一种不同负载滚动轴承故障诊断方法技术

本发明专利技术属于工程机械技术领域，公开了一种不同负载滚动轴承故障诊断方法，包括以下步骤：步骤1，建立PSO

【技术实现步骤摘要】
一种不同负载滚动轴承故障诊断方法


[0001]本专利技术属于工程机械
，具体涉及一种不同负载滚动轴承故障诊断方法。

技术介绍

[0002]工程装备轴承通常处在负载多变的工作环境之中。如装载机这类工程机械，在一个工作循环内需要进行多次的前进、后退、变档、铲运等诸多工作内容。其传动系统，包括轴承、齿轮、传动轴等部件经常承受不同程度外界负载。对于风电机械中的风力涡轮机等工程部件，则需要根据不同天气的变化，调整扇叶的转速，以保证尽可能高的发电效率的同时，不损坏原有结构。这些机械在实际工作中的负载大小往往不一，因此传统的基于恒定负载的机械结构故障诊断方法在这类机械上往往难以取得较高的准确率。由于负载变动范围大，针对各个负载情况下的数据测量工作量巨大，难以满足现阶段深度学习算法的大数据量需求。因此，最有效直接的方法是尽可能缩小各个负载之间的数据分布差异，通过某一负载的诊断经验举一反三来完成其余负载工况下的轴承故障诊断。为尽可能降低因负载不同、环境不同而产生的轴承数据特征之间的差异性，通过迁移学习来自适应调节计算特征的分布，缩短轴承在不同负载工况下的数据分布距离。

