基于联合分布适配的轴承故障诊断方法、设备及存储介质技术

本发明专利技术公开了一种基于改进联合分布适配的轴承故障诊断方法、设备和存储介质，涉及轴承故障诊断方法领域。方法包括以下步骤：步骤1、根据轴承振动信号建立源域特征集、目标域特征集；步骤2、构建特征可迁移性量化指标后建立源域特征样本集、目标域特征样本集；步骤3、对源域特征样本集进行流形子空间学习，得到源域特征子集以及特征映射矩阵；基于特征映射矩阵将目标域特征样本集转换为目标域特征子集后进行联合分布适应算法求解，获得分布适应的源域特征集、目标域特征集；步骤4、采用分布适应后的源域特征集对分类器进行训练，并利用训练好的分类器基于分布适应后的目标域特征集得到故障诊断结果；设备和存储介质用于实现该方法。法。法。

【技术实现步骤摘要】
基于联合分布适配的轴承故障诊断方法、设备及存储介质


[0001]本专利技术涉及轴承故障诊断方法领域，具体是一种基于联合分布适配的轴承故障诊断方法、设备及存储介质。

技术介绍

[0002]煤矿机械设备及其关键部件的可靠性和稳定性直接影响煤炭开采的效率，也是实现煤炭无人开采的关键之一。提升机作为煤矿关键设备，其运行状况将直接影响生产人员的生命安全和矿井的生产能力，轴承作为提升机核心部件之一，由于其常工作于恶劣复杂的工况下，容易造成轴承损坏。因此，研究提升机轴承智能故障诊断对保障煤炭安全生产和减少经济损失具有重要意义，同样轴承智能故障诊断对其他使用轴承的机械设备也具有重要意义。
[0003]目前，研究人员常采用振动信号用于机械设备故障状态分析和诊断，并在此基础上，结合信号处理方法，机器学习和深度特征迁移学习等方法，构建智能故障诊断系统。现有基于深度特征迁移学习的轴承故障智能诊断方法，一般按以下几个步骤进行：
[0004]步骤1、域划分。源域包含标记样本以提供诊断信息，而目标域中的未标记样本则期望利用源域中的诊断信息进行分类。
[0005]步骤2、特征提取。采用非线性特征映射从源域和目标域的数据中提取可迁移的特征，源域和目标域中的数据同时由相同的非线性特征映射处理。
[0006]步骤3、域自适应。首先用一个非参数距离指标MMD,最大均值差异(Maximum mean discrepancy,MMD)来度量学习的可迁移特征的分布差异。然后，以学习到的可迁移特征的分布差异作为优化目标，反向传播，训练非线性特征映射的参数。优化的目的是使学习到的可迁移特征的分布差异最小化，从而得到具有较小跨域差异的特征。通过最小化学习到的可迁移特征的MMD来训练域共享CNN，卷积神经网络(Convolutional Neural Networks,CNN)的参数。
[0007]步骤4、故障识别。利用域共享分类器对目标域中未标记样本进行正确分类。
[0008]上述现有基于深度特征迁移学习的轴承故障智能诊断方法主要存在以下问题：
[0009](1)单一使用非参数距离指标MMD来度量学习的可迁移特征的分布差异，片面以学习到的特征分布差异小作为优化目标，来得到具有较小跨域差异的特征。未充分考虑到特征判别能力对跨域故障模式识别准确率的影响，进而影响模型跨域故障诊断精度的提升。
[0010](2)域自适应的过程仅依靠域共享CNN和MMD约束实现，所提取出的特征的可解释性不强，且未合理同时考虑域间条件概率分布和边缘概率分布，未考虑在高维特征空间减小分布差异过程中存在的特征扭曲问题，进而导致故障诊断模型的泛化能力不足。
[0011](3)基于深度学习方法提取的特征存在模型复杂、超参数和可解释性不强的问题。

