[發明專利]基于混合熵與聯合分布適配的變工況下軸承故障診斷方法

在審

• 申請號: 201910957125.6
• 申請日: 2019-10-10
• 公開（公告）號: CN110849625A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 薛小明;姜偉;張楠;劉麗燕;曹蘇群
• 申請（專利權）人: 淮陰工學院
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

1.基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，其特征在于，包括以下步驟：

(1)根據負載工況是否已知對滾動軸承振動的原始樣本數據集進行劃分，建立用于變工況下滾動軸承故障診斷的源域數據集和目標域數據集；

(2)分別對源域數據集和目標域數據集包含的各樣本信號進行時頻分解，獲取各樣本信號的本征模態函數；

(3)根據非線性度量熵理論，計算各樣本信號各IMF分量的非線性熵參數，構建樣本信號的多尺度混合熵特征向量；

(4)根據遷移學習理論，實現目標域數據對源域數據的遷移學習，利用步驟(3)得到的源域數據集和目標域數據集中各樣本信號的多尺度混合熵特征向量構建基于聯合分布適配的變工況下滾動軸承故障診斷模型，輸出最終診斷結果。

2.根據權利要求1所述基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，其特征在于，在步驟(2)中，采用快速集成經驗模態分解方法對源域數據集和目標域數據集包含的各樣本信號進行時頻分解。

3.根據權利要求1所述基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，其特征在于，在步驟(3)中，所述非線性熵參數包括排列熵、樣本熵、能量熵、奇異譜熵和功率譜熵。

4.根據權利要求3所述基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，其特征在于，步驟(3)的具體過程如下：

(3-1)根據頻率高低對各樣本信號的本征模態函數進行排序；

(3-2)計算各IMF分量的排列熵、樣本熵、能量熵、奇異譜熵和功率譜熵：

排列熵

樣本熵

能量熵

奇異譜熵

功率譜熵

其中，m為重構空間的嵌入維度；P_l表示重構空間中第l種排列樣式的概率分布；L為重構空間中總的排列樣式數，L≤m！；B表示向量序列間距離小于等于r的數目，r為相似偏差；N為單個樣本數據的總長度；p_kn表示第n個IMF分量的能量在總能量中所占的比值；λ_i為IMF分量空間重構獲得的矩陣的第i個奇異值，S_x(f)表示x(t)的功率譜估計，x(t)為原始信號序列的IMF分量之一，

(3-3)分析各類熵在不同尺度上對于同類故障和不同類故障的聚集性與分散性，選取前h個高頻IMF分量的排列熵、樣本熵、能量熵、奇異譜熵和功率譜熵特征，構建各樣本信號的多尺度混合熵特征向量，h為預設的正整數。

5.根據權利要求1所述基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，其特征在于，步驟(4)的具體過程如下：

(4-1)基于源域數據集和目標域數據集，采用K最近鄰分類算法生成目標域數據集各樣本信號的初始偽標簽；

(4-2)利用聯合分布適配方法將源域數據集和目標域數據集中各樣本信號的多尺度混合熵特征向量空間映射到核再生空間，實現目標域數據對源域數據的遷移學習，獲得新映射空間數據；

(4-3)基于新映射空間數據，采用K最近鄰分類算法生成每次迭代過程目標域數據集各樣本信號的偽標簽；

(4-4)進行若干次迭代，將最后一次迭代過程獲取的標簽數據作為最終故障診斷結果。