[发明专利]一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法

摘要

一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断技术领域，为了解决变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题。首先采用SDAE对滚动轴承振动信号频域幅值进行特征提取，得到振动信号深层特征，并构成源域特征样本集和目标域特征样本集。然后采用JGSA对源域特征样本与目标域特征样本进行域适应处理，达到同时减少域间特征样本的分布偏移及子空间变换差异的目的，进而缩减不同类特征样本间的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态分类。本发明与其他方法相比较，在滚动轴承变工况条件下表现出更好的特征提取能力，其样本特征可视化效果最佳，变工况下滚动轴承故障诊断准确率高。

主权项

1.一种基于深层特征和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：训练阶段：(1)数据预处理：将已知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成源域训练样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对源域训练样本进行域适应处理，所述迁移学习方法为JGSA方法；(4)模型建立：由JGSA算法域适应处理后的源域已知标签样本集来训练KNN分类模型，得到变工况下滚动轴承故障诊断训练模型；测试阶段：(1)数据预处理：将未知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成目标域测试样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对目标域测试样本进行域适应处理，所述迁移学习方法为JGSA方法；该步骤与训练阶段对应步骤采用JGSA方法同时进行处理；(4)对变工况下滚动轴承故障诊断训练模型进行测试：利用域适应后的目标域测试样本集测试训练阶段得到变工况下滚动轴承故障诊断训练模型，通过不断迭代计算在目标域测试样本上得到变工况下滚动轴承振动信号多状态分类结果，完成变工况下滚动轴承多状态故障诊断。