一种多特征融合下基于迁移成分分析的轴承故障诊断方法技术

本发明专利技术公开了一种多特征融合下基于迁移成分分析的轴承故障诊断方法，本发明专利技术先采用加速度传感器收集的信息，从时域、频域、小波域和熵的角度，提取特征，根据已知故障尺寸、故障类别下的轴承振动信号的混合特征集合组成源域，未知故障类别但故障尺寸大小一致的故障尺寸下，轴承振动信号的混合特征集合组成目标域，通过迁移成分分析(TCA)的边缘分布自适应方法，采用K最近邻分类诊断新故障直径下的故障类型，本发明专利技术从多个方面入手，提取了数据的时域、频域、小波域和熵方面的信息，对多特征进行融合，更全面刻画了故障时运行的场景；利用已知故障直径的样本，能有效提高原先数据的利用程度和检测精确度。程度和检测精确度。程度和检测精确度。

【技术实现步骤摘要】
一种多特征融合下基于迁移成分分析的轴承故障诊断方法


[0001]本专利技术涉及机械自动化故障检测领域，尤其涉及一种多特征融合下基于迁移成分分析的轴承故障诊断方法。

技术介绍

[0002]随着科学技术和企业设备管理的现代化，为了满足现代企业管理和生产需求，让设备连续、可靠、安全、高效地运转具有不可比拟的重要意义。然而由于损耗和工作环境的影响，机械设备不可避免出现故障而停工。大量实践案例表明，对设备进行有效监测和故障诊断是保证生产率的重要手段。
[0003]轴承振动信号包含的信息极为丰富，不仅仅反映在时域，通过提取频域，小波域等多个方面的特征数据，可以更加全面分析运行数据，提升预测精度。
[0004]迁移学习作为机器学习的一大分支，出现了不少研究进展，迁移学习侧重于将已经学习过的知识迁移应用到新的问题中。在滚动轴承故障诊断中，使用已知故障直径的诊断模型，往往无法适配新故障直径的诊断需求。通过使用迁移学习的方法，对故障诊断的实验室数据进行改造和适配，可以更好地应用于实际故障诊断中。
[0005]采集信号的特征后，需要进行学习分类。分类采用有监督的机器学习方法，随着人工智能的发展，国内外涌现多种分类方法，常用的有神经网络，决策树，贝叶斯分类器等。其中K最近邻具有简单高效的特点，广泛应用于分类中。

