【技术实现步骤摘要】
本专利技术涉及轴承故障诊断，提出了一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法。
技术介绍
1、滚动轴承作为运转轴与轴承座之间的承载元件，是旋转机械中许多零部件中常见但极易损坏的部件。轴承故障在机械总故障中占有相当大的比例。换言之，轴承异常主要表现为其旋转部件尤其是滚珠和滚道的故障。一般来说，轴承元件的失效会导致不同程度的机械设备效率、材料疲劳等不可测性能参数的退化，其内在表现形式体现为润滑不良和磨损等测量参数的变化。虽然轴承故障诊断的基本原理较为明确，但在实际应用中仍面临着诸多理论难点和现实制约。具体来说，轴承部件一旦发生故障，其运转效率将偏离原来的正常工作点。根据机械设备的实际运行工况，直接测量轴承性能的劣化程度几乎是不可能的。为此，我们需要采取间接的方法。通常情况下，轴承性能的恶化会导致振动幅度等可测参数发生或多或少的变化，通过加速度传感器可以捕捉到这些异常振动。与大多数基于人工智能或机器学习的故障诊断方法一样，探索可测数据与被监测设备健康状态之间的映射关系是故障诊断的关键环节之一。
2、以往的研究大多只使用...
【技术保护点】
1.一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤1中的具体步骤为：
3.根据权利要求2所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤2的具体步骤为：
4.根据权利要求1所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤3中，随机选取数据矩阵Mu中的若干个列向量组成子样本集Mu′作为输入数据；
5.根据权利要求4所述的一种基于扩展...
【技术特征摘要】
1.一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤1中的具体步骤为：
3.根据权利要求2所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤2的具体步骤为：
4.根据权利要求1所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，步骤3中，随机选取数据矩阵mu中的若干个列向量组成子样本集mu′作为输入数据；
5.根据权利要求4所述的一种基于扩展隔离林的无监督深度迁移学习轴承故障诊断方法，其特征在于，改进的扩展隔离林中数据点的异常得分公式为：
...【专利技术属性】
技术研发人员：李兵，薛少凯，王子帅，朱帅奇，姚远，张家宁，唐艺丹，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：
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。