一种基于多源加权集成迁移学习的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于多源加权集成迁移学习的滚动轴承故障诊断方法。该方法选取滚动轴承在某一工况下的故障振动信号作为目标域，并选取同种轴承在其他工况下的故障振动信号作为源域，提取振动信号的时频域特征量作为目标域和源域样本，并赋予目标域和源域对应的样本权重；采用改进梯度提升树(LightGBM)作为集成迁移学习的基学习器，提高算法的运行效率和精度；采用多源域改进后的TrAdaboost的权重更新策略来更新样本权重，降低负迁移源域对迁移效果的影响。该诊断方法结果可靠，实时性好，适用于目标故障样本较少情况下的滚动轴承故障诊断。

【技术实现步骤摘要】
一种基于多源加权集成迁移学习的滚动轴承故障诊断方法
本专利技术属机械设备故障诊断领域，具体涉及滚动轴承故障诊断方法。
技术介绍
滚动轴承是现代旋转机械中的关键部件，目前很多旋转机械的工作条件恶劣，滚动轴承也成为最易损坏的元件之一，一旦发生故障很可能造成严重后果，所以滚动轴承的故障诊断是故障诊断领域的一个重要研究方向。而现在很多旋转机械都向着高速化、集成化的方向发展，导致滚动轴承故障特征信息不易采集，从而使得目标诊断故障特征可能会有故障样本量少的情况，同时传感器的发展也日新月异，使得采集的故障信息也具有多源性的特点。因此，现在的滚动轴承故障特征信息呈现出信息多源性、目标故障样本量少等特点。目前，滚动轴承故障诊断的常用方法主要有三种：基于知识的故障诊断、基于传统机器学习的故障诊断、基于深度学习的故障诊断。基于知识的故障诊断是利用专家的经验和知识建立专家系统来进行诊断，但实际情况下有着知识不易获取、自适应能力差等缺点。基于传统机器学习的故障诊断是利用机器学习对故障特征进行分类识别，常见的有基于人工神经网络或支持向量机的故障诊断，在故障诊断领域本文档来自技高网...

【技术保护点】
1.一种基于多源加权集成迁移学习的滚动轴承故障诊断方法，其特征在于：包括以下步骤：/n步骤1：选取滚动轴承在某一工况下的故障振动信号作为目标域，并选取同种轴承在其他工况下的故障振动信号作为源域，提取振动信号的时频域特征量作为目标域和源域样本，并赋予目标域和源域对应的样本权重；/n步骤2：采用改进梯度提升树作为集成迁移学习的基学习器，利用步骤1得到的目标域和源域样本以及样本权重，采用多源域改进后的TrAdaboost的权重更新策略来更新样本权重，对基学习器进行训练，得到最终的集成迁移学习器；/n步骤3：利用步骤2得到的集成迁移学习器进行滚动轴承故障诊断。/n

【技术特征摘要】
1.一种基于多源加权集成迁移学习的滚动轴承故障诊断方法，其特征在于：包括以下步骤：
步骤1：选取滚动轴承在某一工况下的故障振动信号作为目标域，并选取同种轴承在其他工况下的故障振动信号作为源域，提取振动信号的时频域特征量作为目标域和源域样本，并赋予目标域和源域对应的样本权重；
步骤2：采用改进梯度提升树作为集成迁移学习的基学习器，利用步骤1得到的目标域和源域样本以及样本权重，采用多源域改进后的TrAdaboost的权重更新策略来更新样本权重，对基学习器进行训练，得到最终的集成迁移学习器；
步骤3：利用步骤2得到的集成迁移学习器进行滚动轴承故障诊断。


2.根据权利要求1所述一种基于多源加权集成迁移学习的滚动轴承故障诊断方法，其特征在于：步骤1中提取的振动信号的时频域特征量包括范数平方和、标准差、均方根值、峭度、歪度、波形指标、均值、中位数、峰峰值、最大值、方根幅值、绝对平均值、峰值指标、方差。


3.根据权利要求1所述一种基于多源加权集成迁移学习的滚动轴承故障诊断方法，其特征在于：步骤1中，选取目标故障样本集作为目标域训练集DT，选取N个辅助故障样本集作为源域训练集设置目标域样本权重为ωT，其中目标域样本权重初始值为其中nT为目标域的样本数，设置N个源域样本权重为其中源域k的样本权重初始值为其中为源域k的样本数；训练集中故障种类数为M，设置目标域标签矩阵为yT，源域标签矩阵为


4.根据权利要求1所述一种基于多源加权集成迁移学习的滚动轴承故障诊断方法，其特征在于：步骤2的具体过程为：
步骤2.1：采用改进梯度提升树作为基学习器，L(xi,yi)为改进梯度提升树在训练集不带...

【专利技术属性】
技术研发人员：姜洪开，杨懿，王应雷，鲁腾飞，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61