[发明专利]基于特征迁移学习的变工况下滚动轴承故障诊断方法

摘要

基于特征迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断领域，是针对滚动轴承尤其是变工况条件下诊断准确率低的问题而提出的。该方法利用VMD对滚动轴承各状态振动信号进行分解，得到一系列固有模态函数，对其构成的矩阵进行奇异值分解求奇异值及奇异值熵，再结合振动信号的时域、频域特征构造多特征集。同时引入半监督迁移成分分析方法，并对其核函数进行多核构造，将不同工况样本特征共同映射到一个共享再生核Hilbert空间，进而提高数据类内紧凑性和类间区分性。采用最大均值差异嵌入法选择更有效的数据作为源域，将源域特征样本输入SVM进行训练，测试映射后的目标域特征样本。在变工况下滚动轴承多状态分类中具有更高的准确率。

主权项

1.基于特征迁移学习的变工况下滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：(1)特征提取：对已知工况和未知工况滚动轴承多状态振动信号进行VMD操作，用观察法确定分解的IMF个数，对IMF构建矩阵，并进行SVD获取奇异值，同时求取奇异值熵；再提取振动信号的时域、频域特征指标；(2)特征样本集构建：将(1)中已知工况滚动轴承振动信号的时域、频域特征，结合奇异值、奇异值熵共同构建源域训练特征样本集；同理，未知工况的滚动轴承振动特征构建目标域测试特征样本集；(3)多核半监督迁移成分分析：将(2)中源域训练特征样本集与目标域测试特征样本集共同特征映射到再生核Hilbert空间中，在该空间中用MMDE方法度量源域训练特征样本与目标域测试特征样本之间的最大均值距离；由所述的最大均值距离判断可重新选择已知工况滚动轴承多状态振动信号，选择已知工况滚动轴承多状态振动信号辅助未知工况滚动轴承多状态振动信号学习，提高对目标域振动信号数据类别识别能力；(4)变工况下滚动轴承故障诊断：将(3)中映射后的源域训练特征样本集输入SVM中，同时用GA算法对SVM的惩罚因子和径向基核参数进行寻优，最终得到变工况下滚动轴承故障诊断的训练模型；将映射后的目标域测试特征样本输入到所述训练模型中，获得变工况下滚动轴承故障诊断结果。