一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法技术

本发明专利技术公开了一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法,涉及故障诊断领域，首先，采用双树复小波包变换处理振动数据，提取相应的统计特征；其次，为了提高领域自适应性能，设计了一种自适应聚类指标和最大均值差异的可迁移性评价指标TI，量化了特征的故障可辨别性和域不变性；在此基础上，提出了一种新的流形嵌入判别联合分布自适应方法，在Grassmann流形子空间中进行跨域特征判别联合分布对齐；最后，将经过处理的特征作为随机森林分类器的输入，训练分类器；利用训练好的分类器进行目标域故障状态分类；本发明专利技术所提出的跨域故障诊断方法在源域和目标域之间存在类不平衡时，能够获得理想的诊断结果，显著优于经典的基于迁移学习的诊断模型。经典的基于迁移学习的诊断模型。经典的基于迁移学习的诊断模型。

【技术实现步骤摘要】
一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法


[0001]本专利技术涉及故障诊断领域，尤其涉及一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法。

技术介绍

[0002]电机、轴承等旋转机械广泛应用在工业制造、航空航天、轨道交通、石油化工、汽车制造和风力发电等重要工程领域，在国民经济生产中占有重要地位，研究旋转机械的智能故障诊断方法对于保障设备安全高效运行，避免巨大经济损失和重大安全生产事故具有重要的理论意义和工程价值。
[0003]近年来，智能故障诊断方法受到了越来越多的研究者的关注。它们在故障诊断过程中利用人工智能技术，实现智能、自动故障检测。基于机器学习的经典故障诊断方法得到了广泛的研究，但这些方法有一定的局限性，阻碍了在实际工业场景中的应用。基于深度学习的故障诊断方法因其较强的自动特征提取能力而受到越来越多的关注和发展，常用的方法有深度自编码器、深度信念网络、卷积神经网络和深度残差网络等。然而，这些方法同样存在一定的局限性：故障诊断模型仍然遵循训练和测试数据相同分布的假设，这与实际工作条件下数据分布不一致相矛盾；由于训练数据不足，导致基于深度学习的模型故障诊断性能明显下降，且往往需要进行高成本、耗时的参数调优。迁移学习作为一种很有前途的技术，已被广泛用于机械跨域故障诊断。基于迁移学习的故障诊断方法已经成功地实现了跨域故障诊断，但存在三个可能降低域适应性能和跨域诊断精度的问题：(1)现有的跨域故障诊断方法大多是在源域和目标域类平衡的条件下进行的(域的数据类别相同)，这种数据条件在实际工业场景中往往是不现实的，测试数据(从实际工作场景中收集的目标域)不能与训练数据(源域)具有相同的所有类别。(2)在原始特征空间进行分布对齐时，很难克服特征失真，导致域适应性能差。(3)现有的许多基于迁移学习的域自适应方法的分布对齐优化目标只关注增强跨域特征的可迁移性，也忽略了特征的可辨别性，导致分类性能不佳。
[0004]针对上述问题，本专利技术首先提出了一种基于K
‑
means和最大均值差异的特征可迁移性评价方法TFEAM，从原始统计特征集中选择可迁移性能好的特征构成领域适应特征子集。针对现有领域自适应方法的三个局限性，提出了一种领域自适应方法，即流形子空间学习嵌入的判别联合分布对齐(DJME)。最后，将所提出的TFEAM和DJME结合，提出一种新的跨域故障诊断框架TFEAM
‑
DJME。

