【技术实现步骤摘要】
基于改进迁移学习的旋转机械轴承的早期故障诊断方法
本申请涉及一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，属于计算机
技术介绍
轴承是旋转机械设备中的重要组成部件。机械设备中轴承通常承担着传递动力的功能，所以轴承是旋转机械的核心部件。通常，在机械设备的运行过程中，轴承的转动速度高达几千转每分钟，甚至高达上万转每分钟。而且旋转机械通常运行在高温，多腐蚀，长时间运转的环境下，在这样的严苛的运行环境下，轴承易出现故障。而轴承故障早期发生时，旋转机械可以继续运转，因此很难发现轴承已发生故障。但当有故障轴承长期运转，会极易造成设备的损坏，影响设备的使用寿命。因此，需要对轴承进行早期故障诊断。一种典型的轴承的早期故障诊断方式为使用机器学习方法或者是深度学习方法对轴承进行早期故障诊断。基于上述方式，需要使用训练数据预先对神经网络进行训练，并使用测试数据对训练后的神经网络进行测试。其中，训练数据和测试数据包括轴承相关工作数据和该工作数据对应的故障标签，该故障标签用于指示该工作数据对应的故障类型。然而...
【技术保护点】
1.一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，其特征在于，所述方法包括：/n获取有标签数据集和无标签的待诊断数据集，所述有标签数据集中的每组有标签数据包括轴承相关工作数据和对应的故障类型的标签；所述待诊断数据集中的每组无标签数据包括轴承相关工作数据；/n对所述有标签数据集和所述待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；/n分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；每种数据集对应的特征值向量矩阵包括浅层特征和深层特征；/n对所述对齐后的有标签数据集对应的特征值向量矩阵进...
【技术特征摘要】
1.一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，其特征在于，所述方法包括：
获取有标签数据集和无标签的待诊断数据集，所述有标签数据集中的每组有标签数据包括轴承相关工作数据和对应的故障类型的标签；所述待诊断数据集中的每组无标签数据包括轴承相关工作数据；
对所述有标签数据集和所述待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；
分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；每种数据集对应的特征值向量矩阵包括浅层特征和深层特征；
对所述对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵；
对所述每种故障类型的标签对应的特征值向量矩阵和所述对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到所述对齐后的有标签数据集对应的第一对齐后的特征值向量、以及所述对齐后的待诊断数据集对应的第二对齐后的特征值向量；
对于所述第二对齐后的特征值向量中的每个待诊断的特征值向量，从所述第一对齐后的特征值向量矩阵中确定与所述待诊断的特征值向量最相近的n个特征值向量；所述n正整数；
按照所述n个特征值向量所属的故障类型的标签，确定所述待诊断的特征值向量对应的故障类型的标签，得到所述待诊断的特征值向量对应的无标签数据的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述对所述有标签数据集和所述待诊断数据集进行数据对齐，包括：
基于关联对齐距离CORAL算法对所述有标签数据集和所述待诊断数据集进行数据对齐，以使所述有标签数据集的数据分布与所述待诊断数据集的数据分布相同。
3.根据权利要求1所述的方法，其特征在于，所述分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，包括：
分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行浅层特征提取，得到每个数据集对应的浅层特征；
其中，所述浅层特征包括所述轴承相关工作数据的时域特征、频域特征和时频域特征中的至少一种；
所述时域特征包括：所述轴承相关工作数...
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。