一种优化主题相关性分析的变工况滚动轴承故障诊断方法技术

本发明专利技术公开了一种优化主题相关性分析的变工况滚动轴承故障诊断方法，所述方法为：首先通过小波变换对源领域与目标领域滚动轴承振动信号进行特征提取，并构建特征向量组成故障样本集；再通过调整果蝇优化算法中味道浓度判定值的取值并采用多种群的策略，实现对TCA算法中取值范围有限制的主要参数总主题数与共有主题比例的寻优；最后构建改进的多种群果蝇优化算法优化主题相关性分析IFOA‑TCA的故障识别模型，实现其他工况下滚动轴承振动数据对故障识别器的训练以及训练后故障识别器对目标滚动轴承的故障识别。这种方法在各种工况条件下均能取得较好的故障诊断结果，具有较好的工程价值和应用前景。

【技术实现步骤摘要】
一种优化主题相关性分析的变工况滚动轴承故障诊断方法
本专利技术涉及滚动轴承故障诊断技术，具体是一种优化主题相关性分析的变工况滚动轴承故障诊断方法。
技术介绍
轴承作为机械传动系统的关键部件之一，在现代工业生产中发挥着重要的作用，但设备在运转的过程中可能会面临不确定的工况因素及恶劣环境的影响，使轴承承受不可预估的瞬时损伤，从而对轴承寿命产生严重的影响，故时常对轴承进行故障诊断有利于预防重大事故发生。面对变工况条件下滚动轴承故障诊断问题，传统以大量数据为基础的智能故障诊断方法普遍存在以下缺陷：1)训练数据与测试数据分布不一致，无法直接用于故障诊断；2)目标领域滚动轴承故障样本不足以训练出一个分类效果良好的故障分类器。为解决上述矛盾，目前相关学者多通过迁移学习来实现变工况条件下的故障诊断，迁移学习的基本思想是：针对目标领域数据不足以训练出一个分类效果良好的分类器时，通过迁移源领域辅助数据中的有效信息，帮助目标领域数据共同训练出一个故障诊断准确率更高、泛化能力更强的故障识别器，以实现变工况条件下的故障诊断。然而，迁移学习在滚动轴承故障诊断领域仍处于探索阶段，所使用手段有限，适用于滚动轴承故障诊断领域新的、故障识别率高的迁移学习方法值得探索。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供一种优化主题相关性分析的变工况滚动轴承故障诊断方法。这种方法在各种工况条件下均能取得较好的故障诊断结果，具有较好的工程价值和应用前景。实现本专利技术目的的技术方案是：一种优化主题相关性分析的变工况滚动轴承故障诊断方法，包括如下步骤：1)采集源领域与目标领域滚动轴承振动信号：采集目标滚动轴承及其他工况下滚动轴承在正常状态、外圈故障、内圈故障和滚动体故障四种工作状态下的原始振动信号，针对变工况滚动轴承故障诊断问题，假设当前工况下滚动轴承所在领域为目标领域，所测得的振动数据为目标数据，在其他工况下滚动轴承所处的领域为源领域，所测得的振动数据为辅助数据，为保证TCA(Topicrelatedanalysis，简称TCA)算法成功应用于滚动轴承故障诊断领域，将TCA算法在文本分类中的概念与滚动轴承故障诊断领域的概念进行以下对应：1-1)文本分类中的文章对应于滚动轴承故障诊断领域的故障样本；1-2)文本分类中的主题对应于滚动轴承故障诊断领域故障样本中所包含的信息即能量分布以及与振动数据相关的负载、速度；1-3)文本分类中的词对应于滚动轴承故障诊断领域故障样本中的一个数值；2)提取故障特征并归一化：采用小波变换对滚动轴承原始振动信号进行特征提取，并对提取得到的小波包能量进行归一化处理，具体为：选取‘db16’小波包作为小波包能量特征提取时的小波包，对滚动轴承振动信号进行小波包3层分解得到8个分解频带，每个样本由2048个连续采样数据构成，滚动轴承在各种状态下的故障样本数均为59个；3)构建特征向量、组成故障样本集：对归一化处理后的目标滚动轴承与其他工况下滚动轴承的小波包能量特征值构建特征