[发明专利]多项式核植入特征分布适配的滚动轴承故障迁移诊断方法

摘要

多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，首先获得源域滚动轴承含健康标记数据集与目标域滚动轴承的监测数据集，输入到深度残差网络后，逐层提取源域与目标域迁移故障特征；通过多项式核植入特征适配最小化分布差异；将目标域故障特征通过Softmax分类器，获得目标域样本特定健康状态的概率分布，然后将概率分布转换为目标域样本的伪标记；通过获得的分布差异与目标域伪标记训练迁移诊断模型后，将目标域轴承的监测数据输入训练完成的诊断模型，输出数据样本对应的标签概率分布，则最大概率所对应的样本标签即为滚动轴承的健康状态；本发明提高迁移诊断模型的性能和训练效率，降低调参难度。

主权项

1.一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，其特征在于，包括以下步骤：步骤1，获取源域滚动轴承R种含健康标记的样本数据集其中，为第i个源域样本，由N个振动信号数据点组成，其对应的轴承健康标记为y_i∈{1,2,3,...,R}，n_s为标签样本数；获取目标域滚动轴承监测数据集n_t为未标记样本数；步骤2，将源域轴承数据与目标域轴承数据，输入领域共享的深度残差网络，逐层提取二者中的迁移故障特征，得到源域轴承迁移故障特征与目标域轴承的迁移故障特征步骤3，利用多项式核植入的最大均值差异度量源域轴承数据与目标域轴承数据中迁移故障特征的分布差异为：式中，H表示再生核希尔伯特空间(Reproducing Kernel Hilbert Space)，a、b、c分别为多项式核函数的斜率、截距与阶次；步骤4，将步骤2中所得的迁移故障特征输入深度残差网络的输出层F₃，利用激活函数Softmax生成样本特定健康状态的概率分布为：其中，第q个样本的概率计算公式为：式中：为输出层F₃的待训练参数，D为轴承数据标识符；然后，将概率分布转换为目标域样本的伪标记：其中，步骤5，结合步骤3中获得的迁移故障特征分布差异与步骤4中的目标域轴承样本的伪标记训练迁移诊断模型，即最小化目标函数：式中，α为迁移故障特征分布适配项的惩罚因子、β为伪标记训练项的惩罚因子，θ为待训练参数；步骤6，将目标域轴承的监测数据输入训练完成的迁移诊断模型中，输出数据样本特征对应的标签概率分布，取最大概率所对应的样本标签作为轴承的健康状态