[發明專利]一種基于敏感特征遷移學習的軸承故障診斷方法

有效

• 申請號: 202010841331.3
• 申請日: 2020-08-20
• 公開（公告）號: CN112229632B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 俞嘯;吳傳龍;劉詩源;任曉紅;董飛
• 申請（專利權）人: 中國礦業大學
• 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: 朱小兵

本發明公開了一種基于敏感特征遷移學習的軸承故障診斷方法，屬于故障診斷技術領域，具體包含采用雙樹復小波包變換DTCWPT對軸承振動信號分析，構建原始特征集，其次，使用故障敏感特征選取方法FSFCC,選取敏感特集，然后，提出一種改進TCA的特征遷移學習方法MTCA，處理有標簽源域數據集與無標簽目標域數據集，輸出低維特征集。最后構建軸承故障診斷模型OFS?FSFCC?MTCA?SVM。本發明實施結果表明所提出的MTCA方法能夠有效降低不同域間分布差異，增強域數據的判別性能，提高使用源域數據訓練的故障診斷模型的域適應能力，使故障診斷模型在不同工況下的故障診斷能夠取得理想的性能。

技術領域

本發明涉及故障診斷領域，尤其涉及一種基于敏感特征遷移學習的軸承故障診斷方法

背景技術

近年來，隨著機器學習方法的快速發展，基于數據驅動的故障診斷成為研究熱點。然而，利用機器學習方法構建的傳統故障診斷框架存在兩個主要問題，以致于影響其在實際工業場景下的運用。第一個問題是：目前，大多數基于數據驅動的故障診斷模型的構建，是在訓練數據集與測試數據集之間具有相同分布的假設下進行的，而在工業場景中，設備工況是多變的，會造成測試數據與訓練數據間分布差異。因此，傳統故障診斷模型在變工況下要保證理想的故障診斷性能是比較困難的。第二個問題是：由于實際工業場景下存在變工況與故障的多樣性，難以獲取足量有標簽訓練樣本，尤其是實際故障狀態下的有標簽樣本，因此，在一定程度上限制了智能故障診斷方法的在實際工業場景下的應用。針對上述兩個問題，以軸承為研究對象，開展新的故障診斷框架的研究。

遷移學習方法作為一個新的研究思路，近年來，在機械設備故障診斷領域獲得了許多研究人員的關注，目前遷移學習方法可分為：基于樣本的遷移學習，基于模型的遷移學習，基于特征的遷移學習和基于關系的遷移學習。在遷移學習領域中基于特征的遷移學習是目前的研究熱點，它有兩類方法，一種是利用特征變換以縮小源域特征空間與目標域特征空間的分布差異，另一種是將源域和目標域的數據特征變換到同一特征空間，再結合機器學習分類器完成對域數據的模式分類。遷移成分分析(Transfer Component Analysis,TCA)是一種典型的基于特征的遷移學習方法，目標是通過利用來自源域的可轉移特征或知識來減少不同域數據集的邊緣分布差異。但是，TCA忽略了數據集間條件分布的差異。

因此如何設計出一種提高利用源域數據訓練出的故障診斷模型的域適應能力和故障模式識別率高的故障診斷方法是業界亟需解決的課題。

發明內容

針對背景技術提出的問題，本發明提供一種基于敏感特征遷移學習的軸承故障診斷方法OFS-FSFCC-MTCA-SVM，其中OFS為原始數據集，FSFCC為敏感特征選取方法，MTCA為改進遷移成分分析，SVM為支持向量機，以次提高利用源域數據訓練出的故障診斷模型的域適應能力和故障模式識別率。

本發明為解決上述技術問題采用以下技術方案：

一種基于敏感特征遷移學習的軸承故障診斷方法，具體包含如下步驟：

步驟1，采用雙樹復小波包變換DTCWPT對軸承振動信號分析，構建原始特征集，其中，DTCWPT為Dual-Tree Complex Wavelet Packet Transform；

步驟2，采用基于特征聚類與特征間相關系數的敏感特征選取方法對步驟1得到的原始特征進行敏感度評價，選取狀態敏感度高的特征，構建敏感特征集；

步驟3，利用提出的MTCA處理有標簽源域數據與無標簽目標域數據的敏感特征集，對步驟2得到的敏感特征集進行遷移學習降維，輸出低維特征集；

步驟4，構建軸承故障診斷模型OFS-FSFCC-MTCA-SVM完成軸承故障狀態識別，其中OFS代表獲取原始數據集的過程，FSFCC為敏感特征選取方法，MTCA為改進遷移成分分析方法，SVM為支持向量機。