向量，组成故障样本集，其中，源领域数据由其他工况下滚动轴承故障样本组成，用表示，分别表示源领域中的第Ns个故障样本及第Ns个故障样本所对应的标签，目标领域数据由目标滚动轴承故障样本组成，用表示，分别表示目标领域中的第Nt个故障样本及第Nt个故障样所对应的标签；4)初始化改进的果蝇优化算法中的参数值：设参数果蝇种群大小PO为50，迭代次数IT为50；5)采用改进的果蝇优化算法随机生成一个共有主题比例CTP与总主题数TT的初始值：在使用TCA算法的过程中，需要确定一些参数的取值，如总主题数TT、共有主题比例CTP、迭代次数I，这些参数取值的大小直接影响到TCA算法应用的效果，其中迭代次数越大越好，对每个目标滚动轴承和其他工况下滚动轴承故障样本来说，总主题数与共有主题比例的大小是未知的，只能根据经验初步确定其大概范围，不宜对其进行准确的初始设定，故通过果蝇优化算法来寻找最优的总主题数TT与共有主题比例CTP，根据经验，总主题数TT在10个以上较为合适，取共有主题比例CTP在区间[0.4，0.6]之间，对参数共有主题比例CTP与总主题数TT的优化问题属于有约束优化问题，而在目前的研究中，果蝇优化算法及其相关的改进算法主要针对的是无约束优化问题，本技术方案需要求解的是有约束优化问题，且所需优化参数的约束条件不同，采用改进的针对不同约束问题的多种群果蝇优化算法(Multi-populationFruitFlyOptimizationAlgorithmforConstrainedProblem，简称MPCP-FOA)求解有不同约束的优化问题：果蝇优化算法(FruitFlyOptimizationAlgorithm，简称FOA)是一种基于果蝇觅食行为推演寻求全局优化的新方法，具有寻优速度快、计算量小、全局搜索能力强和容易实现的特点，与遗传算法、粒子群算法等主流优化算法相比，所需确定的参数较少，使用难度较低，标准果蝇算法对参数寻优的过程可分为以下七个步骤：1.随机初始化果蝇群体的位置X_axis、Y_axis；2.对不同果蝇个体给予随机的觅食方向与距离：Xi＝X_axis+rand()，Yi＝Y_axis+rand()；3.求各果蝇个体与原点之间的距离，并取距离的倒数作为味道浓度判定值S：4.将味道浓度判定值代入味道浓度判定函数中，得出果蝇个体在该位置下的味道浓度Smell：Smelli＝Fitness(Si)；5.找出果蝇群体中味道浓度最高的果蝇：[bestSmellbestindex]＝max(Smelli)；6.保留最佳味道浓度值与相对应的X、Y坐标，此时果蝇群体通过视觉向该位置飞去；X_axis＝X(bestindex)，Y_axis＝Y(bestindex)，Smellbest＝bestSmell；7.重复执行步骤2-步骤5进行迭代寻优，并判断新得到的味道浓度是否优于最佳味道浓度值，若是，则执行步骤6。本技术方案改进的果蝇优化算法为：在标准的果蝇优化算法中，其味道浓度判定值S为果蝇个体与原点的距离的倒数，由于果蝇群体的初始位置是随机的，且果蝇觅食的方向和距离也是随机的，故味道浓度判定值S可能很大，也可能很小，显然不满足对TCA算法寻优过程中初始设定的总主题数TT与共有主题比例CTP的寻优条件，以各果蝇个体所在位置的X坐标为味道浓度判定值，即味道浓度判定值Si＝Xi，Xi表示第i个果蝇所在位置的X坐标，5-1)针对共有主题比例寻优的果蝇优化算法：对参数共有主题比例CTP进行寻优的过程如下：5-1-1)初始化果蝇群体的位置X_axis＝rand()；5-1-2)给不同的果蝇个体随机的觅食方向和距离Xi＝0.5*(X_axis+rand())；5-1-3)求味道浓度判定值S，由于共有主题比例CTP在区间[0.4，0.6]之间取值比较合适，由步本文档来自技高网...

