基于多领域自适应构造式增量网络的轴承故障诊断方法技术

本发明专利技术提供了基于多领域自适应构造式增量网络的轴承故障诊断方法，包括：步骤1，利用振动加速度传感器采集驱动侧滚动轴承故障时候的目标工况和其他工况下的有限振动信号；步骤2，得到小样本集；步骤3，对每个样本进行3层小波包分解；步骤4，构建在领域自适应构造式增量网络增加节点的过程中的目标函数；步骤5，分析得到构造式增量跨域监督机制；步骤6，得到训练完成的领域自适应随机增量构造式学习网络；步骤7，将领域自适应随机增量构造式学习网络作为故障诊断集成模型的基分类器，目标域与其他工况下的源域两两组合，作为基分类的输入，基分类器的个数根据源域工况的数量设定，结合集成学习，根据多数投票确定滚动轴承的故障类别

【技术实现步骤摘要】
基于多领域自适应构造式增量网络的轴承故障诊断方法


[0001]本专利技术涉及工业设备关键部件的智能故障诊断领域，特别涉及基于多领域自适应构造式增量网络的轴承故障诊断方法
。

技术介绍

[0002]滚动轴承作为旋转机械设备的重要部件，保证轴在适当位置高旋转精度地运作，但是在整个设备部件中，其最易出现故障
。
它的失效将导致机械设备的可靠性降低，甚至引起严重事故，给使用方带来一定的经济损失
。
所以借助人工智能方法进行滚动轴承的故障诊断对设备运维具有重要意义，其中基于轴承振动信号的故障诊断为主流研究方法
。
轴承一般工作在复杂的工业环境，其故障机理受温度
、
湿度
、
震动
、
灰尘等因素影响带有不确定性，同时采集到的振动信号也具有随机性，这些都使得信号包含大量不确定性信息
。
虽然例如样本熵
、
近似熵
、
模糊熵等基于熵的非线性动态分析方法很好地解决了不确定性信息难以提取的问题，但这些方法存在阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多领域自适应构造式增量网络的轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，利用振动加速度传感器采集驱动侧滚动轴承故障时候的目标工况和其他工况下的有限振动信号；步骤2，将获取的有限振动信号进行滤波处理，再归一化，最后以滑动窗口的形式划分来得到小样本集；步骤3，对每个样本进行3层小波包分解，得到
15
个小波包系数，再依据云模型的后向云发生器计算每个系数的三维云特征，所述三维云特征包括期望
、
熵
、
超熵；步骤4，基于结构化风险最小化和正则化技术，构建在领域自适应构造式增量网络增加节点的过程中的目标函数，通过将源域匹配到目标域进行域对齐来训练分类超平面，实现载体为随机配置网络；步骤5，为使得充分利用源域知识，并让预测残差在目标工况下随隐含节点增加而收敛，分析得到构造式增量跨域监督机制；步骤6，隐藏节点参数在构造式增量跨域监督机制约束下进行最优配置，依据预测残差收敛性分析得到基于全局更新的输出权重，在残差随节点增加一定数量时而降低到预设的容差范围内，或节点数达到预设最大数量时，停止建模，最后得到训练完成的领域自适应随机增量构造式学习网络；步骤7，将领域自适应随机增量构造式学习网络作为故障诊断集成模型的基分类器，目标域与其他工况下的源域两两组合，作为基分类的输入，基分类器的个数根据源域工况的数量设定，结合集成学习，根据多数投票确定滚动轴承的故障类别
。2.
根据权利要求1所述的方法，其特征在于，步骤1中，所述目标工况为
D
T
，表示需要进行轴承诊断的运行工况数据，而其他工况
D
S,k
表示除目标工况外的现实中已经获取的不同工况轴承故障数据，
k
取值为自然数
。3.
根据权利要求2所述的方法，其特征在于，步骤1中，收集包括目标工况
D
T
在内不同运行工况的高压辊磨机动辊驱动侧的滚动轴承振动加速度信号，现场采样频率为
12kHz
，共采集到包括正常
、
滚动体故障
、
外圈故障
、
内圈故障在内的常见轴承健康状态数据
。4.
根据权利要求3所述的方法，其特征在于，步骤2中，所述滤波处理采用5层小波分解的软阈值小波降噪：其中
sgn
为符号函数，为第
l
层降噪后的信号，
x
l
(n)
表示为第
l
层分解信号，
t
l
＝
υ
·
σ
l
为第
l
层分解信号采用的阈值，
σ
为标准差，参数
υ
是常数
。5.
根据权利要求4所述的方法，其特征在于，步骤2中，所述归一化的公式为：其中
p
＝
1...m
，
m
表示轴承的健康状态数量，
x
p,q
代表属于健康状态
p
的第
q
个滤波后的振动测量值，表示
x
p,q
的归一化值，分别表示属于健康状态
p
的所有振动信号
的最大值与最小值
。6.
根据权利要求5所述的方法，其特征在于，步骤3中，得到第
d
层的一个小波包系数
X
d
＝
[x1,x2,
…
,x
n
]
，
n
＝
size/2
d
‑1，
d
＝
1,2,3
，
x
n
为分解到的小波包系数第
n
个元素，首先计算小波包系数
X
d
的样本均值一阶中心距和方差然后计算：期望熵超熵得到一个云空间特征
(Ex,En,He)
，对所有小波包系数进行云特征提取得到
45
维的特征向量
。7.
根据权利要求6所述的方法，其特征在于，步骤4中，领域自适应构造式增量网络包括：目标函数定义为：其中，
β
为领域自适应构造式增量网络的输出权重，和分别表示源域第
j
S
个训练样本对应的隐含层输出
、
真实标签和预测误差，
R1×
L
表示
L
维的实数行向量，量，和分别表示目标域第
j
T
个训练样本对应的隐含层输出
、
真实标签和预测误差，
N
S
和
N
T
表示来自源域和目标域的带标签训练样本的总数量；
C
S
，
C
T
分别代表标记数据在源域预测误差上的权衡系数和目标域预测误差上的权衡系数；
λ
表示最大平均差异
MMD
上的正则化收缩参数；其中，
c
＝0时，
c
表示所有的健康状态，
c≠0
时，
c
＝
1,...,m
，
c
表示第
c
类的健康状态；和分别表征当
c≠0
时的源域上属于
c
类的带标签样本数量和目标域上属于
c
类的带标签样本数量；进一步地，其中中间参数其中
D
(0)
表示由
SCN
隐含层映射得到的特征空间的质心，

【专利技术属性】
技术研发人员：代伟，刘江，王兰豪，刘鑫，杨春雨，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：