[發(fā)明專利]一種優(yōu)化主題相關性分析的變工況滾動軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110440436.2
• 申請日: 2021-04-23
• 公開（公告）號: CN113139251B
• 公開（公告）日: 2023-03-14
• 發(fā)明（設計）人: 何水龍;朱良玉;胡超凡;歐陽勵;蔣占四
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/16;G06F111/06;G06F119/02;G06F119/04
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

本發(fā)明公開了一種優(yōu)化主題相關性分析的變工況滾動軸承故障診斷方法，所述方法為：首先通過小波變換對源領域與目標領域滾動軸承振動信號進行特征提取，并構建特征向量組成故障樣本集；再通過調整果蠅優(yōu)化算法中味道濃度判定值的取值并采用多種群的策略，實現對TCA算法中取值范圍有限制的主要參數總主題數與共有主題比例的尋優(yōu)；最后構建改進的多種群果蠅優(yōu)化算法優(yōu)化主題相關性分析IFOA?TCA的故障識別模型，實現其他工況下滾動軸承振動數據對故障識別器的訓練以及訓練后故障識別器對目標滾動軸承的故障識別。這種方法在各種工況條件下均能取得較好的故障診斷結果，具有較好的工程價值和應用前景。

技術領域

本發(fā)明涉及滾動軸承故障診斷技術，具體是一種優(yōu)化主題相關性分析的變工況滾動軸承故障診斷方法。

背景技術

軸承作為機械傳動系統(tǒng)的關鍵部件之一，在現代工業(yè)生產中發(fā)揮著重要的作用，但設備在運轉的過程中可能會面臨不確定的工況因素及惡劣環(huán)境的影響，使軸承承受不可預估的瞬時損傷，從而對軸承壽命產生嚴重的影響，故時常對軸承進行故障診斷有利于預防重大事故發(fā)生。面對變工況條件下滾動軸承故障診斷問題，傳統(tǒng)以大量數據為基礎的智能故障診斷方法普遍存在以下缺陷：1)訓練數據與測試數據分布不一致，無法直接用于故障診斷；2)目標領域滾動軸承故障樣本不足以訓練出一個分類效果良好的故障分類器。

為解決上述矛盾，目前相關學者多通過遷移學習來實現變工況條件下的故障診斷，遷移學習的基本思想是：針對目標領域數據不足以訓練出一個分類效果良好的分類器時，通過遷移源領域輔助數據中的有效信息，幫助目標領域數據共同訓練出一個故障診斷準確率更高、泛化能力更強的故障識別器，以實現變工況條件下的故障診斷。然而，遷移學習在滾動軸承故障診斷領域仍處于探索階段，所使用手段有限，適用于滾動軸承故障診斷領域新的、故障識別率高的遷移學習方法值得探索。

發(fā)明內容

本發(fā)明的目的是針對現有技術的不足，提供一種優(yōu)化主題相關性分析的變工況滾動軸承故障診斷方法。這種方法在各種工況條件下均能取得較好的故障診斷結果，具有較好的工程價值和應用前景。

實現本發(fā)明目的的技術方案是：

一種優(yōu)化主題相關性分析的變工況滾動軸承故障診斷方法，包括如下步驟：

1)采集源領域與目標領域滾動軸承振動信號：采集目標滾動軸承及其他工況下滾動軸承在正常狀態(tài)、外圈故障、內圈故障和滾動體故障四種工作狀態(tài)下的原始振動信號，針對變工況滾動軸承故障診斷問題，假設當前工況下滾動軸承所在領域為目標領域，所測得的振動數據為目標數據，在其他工況下滾動軸承所處的領域為源領域，所測得的振動數據為輔助數據，為保證TCA(Topic related analysis，簡稱TCA)算法成功應用于滾動軸承故障診斷領域，將TCA算法在文本分類中的概念與滾動軸承故障診斷領域的概念進行以下對應：

1-1)文本分類中的文章對應于滾動軸承故障診斷領域的故障樣本；

1-2)文本分類中的主題對應于滾動軸承故障診斷領域故障樣本中所包含的信息即能量分布以及與振動數據相關的負載、速度；

1-3)文本分類中的詞對應于滾動軸承故障診斷領域故障樣本中的一個數值；

2)提取故障特征并歸一化：采用小波變換對滾動軸承原始振動信號進行特征提取，并對提取得到的小波包能量進行歸一化處理，具體為：選取‘db16’小波包作為小波包能量特征提取時的小波包，對滾動軸承振動信號進行小波包3層分解得到8個分解頻帶，每個樣本由2048個連續(xù)采樣數據構成，滾動軸承在各種狀態(tài)下的故障樣本數均為59個；