【技术保护点】
1.一种优化主题相关性分析的变工况滚动轴承故障诊断方法，其特征在于，包括如下步骤：/n1)采集源领域与目标领域滚动轴承振动信号：采集目标滚动轴承及其他工况下滚动轴承在正常状态、外圈故障、内圈故障和滚动体故障四种工作状态下的原始振动信号，假设当前工况下滚动轴承所在领域为目标领域，所测得的振动数据为目标数据，在其他工况下滚动轴承所处的领域为源领域，所测得的振动数据为辅助数据，将TCA算法在文本分类中的概念与在滚动轴承故障诊断领域的概念进行以下对应：/n1-1)文本分类中的文章对应于滚动轴承故障诊断领域的故障样本；/n1-2)文本分类中的主题对应于滚动轴承故障诊断领域故障样本中所包含的信息即能量分布以及与振动数据相关的负载、速度；/n1-3)文本分类中的词对应于滚动轴承故障诊断领域故障样本中的一个数值；/n2)提取故障特征并归一化：采用小波变换对滚动轴承原始振动信号进行特征提取，并对提取得到的小波包能量进行归一化处理，具体为：选取‘db16’小波包作为小波包能量特征提取时的小波包，对滚动轴承振动信号进行小波包3层分解得到8个分解频带，每个样本由2048个连续采样数据构成，滚动轴承在各种状态下的故障样本数均为59个；/n3)构建特征向量、组成故障样本集：对归一化处理后的目标滚动轴承与其他工况下滚动轴承的小波包能量特征值构建特征向量，组成故障样本集，其中，源领域数据由其他工况下滚动轴承故障样本组成，用...

【技术特征摘要】
1.一种优化主题相关性分析的变工况滚动轴承故障诊断方法，其特征在于，包括如下步骤：
1)采集源领域与目标领域滚动轴承振动信号：采集目标滚动轴承及其他工况下滚动轴承在正常状态、外圈故障、内圈故障和滚动体故障四种工作状态下的原始振动信号，假设当前工况下滚动轴承所在领域为目标领域，所测得的振动数据为目标数据，在其他工况下滚动轴承所处的领域为源领域，所测得的振动数据为辅助数据，将TCA算法在文本分类中的概念与在滚动轴承故障诊断领域的概念进行以下对应：
1-1)文本分类中的文章对应于滚动轴承故障诊断领域的故障样本；
1-2)文本分类中的主题对应于滚动轴承故障诊断领域故障样本中所包含的信息即能量分布以及与振动数据相关的负载、速度；
1-3)文本分类中的词对应于滚动轴承故障诊断领域故障样本中的一个数值；
2)提取故障特征并归一化：采用小波变换对滚动轴承原始振动信号进行特征提取，并对提取得到的小波包能量进行归一化处理，具体为：选取‘db16’小波包作为小波包能量特征提取时的小波包，对滚动轴承振动信号进行小波包3层分解得到8个分解频带，每个样本由2048个连续采样数据构成，滚动轴承在各种状态下的故障样本数均为59个；
3)构建特征向量、组成故障样本集：对归一化处理后的目标滚动轴承与其他工况下滚动轴承的小波包能量特征值构建特征向量，组成故障样本集，其中，源领域数据由其他工况下滚动轴承故障样本组成，用表示，分别表示源领域中的第Ns个故障样本及第Ns个故障样本所对应的标签，目标领域数据由目标滚动轴承故障样本组成，用表示，分别表示目标领域中的第Nt个故障样本及第Nt个故障样所对应的标签；
4)初始化改进的果蝇优化算法中的参数值：设参数果蝇种群大小PO为50，迭代次数IT为50；
5)采用改进的果蝇优化算法随机生成一个共有主题比例CTP与总主题数TT的初始值：设共有主题比例CTP在区间[0.4，0.6]之间，采用改进的针对不同约束问题的多种群果蝇优化算法MPCP-FOA求解有不同约束的优化问题，改进的果蝇优化算法为：