技术实现思路

[0003]针对现有技术中存在的问题，本专利技术的目的在于提出一种不同负载滚动轴承故障诊断方法，克服现有技术中故障诊断局限于单一稳定环境，传统诊断方法难以适用的问题。
[0004]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0005]1.迁移学习理论
[0006]1.1.迁移学习的距离度量准则r/>[0007]迁移学习，即根据不同数据、任务或特征之间的相关性，实现从旧领域迁移到新领域上的学习与研究。其核心目标是找到不同领域之间的关联性，进而实现相关任务的迁移。
[0008]对于不同负载工况以及不同工作环境下采集得来的数据定然存在分布差异，因此需要不同的距离计算标准来量化这些不同分布域之间的差异。与此同时，从源域到目标域的变换多种多样，为了实现最优映射，也需要引入相关度量准则加以评判。其主要用途包括：1)定性的判断两个变量间的相关性以及定量的计算其关联程度。2)以所计算的数值为依据，通过必要的学习手段，不断提高两个变量之间的关联性。常见的度量准则包括距离准则与相似性准则等。
[0009]迁移学习中常见的相互性关系度量准则包括：
[0010]最大均值差异(Maximum mean discrepancy，MMD)。MMD为再生希尔伯特空间中两个分布的距离。其平方距离表达式为：
[0011][0012]其中φ(
·
)为核映射，将原始变量进行核映射后，可以高效的计算核函数内积。
MMD距离计算方法既可使用单一核映射，也可利用多核函数通过线性组合计算其空间内分布距离。
[0013]希尔伯特
‑
施密特独立性系数(Hilbert
‑
Schmidt Independence Criterion，HSIC)。HSIC可以用来表征两组数据之间的相互独立性。
[0014]HSIC(X，Y)＝trace(HXHY)
ꢀꢀꢀꢀꢀ
(4.8)
[0015]其中X，Y为两组数据的核函数形式。
[0016]1.2TCA迁移学习理论算法模型
[0017]领域与任务是迁移学习中的基础概念。数据特征分布的领域主要包括源域与目标域，前者是有知识，有大量学习标签的集合体，是需要迁移的对象；后者是最终需要赋予知识或标签的对象。而任务则是迁移学习的主要目标，为需要进行划分的标签等。
[0018]为了实现从源域到目标域的学习迁移，迁移成分分析法(Transfer Component Analysis，TCA)引入领域自适应(Domain Adaptation)这一概念：对一个已经存在标记的源域与缺乏标签信息的目标域假设特征空间相同，即X
s
＝X
t
，相类别空间(标签类别)相似，Y
s
＝Y
t
，同时其条件概率近似相等，Q
s
(y
s
|x
s
)＝Q
t
(y
t
|x
t
)。但两个域的边缘分布不相同，P
s
(x
s
)≠P(x
t
)。TCA迁移学习实现领域自适应的最终目标就是根据已有的数据特征集，搜寻一种映射变换对原始数据特征进行投影，减小源域与目标域之间的边缘分布的距离，即：
[0019]DISTANCE(D
s
，D
t
)≈||P(X
s
)
‑
P(X
t
)||
ꢀꢀꢀꢀꢀ
(4.9)
[0020]该方法目标是在尽可能不改变原有数据结构的基础上缩短源域与目标域之间的个体分布差异，从而使得对源域的分类算法能尽可能高效的在新域上实现。因此其大致分为两个过程目标：
[0021](1)最小化边缘分布
[0022]最小化边缘分布，即使P(X
s
)与P(X
t
)的距离最近。以MMD距离作为度量准则来衡量两个域之间的最大均值差异，利用合适的核映射函数φ，拉近投影后的数据分布，即P(φ(X
s
))≈P(φ(X
t
))。其具体计算方式为：
[0023][0024]根据上述距离平方展开后包含二次项乘积部分，此处引入核函数矩阵K以及MMD矩阵L，求解映射φ：
[0025][0026]最后通过一个比K更低维度的矩阵W来提高模型求解效率。则TCA的优化目标转化为：
[0027][0028](2)维持各自分布域的数据特征
[0029]为防止经过映射后，原有数据分布结构被破坏，造成变换后的特征难以有效分类，需要引入额外约束条件。数据的散度(scatter matrix)能在一定程度上反应数据个体之间的分布情况。对于一个矩阵A，它的散度就是AHAT。其中H为中心矩阵，定义如下：
[0030][0031]则为维持原始数据的散度(即方差)，其应满足条件：
[0032]W
T
KHKW＝I
m
ꢀꢀꢀꢀ
(4.14)
[0033]迁移学习是建立在两个领域之间有较高的相似性基础上进行的，而若其之间不存在相似性，或基本不相似，则有可能使得基于原始数据上学习而得的知识对新数据的学习分类产生反面效果，即负迁移现象。不同的迁移学习方式拥有其各自的优势方向，选择合理的方法才能尽可能的提高不同特征数据集之间的迁移效率，避免负迁移的情况发生。
[0034]2.伪标签学习与HSIC多核函数组合的模型优化算法
[0035]2.1引入HSIC关联原始数据标签信息
[0036]基于数据分布自适应的TCA迁移学习方法能够在一定程度上缩小数据分布差异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不同负载滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，建立PSO
‑
SSTCA迁移算法；步骤2，使用PSO
‑
SSTCA迁移算法来缩短滚动轴承各个特征之间的距离，实现不同负载数据之间的类比分类；步骤3，利用KNN算法，通过已有的滚动轴承数据集及其标签信息实现其他数据集的分类；步骤4，通过步骤1～3诊断出轴承目前存在的故障状态。2.根据权利要求1所述的不同负载滚动轴承故障诊断方法，其特征在于，步骤1的子步骤为：子步骤1.1，对TCA迁移学习算法引入HSIC来增强特征空间中的数据与类别标签依赖关系，建立SSTCA半监督迁移学习算法；子步骤1.2，利用多种核函数组合代替单一核函数；具体的，单一的核函数构成映射的特征有限，难以满足多种不同空间域之间的迁移变换需求；为了提高在多种负载环境下的迁移能力，通过一定权重将不同核函数组合起来，即可达到更好的映射效果；具体的，使用加法核，如式(1)，代替单一核函数；K
i，j
＝aK
Poly
(x
i
，x
j
)+(1
‑
a)K
Guassian
(x
i
，x
j
)
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，根据高斯核函数定义，当x
i
＝x
...

【专利技术属性】
技术研发人员：惠记庄，张泽宇，段雨，耿麒，朱佳庆，任余，石泽，
申请(专利权)人：长安大学，
类型：发明
国别省市：