[發明專利]一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法

在審

• 申請號: 202110236878.5
• 申請日: 2021-03-03
• 公開（公告）號: CN113032916A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 徐岳;楊富超
• 申請（專利權）人: 安徽大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/02;G06F119/04
• 代理公司: 六安華晟智恒知識產權代理事務所(普通合伙) 34193
• 代理人: 吳玉芳

本發明公開了一種基于遷移學習的貝葉斯網絡的機電設備軸承故障預測方法，具體過程如下：原始采集信號經過CEEMDAN及FastICA技術除噪處理形成重構原信號；引入遷移學習，將原信號經過神經網絡聚類得到按照故障類型分類的信號集，將該信號集作為目標域數據集，成為貝葉斯網絡的輸入，在源域中選取參照樣本集作為源域貝葉斯網絡的訓練集；基于協變量移位理論，利用源域的訓練數據完成對目標域上的參數損失值的最小化的目標，實現對目標域上的貝葉斯網絡的極大似然估計的優化；通過目標域上貝葉斯網絡的輸出返回結果，并進行可視化體現，若非正常狀態下則發出警告，衰退狀態下給機械設備返回參數信息，指示機器在一定范圍內調整轉速等可自調參數。

技術領域

本發明屬于機電設備故障診斷技術領域，特別是涉及一種基于遷移學習的極大似然估計貝葉斯網絡的礦場機械軸承故障診斷方法。

背景技術

在我國現代工業追求高效的同時，智能監測成為保障工業穩定的重要技術力量。礦業作為工業鏈上流產業，保障其人員生命安全和現場設備的安全穩定是前提，但往往礦業現場工作環境相對復雜，大部分室外使用大型機電設備，一旦發生故障問題常常會造成無可預知的損失。軸承由內圈、外圈、滾動體、保持架、潤滑脂組成。礦山機械使用軸承是大型設備中的重要組成部分，其工作狀態影響著整個機器的狀態。當下諸如此類大型機電設備主要依靠人工排檢，人工經驗判斷故障后修復，和傳統在線監測方法。常常會造成實時性差、非計劃停機時間過長，錯過最佳維修時間，鏈路安裝復雜等問題。因此有效及時的技術手段解決礦業大型設備的狀態實時監測和預警故障處理成為工業行業不可回避的訴求。

發明內容

為了克服上述現有技術的不足，本發明提供了一種基于遷移學習的貝葉斯網絡礦場機電軸承故障程度預測方法。

本發明所采用的技術方案是：基于遷移學習的貝葉斯網絡礦場機電軸承故障程度預測方法，包括以下步驟：

步驟一，原始采集信號經過CEEDAN及FastICA技術除噪處理形成重構原信號，并利用LLE降維，進行特征向量的提取；

步驟二，引入遷移學習，將原信號經過神經網絡聚類得到按照故障類型分類的信號集，將該信號集作為目標域數據集，成為貝葉斯網絡的輸入；

步驟三，在源域中選取參照樣本集作為源域貝葉斯網絡的訓練集；基于協變量移位理論，利用源域的訓練數據完成對目標域上的參數損失值的最小化的目標，實現對目標域上的貝葉斯網絡的極大似然估計的優化；

步驟四，通過目標域上貝葉斯網絡的輸出返回結果，并進行可視化體現，完成對某一類故障類型的程度預測，若非正常狀態下則發出警告，衰退狀態下給機械設備返回參數信息，指示機器在一定范圍內調整轉速等可自調參數。

在步驟一中，包括如下步驟：

1.由于振動信號具有明顯的非線性，且時域分析難以精準的判斷出現具體故障類別，本發明采樣CEEMDAN經驗模態分解對信號進行降噪特征提取處理，并得到相應的特征空間，再利用LLE降維，得到可使用的維數數據集樣本特征空間。

2.滾動軸承故障特征頻率計算公式如下：

滾動軸承的旋轉頻率：

外圈故障的頻率：

內圈故障的頻率：

滾動體故障的頻率：

架內外圈故障的頻率：

其中，dr為滾動體半徑，Dω為節圓半徑，Z為滾動體個數，Sp軸轉速，α壓力角。

利用LLE線性局部嵌入降維技術，讓樣本子啊低維空間中保持相互之間的線性關系，即樣本之間的權值Wi保持不變，故Xi所對應的低維空間坐標Zi可由下面式子進行計算：

得到對應的特征向量；

在步驟二中，包括以下步驟：

使用K近鄰算法在源域數據樣本中選擇參照樣本集，即為目標域選擇遷移的源域訓練數據對象；