以各果蝇个体所在位置的X坐标为味道浓度判定值，即味道浓度判定值Si＝Xi，Xi表示第i个果蝇所在位置的X坐标，
5-1)针对共有主题比例寻优的果蝇优化算法：对参数共有主题比例CTP进行寻优的过程如下：
5-1-1)初始化果蝇群体的位置X_axis＝rand()；
5-1-2)给不同的果蝇个体随机的觅食方向和距离Xi＝0.5*(X_axis+rand())；
5-1-3)求味道浓度判定值S，对超出约束条件的果蝇个体做如下处理：
当Xi＜a时，Xi＝a+min(a-Xi，b-a)×rand()；
当Xi＞b时，Xi＝b-min(Xi-b,b-a)×rand()；
当a＜Xi＜b时，Xi＝Xi；
其中，a、b为约束条件的下边界值和上边界值，min()为取最小函数；
再令味道浓度判定值Si＝Xi，后续步骤为标准果蝇算法中的步骤4-步骤7即执行以下步骤：
5-1-4)将味道浓度判定值代入味道浓度判定函数中，得出果蝇个体在该位置下的味道浓度Smell：
Smelli＝Fitness(Si)；
5-1-5)找出果蝇群体中味道浓度最高的果蝇：
[bestSmellbestindex]＝max(Smelli)；
5-1-6)保留最佳味道浓度值与相对应的X、Y坐标，此时果蝇群体通过视觉向该位置飞去；
X_axis＝X(bestindex)，
Y_axis＝Y(bestindex)，
Smellbest＝bestSmell；
5-1-7)重复执行步骤2-步骤5进行迭代寻优，并判断新得到的味道浓度是否优于最佳味道浓度值，若是，则执行步骤5-1-6)，
其中，步骤2-步骤5为：
2.对不同果蝇个体给予随机的觅食方向与距离：
Xi＝X_axis+rand()，
Yi＝Y_axis+rand()；
3.求各果蝇个体与原点之间的距离，并取距离的倒数作为味道浓度判定值S：



4.将味道浓度判定值代入味道浓度判定函数中，得出果蝇个体在该位置下的味道浓度Smell：
Smelli＝Fitness(Si)；
5.找出果蝇群体中味道浓度最高的果蝇：
[bestSmellbestindex]＝max(Smelli)；
5-2)针对总主题数寻优的果蝇优化算法：对总主题数TT进行寻优的过程如下：
5-2-1)初始化果蝇群体的位置X_axis＝round(2*rand())+5，其中，数字2和5不是固定的，可取其他值；
5-2-2)给不同的果蝇个体随机的觅食方向和距离Xi＝X_axis+round(t*rand())，其中，t为增加果蝇群体多样性的随机值；
5-2-3)味道浓度判定值Si＝2*Xi，其中，数字2使味道浓度判定值S取偶数，后续步骤为标准果蝇算法中的步骤4-步骤7即同步骤5-1-4)-步骤5-1-7)；
5-3)针对两个参数同时寻优的多种群果蝇优化算法：采用多种群共同寻优的方法，具体步骤如下：
5-3-1)初始化果蝇群体的位置X_axisCTP、X_axisTT；
5-3-2)给不同的果蝇个体随机的觅食方向和距离XiCTP、XiTT；
5-3-3)求出味道浓度判定值SiCTP、SiTT；
5-3-4)将这两个味道浓度判定值同时输入味道浓度...

【专利技术属性】
技术研发人员：何水龙，朱良玉，胡超凡，欧阳励，蒋占四，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45