技术实现思路

[0005]本专利技术所要解决的技术问题是为了提高旋转机械智能故障诊断方法在实际工业场景中的准确率、泛化能力和稳定性，本专利技术提供一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，实现旋转机械智能故障诊断方案在类不平衡和训练数据条件匮乏条件下保持良好的诊断准确率。
[0006]本专利技术为解决上述技术问题采用以下技术方案：
[0007]一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，具体包含如下步骤：
[0008]步骤1，利用双树复小波包变换DTCWPT对原始振动信号进行分解，利用得到的16个终端小波包节点的重构信号提取16个Hilbert包络谱HES；计算16个重构信号和16个HES的11个统计参数，生成一个包含352个统计特征的混合域统计特征集，即原始的统计特征集OSFS；
[0009]步骤2，对步骤1构建的原始的统计特征集OSFS中的特征利用最大互信息系数MIC去除冗余特征，得到新的约简特征集NRF；针对NRF中的每个特征，分别利用K
‑
means和MMD构建可迁移指标TI；通过设置可迁移指标TI阈值，选择具有较强领域适应能力的特征组成领域适应特征子集DAFS；
[0010]步骤3，将步骤2得到的源域的标记DAFS作为训练集X
S
，未标记DAFS作为测试集X
T
，并进行DJME处理，在流行子空间上进行跨域特征判别联合分布对齐；
[0011]步骤4，采用步骤3中得到的源域标记特征集作为随机森林分类器RF的输入，训练跨域故障诊断模型，训练好的RF用于预测目标域未标记特征集的故障标签。
[0012]作为本专利技术一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法的进一步优选方案，所述步骤1具体步骤如下：
[0013]步骤1.1，将来自于特定工况下的原始振动信号样本作为源域，其数据集的样本有标签；步骤1.2，将来自不同工况下的原始振动信号样本作为目标域，其数据集的样本无标签，采用源域标记样本对诊断模型进行训练，并使用训练后的模型对目标域进行故障状态分类。
[0014]作为本专利技术一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法的进一步优选方案，在步骤1中，对源域和目标域的振动信号进行DTCWPT分解，分解层数设置为4，获取16个终端小波包节点，同时对底层节点系数进行单支小波包重构得到16个单支重构信号，并获取16个重构信号对应的希尔伯特包络谱HES，分别计算16个重构信号与16个HES的11个统计参数，共生成352个统计特征，构成原始统计特征集OSFS。
[0015]作为本专利技术一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法的进一步优选方案，在步骤2中，采用MIC去除冗余特征，降低计算复杂度；采用K
‑
means和最大均值差异的可迁移特征选取方法TFEAM对原始统计特征集的特征进行评价，得到可迁移性选择指标TI评价特征的可迁移性，采用降序排序后的TI序列选择原始统计特征集的迁移性能好的特征构成领域适应特征子集DAFS。
[0016]作为本专利技术一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法的进一步优选方案，对于步骤1所得到的源域原始统计特征集中的带标签故障特征数据，计算特征之间的互信息系数MIC，减少冗余特征，降低计算的复杂度；利用K
‑
means聚类方法量化特征的可辨别性，将调整的rand指数ARI作为评价特征辨别性指标FDI；采用MMD测量源域与目标域原始统计特征集中正常状态特征分布差异，并将MMD的值作为评价特征域不变性指标DDI；对于得到的每一特征的FDI与DDI，构建可迁移型选择指标TI；对于来自目标域原始特征集的无标签特征数据，直接用排序后的TI序列进行域不变特征选取。
[0017]作为本专利技术一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法的进
一步优选方案，TFEAM方法的具体步骤如下：
[0018]步骤2.1，针对步骤1中得到的源域和目标域OSFS，计算特征之间的最大互信息系数MIC，从而去除冗余特征，得到新的NRF；MIC主要使用互信息MI来量化变量之间的相关程度；给定变量A＝{a
i
,i＝1,2,
…
,n}和B＝{b
i
,i＝1,2,
…
,n}，n是样本数；MI的定义如下：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：具体包含如下步骤：步骤1，利用双树复小波包变换DTCWPT对原始振动信号进行分解，利用得到的16个终端小波包节点的重构信号提取16个Hilbert包络谱HES；计算16个重构信号和16个HES的11个统计参数，生成一个包含352个统计特征的混合域统计特征集，即原始的统计特征集OSFS；步骤2，对步骤1构建的原始的统计特征集OSFS中的特征利用最大互信息系数MIC去除冗余特征，得到新的约简特征集NRF；针对NRF中的每个特征，分别利用K
‑
means和MMD构建可迁移指标TI；通过设置可迁移指标TI阈值，选择具有较强领域适应能力的特征组成领域适应特征子集DAFS；步骤3，将步骤2得到的源域的标记DAFS作为训练集X
S
，未标记DAFS作为测试集X
T
