间学习不足以降低分布散度。

发明内容

本发明所要解决的技术问题是针对背景技术的不足提供一种基于流形嵌入和关键特征选取的旋转机械故障诊断方法，为了提高旋转机械故障诊断方法在实际工业场景的适应性和稳定性，以面对复杂多变的机械工作条件，满足旋转机械故障诊断模型在较少训练数据条件下高诊断准确度的同时，还有优越的跨域诊断性能。

本发明为解决上述技术问题采用以下技术方案：