一种基于域自适应的轴承故障诊断方法技术

本发明专利技术涉及一种基于域自适应的轴承故障诊断方法，包括以下步骤：分别对有标签历史振动数据与目标振动数据进行特征提取，并基于距离指标选择敏感特征集，通过主成分分析构造格拉斯曼流形，并在此基础上构造测地流，以有标签历史振动数据振动的敏感特征集为源域，以目标振动数据的敏感特征集为目标域，使两者在测地流上投影进行域自适应，并基于投影的距离测度实现对目标振动数据的轴承状态识别。将该方法用于轴承故障诊断的结果表明，该方法能够有效克服工况、轴承个体差异等因素造成的振动数据偏移，显示了较强的工程应用价值。

【技术实现步骤摘要】

本专利技术属于机械设备故障诊断领域，具体地说，涉及一种基于域自适应的轴承故障诊断方法。
技术介绍
轴承是旋转机械中的一种基础零部件，在支撑机械旋转体，降低摩擦系数，保证回转精度上具有不可替代的作用。但是受制造精度、材料特性、润滑条件、载荷波动等因素影响，实际轴承寿命不尽相同，甚至会发生突然的轴承断裂损伤，引发生产事故。同时，有些大直径、高精度的特种轴承造价昂贵，需要时刻关注其工作状态。因此对轴承实施状态监测，及时准确诊断轴承异常状态，并实施有针对性的设备维护，对保证制造精度，维护生产秩序有重要意义。更重要的是，轴承的故障诊断方法研究的意义不仅仅局限对轴承基于状态的设备维护，同时也是其他机械设备故障诊断的试金石。“诊断是以机械学和信息论为依托，多学科融合的技术，本质是模式识别”。基于振动数据的智能诊断方法是目前工业与学术界实施轴承故障诊断的通常做法，其一般技术路径是：振动数据采集——特征提取——特征降维——分类器。近年来，不同的特征提取、特征降维、分类方法被提出，并用于轴承的故障诊断，显示了一定的应用价值。但多数方法基于两个理论前提：一是代表不同轴承状态的振动数据需要足够多；二是振动数据经过特征提取、特征降维之后具有稳定、可分的统计分布特征，从而能够训练分类器形成一定的分类超平面或分类模型参数。基于上述理论前提的故障诊断方法广泛见诸于学术文献，例如：Hu等在文献“FaultdiagnosisofrotatingmachinerybasedonimprovedwaveletpackagetransformandSVMsensemble”(基于改进小波包变换与组合支持向量机的旋转机械故障诊断)介绍了一种基于组合支持向量机的故障诊断方法，Samanta等在文献“Artificialneuralnetworkbasedfaultdiagnosisofrollingelementbearingsusingtime-domainfeatures”(基于时域特征与人工神经网络的滚动轴承故障诊断)介绍了一种基于振动数据时域统计特征与神经网络的轴承故障诊断方法。这些方法的局限之处在于上述两个前提被打破后，故障诊断能力将显著下降。而事实是：上述两个前提在实际的轴承状态监测和故障诊断中并不一定能够完全被满足，例如：有些轴承造价昂贵，不可能事先获取足够多种类和数量的振动数据；有些轴承受载荷、工况、环境等交变因素的影响，其动态特性变化也会导致振动数据偏移；更普遍的情况是受制造精度、材料特性等因素影响，即使同一型号的轴承在故障显现时，其振动特征并不完全一致。随着研究的深入，上述问题也被逐渐引起重视，经文献检索发现：专利“一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法”(CN104408302A)着力于提取一种对工况变化免疫的特征，即从特征提取的角度来更好地满足理论前提二的要求，但是基于上述分析，该专利对于样本数据受限、轴承个体差异的问题没有深入涉及；同样为了克服工况变化的影响，专利“一种变工况下的滚动轴承故障诊断方法”(CN103048137A)通过经验模式分解提取特征向量，并基于神经网络实现变工况条件下的轴承故障诊断，也未涉及上述问题。
技术实现思路
本专利技术的目的在于针对现有轴承诊断方法的不足，提出一种基于域自适应的轴承故障诊断方法。本专利技术提取并选择已知轴承振动数据的特征作为源域，提取并选择待识别轴承振动数据的特征作为目标域，以两者在格拉斯曼流形上测地流的投影实现两个特征空间的域自适应，不仅能够实现变工况条件下的轴承故障诊断，更能有效克服轴承个体差异、载荷变化等因素影响造成的振动数据偏移。本专利技术采用的技术方案如下：一种基于域自适应的轴承故障诊断方法，包括如下步骤：步骤1、采集有标签历史振动数据和目标振动数据，分别对有标签历史振动数据与目标振动数据进行特征提取，构造有标签历史振动数据的初始特征集FS与目标振动数据的初始特征集FT；步骤2、基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择，构造有标签历史振动数据的敏感特征集XS，并对目标振动数据的初始特征集FT选择相同特征构造目标振动数据的敏感特征集XT；步骤3、分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析，并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT，从而构造出一个格拉斯曼流形G(d,D)；步骤4、以有标签历史振动数据的线性特征子空间PS为开始，以目标振动数据的线性特征子空间PT为结束，在格拉斯曼流形上构造测地流Φ(t)∈G(d,D)，t∈[0,1]为测地流参数，当t＝0时，Φ(0)＝PS，而当t＝1时，Φ(1)＝PT，两者之间任一位置为其中U1与U2是通过奇异值分解求得的左奇异向量矩阵，V是对应的右奇异向量矩阵，Γ与Σ是对角矩阵，其中第i个对角元素分别为cosθi与sinθi，而θi是有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT之间的主角度，定义为对应地，Γ(t)与Σ(t)是对角元素分别为cos(tθi)与sin(tθi)的对角矩阵；步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地流上投影，使标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与即zi∞=Φ(t)Txi,zj∞=Φ(t)Txj;]]>步骤6、基于测地流核函数<zi∞,zi∞>=∫01(Φ(t)Txi)T(Φ(t)Txj)dt=xiTKxj]]>进行距离测度计算：||zi∞-zj∞||2=<zi∞,zi∞>+<zj∞,zj∞>-2<zi∞,zj∞>,]]>其中，K=[PSU1PSU2]Λ1Λ2Λ2Λ3U1TPSTU2TRST,]]>Λ1,Λ2,Λ3分别为对角矩阵，对角元素分别为λ1i=1+sin(2θi)2θi,λ2i=cos(2θi)-12θi,λ3i=1-sin(2θi)2θi;]]>步骤7、基于距离测度采用最近邻分类器进行分类，输出目标振动数据的轴承状态识别结果本文档来自技高网...