技术实现思路

[0012]本专利技术提供了一种基于联合分布适配的轴承故障诊断方法、设备及存储介质，以
解决上述现有技术基于深度特征迁移学习的轴承故障智能诊断方法存在的问题。
[0013]为了达到上述目的，本专利技术所采用的技术方案为：
[0014]基于联合分布适配的轴承故障诊断方法，包括以下步骤：
[0015]步骤1、获取工况已知的轴承振动信号，以及工况未知的轴承振动信号，基于工况已知的轴承振动信号提取出多种时频域统计特征数据作为有标签的源域特征集，基于工况未知的轴承振动信号提取出多种时频域统计特征数据作为无标签的目标域特征集；
[0016]步骤2、基于步骤1得到的有标签的源域特征集得到每个统计特征数据的特征重要度FI，该特征重要度FI同时作为目标域特征集中对应类统计特征数据的特征重要度，由特征重要度FI表征源域特征集、目标域特征集中各个统计特征数据的判别能力；
[0017]计算源域特征集中各个统计特征数据在源域特征集、目标域特征集的KL散度KLD，以及计算目标域特征集中各个统计特征数据在源域特征集、目标域特征集的KL散度KLD，用于度量每个统计特征数据在不同域特征集的差异，由KL散度KLD表征每个统计特征数据在不同域特征集的适应能力；
[0018]基于所述特征重要度FI、KL散度KLD构建源域特征集、目标域特征集中每个特征统计数据的特征可迁移性量化指标RFK；
[0019]最后，基于特征可迁移性量化指标RFK从源域特征集中选取部分统计特征数据构建有标签的源域特征样本集D
S
，并基于特征可迁移性量化指标RFK从目标域特征集中选取部分统计特征数据构建无标签的目标域特征样本集D
T
；
[0020]步骤3、对步骤2得到的源域特征样本集D
S
中的统计特征数据进行流形子空间学习，得到源域特征子集Z
S
以及特征映射矩阵；
[0021]基于所述特征映射矩阵对步骤2得到的目标域特征样本集D
T
中的统计特征数据进行映射转换，得到目标域特征子集Z
T
；
[0022]基于源域特征子集Z
S
、目标域特征子集Z
T
中统计特征数据之间边缘概率分布以及条件概率分布，建立联合分布适配算法JDA模型并进行求解，获得有标签的分布适应后的源域特征集Z
′
S
，以及无标签的分布适应后的目标域特征集Z
′
T
；
[0023]步骤4、采用步骤3得到的有标签的分布适应后的源域特征集Z
′
S
对机器学习的分类器进行训练，并利用训练好的分类器对步骤3得到的无标签的分布适应后的目标域特征集Z
′
T
进行处理，得到轴承故障诊断结果。
[0024]进一步的步骤1中，采用小波包变换方法分别对工况已知的轴承振动信号、工况未知的轴承振动信号进行多层分解，对应得到重构信号，然后基于重构信号分别计算多种统计特征参数，对应得到有标签的源域特征集、无标签的目标域特征集。
[0025]进一步的，统计特征参数共有11种，分别为极差、均值、标准差、峭度、能量、能量熵、峰度、脉冲因数、形状因子、偏度、极值。
[0026]进一步的步骤2中，采用随机森林算法对步骤1得到的有标签的源域特征集进行处理，得到每个统计特征数据的特征重要度FI。
[0027]进一步的步骤2中，每个统计特征数据的特征可迁移性量化指标RFK，为该统计特征数据的特征重要度FI与KL散度KLD之比。
[0028]进一步的步骤2中，按照特征可迁移性量化指标RFK从大至小的顺序，分别从源域特征集、目标域特征集中选取数量相同的统计特征数据，以从源域特征集中选取的统计特
征数据构建有标签的源域特征样本集D
S
，以从目标域特征集中选取的统计特征数据构建无标签的目标域特征样本集D
T
。
[0029]进一步的步骤3中，采用邻域保持嵌入算法NPE对步骤2得到的源域特征样本集D
S
中的统计特征数据进行处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于联合分布适配的轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、获取工况已知的轴承振动信号，以及工况未知的轴承振动信号，基于工况已知的轴承振动信号提取出多种时频域统计特征数据作为有标签的源域特征集，基于工况未知的轴承振动信号提取出多种时频域统计特征数据作为无标签的目标域特征集；步骤2、基于步骤1得到的有标签的源域特征集得到每个统计特征数据的特征重要度FI，该特征重要度FI同时作为目标域特征集中对应类统计特征数据的特征重要度，由特征重要度FI表征源域特征集、目标域特征集中各个统计特征数据的判别能力；计算源域特征集中各个统计特征数据在源域特征集、目标域特征集的KL散度KLD，以及计算目标域特征集中各个统计特征数据在源域特征集、目标域特征集的KL散度KLD，用于度量每个统计特征数据在不同域特征集的差异，由KL散度KLD表征每个统计特征数据在不同域特征集的适应能力；基于所述特征重要度FI、KL散度KLD构建源域特征集、目标域特征集中每个特征统计数据的特征可迁移性量化指标RFK；最后，基于特征可迁移性量化指标RFK从源域特征集中选取部分统计特征数据构建有标签的源域特征样本集D
S
，并基于特征可迁移性量化指标RFK从目标域特征集中选取部分统计特征数据构建无标签的目标域特征样本集D
T
；步骤3、对步骤2得到的源域特征样本集D
S
中的统计特征数据进行流形子空间学习，得到源域特征子集Z
S
以及特征映射矩阵；基于所述特征映射矩阵对步骤2得到的目标域特征样本集D
T
中的统计特征数据进行映射转换，得到目标域特征子集Z
T
；基于源域特征子集Z
S
、目标域特征子集Z
T
中统计特征数据之间边缘概率分布以及条件概率分布，建立联合分布适配算法JDA模型并进行求解，获得有标签的分布适应后的源域特征集Z
′
S
，以及无标签的分布适应后的目标域特征集Z
′
T
；步骤4、采用步骤3得到的有标签的分布适应后的源域特征集Z
′
S
对机器学习的分类器进行训练，并利用训练好的分类器对步骤3得到的无标签的分布适应后的目标域特征集Z
′
T
进行处理，得到轴承故障诊断结果。2.根据权利要求1所述的基于联合分布适配的轴承故障诊断方法，其特征在于，步骤1中，采用小波包变换方法分别对工况已知的轴承振动信号、工况未知的轴承振动信号进行多层分解，对应得到...

【专利技术属性】
技术研发人员：董飞，钱孟浩，程志友，宋俊材，阮瑞，赵衍，胡创伟，
申请(专利权)人：安徽大学，
类型：发明
国别省市：