基于改进型LSSVM迁移学习的轴承故障诊断方法和系统技术方案
【技术实现步骤摘要】
本专利技术属于轴承故障诊断领域，尤其是一种基于改进型LSSVM(LeastSquaresSupportVectorMachine，最小二乘支持向量机)迁移学习的轴承故障诊断方法和系统。
技术介绍
轴承作为旋转机械的重要部件之一，在现代工业中应用广泛，对其故障诊断已成为保障安全生产、防止重大事故发生的有效手段。目前轴承故障诊断主要包括数据采集、特征提取以及故障分类等操作步骤。其中，故障分类可用传统机器学习算法实现，其实现有效分类需要训练数据与测试数据分布相同，并且目标诊断数据量充足。然而实际工业系统中普遍存在的复杂工况环境，往往导致目标诊断数据无法直接获取、训练数据与测试数据分布特性存在一定的差异，这些都会降低传统机器学习故障诊断模型的泛化能力，甚至使得模型不再适用。当以上问题出现时，大多数传统机器学习算法采用重新标记目标轴承故障样本来解决，但其需要大量实验及专业知识，而且工业环境中外在摩擦力、工况等因素的变化，并不能保证采集到的标记数据和目标轴承故障数据分布一致，并且重新标记目标轴承故障样本还需要额外时间和人力成本。如何在克服传统机器学习算法在轴承故障诊断领域的不足，已成为目前需要解决的问题。
技术实现思路
专利技术目的：一个目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断方法，以解决现有技术存在的上述问题。进一步的目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断系统。技术方案：一种基...
【技术保护点】
一种基于改进型LSSVM迁移学习的轴承故障诊断方法，其特征在于，包括如下步骤：步骤1、利用递归定量分析对目标数据和辅助数据进行处理，提取非线性特征并与传统时域特征相结合，组成特征向量，构成训练集；步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型：在LSSVM原优化问题中的目标函数和约束条件中，分别增加辅助集的惩罚函数和约束条件，使LSSVM在迭代学习的过程中，受到辅助集的影响，从而提高其分类精度，构建基于迁移学习的故障诊断模型；步骤3：将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合，组成特征向量，构成测试集，输入到步骤2中已训练好的改进型LSSVM模型中，分析输出结果。
【技术特征摘要】
1.一种基于改进型LSSVM迁移学习的轴承故障诊断方法，其特征在于，包括如
下步骤：
步骤1、利用递归定量分析对目标数据和辅助数据进行处理，提取非线性特征并与
传统时域特征相结合，组成特征向量，构成训练集；
步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型：
在LSSVM原优化问题中的目标函数和约束条件中，分别增加辅助集的惩罚函数和
约束条件，使LSSVM在迭代学习的过程中，受到辅助集的影响，从而提高其分类精度，
构建基于迁移学习的故障诊断模型；
步骤3：将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性
特征并与传统时域特征相结合，组成...
【专利技术属性】
技术研发人员：严如强，陈超，沈飞，陈雪峰，张兴武，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。