，并进行DJME处理，在流行子空间上进行跨域特征判别联合分布对齐；步骤4，采用步骤3中得到的源域标记特征集作为随机森林分类器RF的输入，训练跨域故障诊断模型，训练好的RF用于预测目标域未标记特征集的故障标签。2.根据权利要求1所述的一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：所述步骤1具体步骤如下：步骤1.1，将来自于特定工况下的原始振动信号样本作为源域，其数据集的样本有标签；步骤1.2，将来自不同工况下的原始振动信号样本作为目标域，其数据集的样本无标签，采用源域标记样本对诊断模型进行训练，并使用训练后的模型对目标域进行故障状态分类。3.根据权利要求1所述的一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：在步骤1中，对源域和目标域的振动信号进行DTCWPT分解，分解层数设置为4，获取16个终端小波包节点，同时对底层节点系数进行单支小波包重构得到16个单支重构信号，并获取16个重构信号对应的希尔伯特包络谱HES，分别计算16个重构信号与16个HES的11个统计参数，共生成352个统计特征，构成原始统计特征集OSFS。4.根据权利要求1所述的一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：在步骤2中，采用MIC去除冗余特征，降低计算复杂度；采用K
‑
means和最大均值差异的可迁移特征选取方法TFEAM对原始统计特征集的特征进行评价，得到可迁移性选择指标TI评价特征的可迁移性，采用降序排序后的TI序列选择原始统计特征集的迁移性能好的特征构成领域适应特征子集DAFS。5.根据权利要求1所述的一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：对于步骤1所得到的源域原始统计特征集中的带标签故障特征数据，计算特征之间的互信息系数MIC，减少冗余特征，降低计算的复杂度；利用K
‑
means聚类方法量化特征的可辨别性，将调整的rand指数ARI作为评价特征辨别性指标FDI；采用MMD测量源域与目标域原始统计特征集中正常状态特征分布差异，并将MMD的值作为评价特征域不变性指标DDI；对于得到的每一特征的FDI与DDI，构建可迁移型选择指标TI；对于来自目标域原始特征集的无标签特征数据，直接用排序后的TI序列进行域不变特征选取。6.根据权利要求4所述的一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法，其特征在于：TFEAM方法的具体步骤如下：步骤2.1，针对步骤1中得到的源域和目标域OSFS，计算特征之间的最大互信息系数
MIC，从而去除冗余特征，得到新的NRF；MIC主要使用互信息MI来量化变量之间的相关程度；给定变量A＝{a
i
,i＝1,2,
…
,n}和B＝{b
i
,i＝1,2,
…
,n}，n是样本数；MI的定义如下：其中，a和b分别属于A和B，p(a,b)表示联合概率密度；p(a)和p(b)是边际概率密度；给出一组有限有序对D＝{(a
i
,b
i
),i＝1,2,
…
,n}；定义一个划分G，一个大小为x
×
y的网格，将A的取值范围划分为x段，将B的取值范围划分为y段；在得到的每个网格分区内计算A和B之间的MI，因为同一个网格可以划分多种方式，因此选择不同划分方式下的最大值MI(A,B)作为G的MI值；在最大MI的D下定义G方程为MI
*
(D,x,y)＝maxMI(D∣G)(2)其中，D∣G表示D被G分割；MIC的定义如下：其中，B(n)是样本量的函数，设B(n)＝n
0.6
；当MIC越高时，a和b之间的相关性越强；任何特征f
i
和f
j
之间的相关性表示为MIC(f
i
,f
j
)，MIC(f
i
,f
j
)的值越大，f
i
和f
i
之间的可替代性越大，即冗余度越大；步骤2.2，对于NRF中的每一个特征，通过K
‑
means聚类方法量化特征的可辨别性，调整的rand指数ARI作为特征辨别性的量化指标；定义一个特征集有M个特征样本，每个样本包含N种特征；特征集和i
‑
th样本的表示分别是F＝[f1,f2,
…
,f
M
]和第i个样本的第k个特征由f
ik
表示；所有样本的特征用F
N
＝[F1,F2,
…
F
N
]表示，所有样本的第k个特征集用F
k
表示；F
k
可以定义为：通过K
‑
means算法将F
k
分类为M聚类分区；计算M个聚类分区的ARI来衡量聚类结果的准确性；给定一组n个对象O＝{o1,o2,
…
o
n
}，令P＝{p1,p2,
…
p
n
}为通过K
‑
means得到的X的类，并且令Q＝{q1,q2,
…
q
n
}是真实的类；ARI的定义如下：其中，e表示在Q和P中均属于同一类的{o
i
,o
j
}的数目；f表示在P中不属于同一类的和Q中属于同一类的{o
i
,o
j
}的数目；g表示在P中属于同一类且在Q中不属于同一类{o
i
,o
j
}的数目；h表示在Q和P中都不属于同一类的{o
i
,o
j
}的数目；ARI的取值范围是[0,1]；当ARI的值越高时，聚类性能越好；使用特征的ARI值作为FDI，它量化了故障可辨别性；对于N个特征，可以通过执行K
‑
means算法构造一个FDI序列，{FDI(1),FDI(2),
…
FDI(N)}；FDI值越高，特征可辨别性越强；步骤2.3，对于源域和目标域的正常状态特征数据，通过MMD评估同一特征的在不同域
的分布差异，MMD的值作为特征域不变性的量化指标；源域和目标域分别表示为D
s
＝(x
s
,y
s
)和D
t
＝(x
t
,y
t
)；MMD的表达式如下：其中，n
s
和n
t
分别是源域和目标域中的样本数，H表示再现核希尔伯特空间(RKHS)，f(
·<...

【专利技术属性】
技术研发人员：左海维，周家思，董飞，尹洪申，孙莉，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：