一种不同负载滚动轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113705105A(43)申请公布日2021.11.26(21)申请号202111017051.1(22)申请日2021.08.31(71)申请人长安大学地址710064陕西省西安市南二环中段33号(72)发明人惠记庄张泽宇段雨耿麒朱佳庆任余石泽(74)专利代理机构西安睿通知识产权代理事务所(特殊普通合伙)61218代理人车宁华(51)Int.Cl.G06F30/27(2020.01)G06F30/17(2020.01)G01M13/04(2019.01)G01M13/045(2019.01)权利要求书1页说明书12页附图10页(54)发明名称一种不同负载滚动轴承故障诊断方法(57)摘要本发明属于工程机械技术领域，公开了一种不同负载滚动轴承故障诊断方法，包括以下步骤：步骤1，建立PSO‑SSTCA迁移算法；步骤2，使用PSO‑SSTCA迁移算法来缩短滚动轴承各个特征之间的距离，实现不同负载数据之间的类比分类；步骤3，利用KNN算法，通过已有的滚动轴承数据集及其标签信息实现其他数据集的分类；步骤4，通过步骤1～3诊断出轴承目前存在的故障状态。本发明通过迁移学习来自适应调节计算特征的分布，缩短轴承在不同负载工况下的数据分布距离，克服了现有技术中故障诊断局限于单一稳定环境，传统诊断方法难以适用的问题。CN113705105ACN113705105A权利要求书1/1页1.一种不同负载滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，建立PSO‑SSTCA迁移算法；步骤2，使用PSO‑SSTCA迁移算法来缩短滚动轴承各个特征之间的距离，实现不同负载数据之间的类比分类；步骤3，利用KNN算法，通过已有的滚动轴承数据集及其标签信息实现其他数据集的分类；步骤4，通过步骤1～3诊断出轴承目前存在的故障状态。2.根据权利要求1所述的不同负载滚动轴承故障诊断方法，其特征在于，步骤1的子步骤为：子步骤1.1，对TCA迁移学习算法引入HSIC来增强特征空间中的数据与类别标签依赖关系，建立SSTCA半监督迁移学习算法；子步骤1.2，利用多种核函数组合代替单一核函数；具体的，单一的核函数构成映射的特征有限，难以满足多种不同空间域之间的迁移变换需求；为了提高在多种负载环境下的迁移能力，通过一定权重将不同核函数组合起来，即可达到更好的映射效果；具体的，使用加法核，如式(1)，代替单一核函数；Ki，j＝aKPoly(xi，xj)+(1‑a)KGuassian(xi，xj)(1)其中，根据高斯核函数定义，当xi＝xj时，KGuassian(xi，xj)＝0。子步骤1.3，通过PSO粒子群优化算法与伪标签学习选择最优多核函数权重系数，构造最优多核函数；具体的，子步骤1.3.1，通过初步的机器学习分类算法，如KNN算法，获取一部分目标域伪标签；子步骤1.3.2，计算源域和目标域之间的条件分布概率MMD距离；子步骤1.3.3，将源域和目标域之间的条件分布概率MMD距离作为PSO粒子群优化算法的适应度函数，以最小化条件分布概率MMD距离为PSO粒子群优化算法的目标，通过粒子群之间的协同对比优化，搜寻出最优多核函数权重系数，以最优多核函数权重系数作为多核函数构造方式的最优解；子步骤1.4，综合子步骤1.1～1.3，基于PSO粒子群优化算法优化后的SSTCA半监督迁移学习算法，即PSO‑SSTCA迁移算法，它的最终目标是找到一个合适的矩阵W来求解以下目标函数：TTTminWtr(WKLKW)+μtr(WW)+λ(WKL′KW)接着仿照TCA迁移学习算法的思路，将问题转化为：对上式进行特征值分解，依据大小取前m个特征值对应的特征向量组成矩阵W，再经过PSO粒子群优化算法进一步缩小数据特征类内间距，即可得到迁移变换后的最优映射数据。2CN113705105A说明书1/12页一种不同负载滚动轴承故障诊断方法技术领域[0001]本发明属于工程机械技术领域，具体涉及一种不同负载滚动轴承故障诊断方法。背景技术[0002]工程装备轴承通常处在负载多变的工作环境之中。如装载机这类工程机械，在一个工作循环内需要进行多次的前进、后退、变档、铲运等诸多工作内容。其传动系统，包括轴承、齿轮、传动轴等部件经常承受不同程度外界负载。对于风电机械中的风力涡轮机等工程部件，则需要根据不同天气的变化，调整扇叶的转速，以保证尽可能高的发电效率的同时，不损坏原有结构。这些机械在实际工作中的负载大小往往不一，因此传统的基于恒定负载的机械结构故障诊断方法在这类机械上往往难以取得较高的准确率。由于负载变动范围大，针对各个负载情况下的数据测量工作量巨大，难以满足现阶段深度学习算法的大数据量需求。因此，最有效直接的方法是尽可能缩小各个负载