技术实现思路

[0006]本专利技术目的在于针对现有技术的不足，提出一种多特征融合下的基于迁移成分分析的轴承故障诊断方法。
[0007]本专利技术的目的是通过以下技术方案来实现的：一种多特征融合下的基于迁移成分分析的滚动轴承故障诊断方法，该专利技术采用多特征融合，从时域、频域、小波域和熵的角度，提取特征，基于以往轴承的故障尺寸数据，通过迁移成分分析(迁移成分分析(TCA))的边缘分布自适应方法，迁移到新的域中，再采用机器学习的方法进行分类，诊断新故障直径下的故障类型，能有效提高原先数据的利用程度和检测精确度。
[0008]本方法步骤如下：
[0009]S1、采用加速度传感器采集已知故障尺寸和故障类型的轴承和需要检测的轴承的振动信号；所述检测轴承的故障类型未知，故障尺寸一致；
[0010]S2、对获取的振动信号提取多种特征，包括时域特征、频域特征、小波域特征和熵特征，将至少两种特征进行归一化获得多特征融合下的特征；
[0011]S3、已知故障尺寸、故障类别的轴承振动信号的混合特征集合组成源域，未知故障类别但故障尺寸一致的轴承振动信号的混合特征集合组成目标域，源域和目标域通过迁移成分分析迁移到新的域中，得到新的样本模型；
[0012]S4、在迁移后的新样本模型中，将已知故障尺寸、故障类别的轴承振动信号的混合
特征集合作为训练集，未知故障类别但故障尺寸一致的轴承振动信号的混合特征集合作为测试集，采用K最近邻分类，获得轴承故障检测结果。
[0013]进一步地，S2中，时域特征直接进行提取，采用峰值，峰值因子，峭度，有效值，裕度指标，脉冲因子作为特征；
[0014]频域上，对获取的振动信号进行傅里叶变换，提取频域幅值平均值、重心频率、均方频率、均方根频率、频率方差作为特征；
[0015]小波域上，使用小波变换对获取的信号分解重构，提取第一层，第二层的近似和细节分量，提取分量的能量谱作为轴承振动信号的小波域特征；
[0016]熵特征上，计算小波变换后的每个分量能量值，以每个分量的能量占总能量的比例作为概率密度函数计算信息熵；
[0017]选取不同域中部分特征进行归一化获得多特征融合下的特征。
[0018]进一步地，所述轴承振动信号是轴承的振动加速度信号。
[0019]进一步地，所述故障类别分为外圈故障和内圈故障。
[0020]进一步地，所述步骤S3中迁移成分分析的具体步骤如下：
[0021]S3.1、确立优化目标，确立源域和目标域的最小化距离为最大均值差异，数学表达如下所示：
[0022][0023]上式中：X
′
src
为源域数据经过迁移后的新样本值，X
′
tar
为目标域经过迁移后的新样本值，为源域数据中第i个样本值，为目标域中第i个样本值，n1为源域中的样本数量，这里是已知故障尺寸、故障类别的样本，n2为目标域中的样本数量，这里是未知故障类别但故障尺寸大小一致下轴承振动信号的混合特征集合，表示将样本映射到希尔伯特空间的函数，H为再生核Hilbert空间，为二范数；
[0024]S3.2、展开最大均值差异，将最大均值差异表示为变换矩阵和矩阵的迹的表达形式，数学表达如下所示：
[0025]dist(X
′
src
,X
′
tar
)＝tr(A
T
XM0X
T
A)
[0026]上式中：A为变换矩阵，A
T
是A的转置，X为源域和目标域合并起来的数据，tr是矩阵的迹，M0是一个行列数均为(n1+n2)的矩阵，数学表达如下所示：
[0027][0028]S3.3、约束维持变换后数据的散度不变，引入约束条件，数学表达如下所示：A
T
XHX
T
A＝I
[0029]上式中：I是单位矩阵，H是中心矩阵，表达式如下：
[0030][0031]I
n
为n阶单位矩阵，n＝n1+n2[0032]l
n
＝[1,...,1]T
∈R
n
×1；
[0033]S3.4、加入正则化项，得到优化问题形式，如下式所示：
[0034][0035]s.t.A
T
XHX
T
A＝I；
[0036]上式中：表示Frobenius规范正则项，λ为均衡参数；A
T
XHX
T
A＝I为约束条件S3.5、通过拉格朗日乘子法求解，需要求解下式中前k个最小的特征值对应的特征向量，组成变换矩阵A，即可完成映射到k维空间的求解；
[0037](XM0X
T
+λI)A＝XHX
T
Aφ
[0038]其中φ＝diag(φ1,...,φ
k
)，φ1,...,φ
k
是拉格朗日乘子，diag是对角矩阵。
[0039]本专利技术的有益效果：
[0040]本专利技术提供的多特征融合下基于迁移成分分析的轴承故障诊断方法，将加速度传感器收集的信息进行分析，为了尽可能发挥数据的最大价值，从多个方面入手，提取了数据的时域、频域、小波域和熵方面的信息，对多特征进行融合，更全面刻画了故障时运行的场景。通过迁移成分分析(TCA)的边缘分布自适应方法，利用已知故障直径的样本，预测其他故障直径下的故障类型。之后通过机器学习的方法分类，有效提高了原先数据的利用程度和检测精确度。为了模拟复杂情况下的环境干扰，在特征中加入了少量噪声，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多特征融合下基于迁移成分分析的轴承故障诊断方法，其特征在于，所述方法步骤如下：S1、采用加速度传感器采集已知故障尺寸和故障类型的轴承和需要检测的轴承的振动信号；所述检测轴承的故障类型未知，故障尺寸一致；S2、对获取的振动信号提取多种特征，包括时域特征、频域特征、小波域特征和熵特征，将至少两种特征进行归一化获得多特征融合下的特征；S3、已知故障尺寸、故障类别的轴承振动信号的混合特征集合组成源域，未知故障类别但故障尺寸一致的轴承振动信号的混合特征集合组成目标域，源域和目标域通过迁移成分分析迁移到新的域中，得到新的样本模型；S4、在迁移后的新样本模型中，将已知故障尺寸、故障类别的轴承振动信号的混合特征集合作为训练集，未知故障类别但故障尺寸一致的轴承振动信号的混合特征集合作为测试集，采用K最近邻分类，获得轴承故障检测结果。2.根据权利要求1所述的一种基于迁移成分分析的轴承故障诊断方法，其特征在于，S2中，时域特征直接进行提取，采用峰值，峰值因子，峭度，有效值，裕度指标，脉冲因子作为特征；频域上，对获取的振动信号进行傅里叶变换，提取频域幅值平均值、重心频率、均方频率、均方根频率、频率方差作为特征；小波域上，使用小波变换对获取的信号分解重构，提取第一层，第二层的近似和细节分量，提取分量的能量谱作为轴承振动信号的小波域特征；熵特征上，计算小波变换后的每个分量能量值，以每个分量的能量占总能量的比例作为概率密度函数计算信息熵；选取不同域中部分特征进行归一化获得多特征融合下的特征。3.根据权利要求1所述的一种基于迁移成分分析的轴承故障诊断方法，其特征在于，所述轴承振动信号是轴承的振动加速度信号。4.根据权利要求1所述的一种基于迁移成分分析的轴承故障诊断方法，其特征在于，所述故障类别分为外圈故障和内圈故障。5.根据权利要求1所述的一种基于迁移成分分析的轴承故障诊断方法，其特征在于，所述步骤S3中迁移成分分析的具体步骤如下：S3.1、确立优化目标，确立源域和目标域的最小化距离为最大均值差异，数学表达如下所示：上式中：X
′
src
为源域数据经过迁移后的新样本值，X
′
tar
为目标域经过迁移后...

【专利技术属性】
技术研发人员：方程龙，曹伟伟，杨秦敏，杨田苓，高翔，王乐涛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：