一种基于流行保持迁移学习的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CN112819059A(43)申请公布日2021.05.18(21)申请号202110103160.9(22)申请日2021.01.26(71)申请人中国矿业大学地址221000江苏省徐州市南郊翟山(72)发明人俞啸陈伟丁恩杰吴传龙任晓红(74)专利代理机构徐州创荣知识产权代理事务所(普通合伙)32353代理人晏荣府(51)Int.Cl.G06K9/62(2006.01)G06F17/16(2006.01)G06F17/18(2006.01)权利要求书5页说明书16页附图5页(54)发明名称一种基于流行保持迁移学习的滚动轴承故障诊断方法(57)摘要本发明提出了一种基于流行保持迁移学习的滚动轴承故障诊断方法，结合局部线性空间判识(LFDA)和迁移成分分析(TCA)，设计了保留局部流形结构的半监督迁移成分分析方法(TCAPLMS)，在减少不同域数据集之间数据分布差异的同时，获取能够保留样本标签信息和状态特征信息的局部流形结构，此外提出基于故障敏感性和特征相关性的优选特征选择方法(PSFFC)嵌入到此框架中，以减少时频统计特征参数空间的冗余信息。本发明所提出的方法可以明显提高诊断准确性，且对实际工业场景具有强适应和泛化能力。CN112819059ACN112819059A权利要求书1/5页1.一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：具体如下：步骤1，采用最大重叠离散小波包变换MODWPT对健康和不同故障状态的轴承振动信号样本进行信号处理，得到每个信号样本的原始特征集；步骤2，对步骤1构建的原始特征集中的每一种特征进行评价，选取出对轴承状态更加敏感的特征，构建样本的优选特征子集；步骤3，对步骤2得到的优选特征子集进行流行结构保持降维，得到用于状态模式识别的低维迁移特征向量；步骤4，将步骤3得到的低维迁移特征向量作为分类器的输入，用于训练故障诊断分类模型。2.根据权利要求1所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：步骤1具体步骤如下：将振动信号样本分为训练阶段样本集和测试阶段样本集；训练阶段样本集代表诊断问题的已知空间，样本的状态标签是已知的；测试阶段样本集，代表未知空间，需要使用训练阶段样本对诊断模型进行训练，利用训练后的模型判断测试阶段振动信号样本的状态标签。3.根据权利要求2所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于:对训练阶段和测试阶段的每一个振动信号样本进行四层MODWPT分解，获取16个终端节点和相应的小波包系数，对树结构第四层中的每个节点系数进行单支小波包重构，可获得16个单支重构信号，再求得16个重构信号的希尔伯特包络谱，分别计算16个单支重构信号及其HES共32个序列的6种统计参数，具体6种统计参数可以得到一个振动信号样本的192个统计参数，构成原始特征集。4.根据权利要求2所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于:步骤2中，在训练阶段，利用PSFFC方法对步骤1得到的训练阶段的原始特征集进行分析，得到排序后的特征优先选择指标FPSD序列，根据FPSD序列选择原始特征集的优选特征子集；在测试阶段，直接利用训练阶段得到的FPSD序列选择最优特征构建优选特征子集；具体步骤：对于步骤1所得到的训练阶段样本集的原始特征集，通过基于密度的聚类方法，计算出可以表示每一种特征对训练样本集的聚类评价指标，这里使用调整的兰德指数ARI；计算训练阶段样本集的原始特征集每一种特征的均方差MD和均方差之和SMD，用于分析该种特征的类内聚能力。计算ARI与SMD的比值，得到每一种特征的故障敏感度的评估指标FSD，计算各特征之间的皮尔逊相关系数PCC以得到评估特征之间相关度的SPCC，结合FSD和SPCC计算最终的特征优先级选择度FPSD，对所有原始特征的FPSD进行从大到小排序，得到用于特征选择的FPSD序列，依据FPSD序列选取训练阶段样本原始特征集的优选特征子集；对于测试阶段的样本，直接依据通过训练阶段样本集得到的FPSD序列选取训练集和测试集样本的优选特征子集。5.根据权利要求4所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：具体PSFFC方法的步骤如下：步骤2.1假定轴承状态有M种，每种状态采集N组振动信号样本，经过步骤1的振动信号处理和原始特征提取过程，每个振动信号样本可以获得包含K种统计参数，这些特征可以构成原始特征集[RFS1,RFS2,…,RFSK]，其中RFSk为所有样本的第k种统计参数的集合，表达式如下：2CN112819059A权利要求书2/5页其中，是第i种轴承运行状态的第j个振动信号样本的第k个统计参数；然后，利用DBSCAN算法，分别对