【技术保护点】
一种基于域自适应的轴承故障诊断方法，其特征在于，包括如下步骤：步骤1、采集有标签历史振动数据和目标振动数据，分别对有标签历史振动数据与目标振动数据进行特征提取，构造有标签历史振动数据的初始特征集FS与目标振动数据的初始特征集FT；步骤2、基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择，构造有标签历史振动数据的敏感特征集XS，并对目标振动数据的初始特征集FT选择相同特征构造目标振动数据的敏感特征集XT；步骤3、分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析，并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT，从而构造出一个格拉斯曼流形G(d,D)；步骤4、以有标签历史振动数据的线性特征子空间PS为开始，以目标振动数据的线性特征子空间PT为结束，在格拉斯曼流形上构造测地流；步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地流上投影，使标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与步骤6、基于测地流核函数进行距离测度计算；步骤7、基于距离测度采用最近邻分类器进行分类，输出目标振动数据的轴承状态识别结果。...

【技术特征摘要】
1.一种基于域自适应的轴承故障诊断方法，其特征在于，包括如下步骤：
步骤1、采集有标签历史振动数据和目标振动数据，分别对有标签历史振动数据与目标
振动数据进行特征提取，构造有标签历史振动数据的初始特征集FS与目标振动数据的初始
特征集FT；
步骤2、基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择，构造有标
签历史振动数据的敏感特征集XS，并对目标振动数据的初始特征集FT选择相同特征构造目
标振动数据的敏感特征集XT；
步骤3、分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进
行主成分分析，并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS与
目标振动数据的线性特征子空间PT，从而构造出一个格拉斯曼流形G(d,D)；
步骤4、以有标签历史振动数据的线性特征子空间PS为开始，以目标振动数据的线性特
征子空间PT为结束，在格拉斯曼流形上构造测地流；
步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地
流上投影，使标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向
量xj转换成测地流上的两个投影点与步骤6、基于测地流核函数进行距离测度计算；
步骤7、基于距离测度采用最近邻分类器进行分类，输出目标振动数据的轴承状态识别
结果。
2.如权利要求1所述的一种基于域自适应的轴承故障诊断方法，其特征在于：步骤1中
的所述有标签历史振动数据是指在多种已知轴承状态下采集的振动数据；所述目标振动数
据是指在未知轴承状态下采集的振动数据或在待识别轴承状态下采集的振动数据。
3.如权利要求1所述的一种基于域自适应的轴承故障诊断方法，其特征在于：所述步骤
1中所述特征提取包括分别提取有标签历史振动数据与目标振动数据时域与小波域的统计
参数，包括：峰-峰值、均值、标准差、均方值、波形指标、峰值指标、脉冲指标、裕度、偏度、峭
度。
4.如权利要求1所述的一种基于域自适应的轴承故障诊断方法，其特征在于：所述步骤
2中所述距离指标为其中Sb为不同类特征的类间平均距离，Sw为单类特征的类内平
均距离，特征选择以...

【专利技术属性】
技术研发人员：刘海宁，宋方臻，刘成良，孙选，门秀花，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37