【技术实现步骤摘要】
一种均衡分布适配的旋转机械变工况故障诊断方法
本专利技术属于仿真分析
，特别涉及一种均衡分布适配的旋转机械变工况故障诊断方法。
技术介绍
航空发动机、风电机组、汽轮发电机组等重大旋转机械装备常常运行在变转速、变载荷等复杂工况，在交变载荷的作用下，齿轮与轴承等关键零部件很容易出现故障。近些年来，尽管国内外学者对基于机器学习、深度学习等人工智能的机械装备故障诊断技术开展大量研究工作，然而，在实际工程中，由于受到变转速、变载荷等因素的影响，不同工况下故障特征分布不一致，导致基于训练数据与测试数据具有相同的分布特征的传统机器学习、深度学习等方法的故障诊断模型泛化能力降低，甚至不再适用。为了解决训练样本与测试样本分布不一致导致传统机器学习方法效果严重退化的问题，有学者提出迁移成分分析(TransferComponentAnalysis，TCA)方法，开启了迁移学习在学术界和工业界的研究与应用。迁移学习作为一种跨领域、跨任务的学习方法，不再局限于传统机器学习对测试数据与训练数据同一分布的要求，具备学习先前任务的知识和技巧并...
【技术保护点】
1.一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，包括以下步骤：/nS1、获取旋转机械变工况故障数据，并根据不同工况，将故障数据划分为源域和目标域数据集；/nS2、通过源域数据训练模型预测目标域样本伪标签，并采用类条件分布近似估计目标域的条件分布；/nS3、利用核函数将源域与目标域特征集映射到潜在特征空间后，采用平衡因子调节源域、目标域条件分布与边缘分布权重，构建均衡分布适配模型，通过多次迭代，实现源域与目标域样本分布差异最小化，并保存最佳模型；/nS4、输出变工况下的故障诊断结果。/n
【技术特征摘要】
1.一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，包括以下步骤：
S1、获取旋转机械变工况故障数据，并根据不同工况，将故障数据划分为源域和目标域数据集；
S2、通过源域数据训练模型预测目标域样本伪标签，并采用类条件分布近似估计目标域的条件分布；
S3、利用核函数将源域与目标域特征集映射到潜在特征空间后，采用平衡因子调节源域、目标域条件分布与边缘分布权重，构建均衡分布适配模型，通过多次迭代，实现源域与目标域样本分布差异最小化，并保存最佳模型；
S4、输出变工况下的故障诊断结果。
2.根据权利要求1所述的一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，源域和目标域数据集的获取包括：利用传感器采集旋转机械不同工况下的故障信号，对每一个故障信号，以1024采样点为一个样本长度，并从每个样本中提取24个时域特征和24个频域特征。
3.根据权利要求1所述的一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，步骤S2具体包括以下步骤：
利用有标签的源域数据训练一个k-近邻分类器模型；
将无标签目标域数据输入到模型中，通过多次迭代，预测目标域的伪标签；
结合目标域伪标签，采用类条件分布方法近似估计目标域的条件分布。
4.根据权利要求1所述的一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，实现源域与目标域样本分布差异最小化具体包括以下步骤：
S31、利用最大均值差异将源域和目标域数据映射到再生希尔伯特空间中；
S32、采用基于类间间距最小选取方法计算平衡因子；
S33、引入平衡因子，构建均衡分布适配模型；
S34、引入核矩阵和正则化方法计算最大均值差异作为数据分布差异，并采用拉格朗日算子最小化源域和目标域的分布差异；
S35、通过多次迭代更新，保存最优的均衡分布适配模型参数。
5.根据权利要求4所述的一种均衡分布适配的旋转机械变工况故障诊断方法，其特征在于，利用最大均值差异将源域和目标域数据映射到再生希尔伯特空间中包括：
其中，d(Ds,Dt)为最大均值差异计算得到的源域和目标域数据距离；H为再生希尔伯特空间，c∈{1,2,...,C}为样本类别；n、m分别代表源域与目标域样本数量，mc表示目标域...
【专利技术属性】
技术研发人员：韩延，钱春燕，胡小林，黄庆卿，张焱，谢昊飞，魏旻，王浩，王平，刘兰徽，邢镔，
申请(专利权)人：重庆邮电大学，重庆工业大数据创新中心有限公司，
类型：发明
国别省市：重庆;50
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。