【技术实现步骤摘要】
本专利技术涉及喷泵机械复合故障诊断，特别涉及一种基于多源信号迁移的喷泵复合故障诊断方法。
技术介绍
1、喷泵(喷水推进装置)作为一种新型动力推进方式，已广泛应用于多种舰船推进装备中。典型的喷泵主要由机械系统、控制系统、液压系统三部分组成。喷泵在长期运行过程中受海水、污水等渗漏及复杂多变工况的影响，喷泵结构的复杂性使得其故障种类繁多，往往呈现多种故障叠加现象，如轴承故障、叶轮不平衡和轴窜动等复合故障常常出现，严重影响了喷泵的运行效率和安全稳定性，因此对喷泵复合故障的诊断研究具有重要意义。
2、由于轴承置于喷泵导叶之下，振动传感器无法近距离安装于固定轴承外圈的导叶内环处，而只能安装在外壳，但因振动传递路径长导致拾取的振动信号微弱，同时受其它振源如海浪冲击、压力脉动、发动机振动等因素影响，拾取的振动信号含有强耦合干扰信号，同时也会受到噪声影响，从而导致轴承故障信息难以提取，也导致叶轮不平衡和轴向窜动的故障信息难以提取；而安装于叶轮轴端处的位移传感器则易监测到轴向窜动的位移信号，但因干扰信号及噪声和传递路径远的原因导致位移信号对叶轮不平衡和导叶轴承故障信息难以提取(图1给出了测点位置信息)。与此同时受变工况的影响，导致变工况下数据样本分布不一致。因此，如何对变工况、弱故障信息及强干扰条件下喷泵复合故障的诊断分析异常困难。
3、基于数据驱动的喷泵故障诊断方法如：1)采用单一传感器信号并结合深度学习模型对喷泵轴承故障、叶轮不平衡和轴窜动等复合故障进行诊断分析时，虽可以利用深度学习自动提取特征参数的优势进行诊断，但因获
4、上述基于数据和基于知识的诊断方法进行诊断分析时虽各自均有自己的优缺点，但将这些故障诊断方法单独进行诊断分析时仍不能有效解决喷泵轴承故障、叶轮不平衡和轴向窜动等复合故障的诊断分析。为此提出了知识和数据融合驱动的多源信号迁移的故障方法，以期实现喷泵轴承故障、叶轮不平衡和轴向窜动等复合故障的诊断分析。
5、针对喷泵轴承故障、叶轮不平衡和轴窜动等典型故障，传感器安装示意图如图1所示。其中，1为导叶，2为叶轮，3为轴承，4为导叶，5为单向振动传感器，6为叶轮，7为位移传感器，8为轴。
技术实现思路
1、本专利技术的目的是为了解决喷泵轴承故障、叶轮不平衡和轴窜动等复合故障因振动传递路径远、振源多等导致振动信号和位移信号含有的故障信息微弱、耦合成分多、噪声强，进而导致复合故障诊断困难，为此，提供了一种基于多源信号迁移的喷泵复合故障诊断方法。
2、为了实现上述目的，本专利技术所采用的技术方案如下：
3、一种基于多源信号迁移的喷泵复合故障诊断方法，包括：
4、分别对源域和目标域的原始振动和位移信号进行fft变换获得幅值谱进而归一化；
5、将振动和位移信号的归一化幅值谱分别输入至深度迁移学习模型进行诊断，从而分别获取对应深度迁移学习模型的后验概率值；
6、利用加权表决法将后验概率值进行融合，从而获得最终的诊断结果，实现喷泵复合故障的诊断分析。
7、以下为本专利技术进一步限定的技术方案，分别对源域和少量标记目标域的原始时域信号进行fft变换获取幅值谱进而归一化，并输入至深度度量学习模型进行特征参数的自动提取。
8、以下为本专利技术进一步限定的技术方案，分别从源域和少量标记目标域的原始时域信号中提取偏度、峭度、平均频率和中心频率。
9、以下为本专利技术进一步限定的技术方案，将提取的偏度、峭度、平均频率和中心频率与深度度量学习模型自动提取的特征参数从源域和目标域角度分别进行并联融合。
10、以下为本专利技术进一步限定的技术方案，利用深度度量学习模型的隐含层共享及基于最大均值差异最小化的迁移机制，并结合深度度量学习模型的分类器，构建深度迁移学习模型。
11、以下为本专利技术进一步限定的技术方案，对无标记目标域的原始时域信号进行fft变换获取幅值谱进而归一化，并输入至深度度量学习模型进行特征参数的自动提取，从无标记目标域的原始时域信号中提取偏度、峭度、平均频率和中心频率，将提取的偏度、峭度、平均频率和中心频率与深度度量学习模型自动提取的特征参数从目标域角度分别进行并联融合。
12、以下为本专利技术进一步限定的技术方案，将无标记目标域的原始时域信号并联融合的结果输入至构建的深度迁移学习模型，获取对应深度迁移学习模型的后验概率值。
13、以下为本专利技术进一步限定的技术方案，采用振动传感器采集源域振动信号和目标域振动信号。
14、以下为本专利技术进一步限定的技术方案，采用位移传感器采集源域位移信号和目标域位移信号。
15、以下为本专利技术进一步限定的技术方案，喷泵复合故障包括喷泵轴承损伤、叶轮不平衡和轴向窜动。
16、相对于现有技术，本专利技术具有如下技术效果：
17、本专利技术利用多源信息融合的迁移诊断方法，解决了变工况下喷泵复合故障诊断难题，实现了变工况、弱故障信息及强干扰条件下喷泵复合故障的诊断分析；建立了诊断知识如偏度和峭度、平均频率和中心频率等特征参数和数据诊断模型融合的故障诊断方法，实现了诊断知识和数据驱动诊断模型的互补，解决了弱故障信息及强干扰下单一诊断方法如知识诊断方法或数据驱动诊断方法的精度不足问题。
18、下面结合附图与实施例，对本专利技术进一步说明。
本文档来自技高网...【技术保护点】
1.一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，分别对源域和少量标记目标域的原始时域信号进行FFT变换获取幅值谱进而归一化，并输入至深度度量学习模型进行特征参数的自动提取。
3.如权利要求2所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，分别从源域和少量标记目标域的原始时域信号中提取偏度、峭度、平均频率和中心频率。
4.如权利要求3所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，将提取的偏度、峭度、平均频率和中心频率与深度度量学习模型自动提取的特征参数从源域和目标域角度分别进行并联融合。
5.如权利要求4所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，利用深度度量学习模型的隐含层共享及基于最大均值差异最小化的迁移机制，并结合深度度量学习模型的分类器，构建深度迁移学习模型。
6.如权利要求5所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，对无标记目标域的原始时域信号进行F
7.如权利要求6所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，将无标记目标域的原始时域信号并联融合的结果输入至构建的深度迁移学习模型，获取对应深度迁移学习模型的后验概率值。
8.如权利要求1所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，采用振动传感器采集源域振动信号和目标域振动信号。
9.如权利要求1所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，采用位移传感器采集源域位移信号和目标域位移信号。
10.如权利要求1所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，喷泵复合故障包括喷泵轴承损伤、叶轮不平衡和轴向窜动。
...【技术特征摘要】
1.一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，分别对源域和少量标记目标域的原始时域信号进行fft变换获取幅值谱进而归一化，并输入至深度度量学习模型进行特征参数的自动提取。
3.如权利要求2所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，分别从源域和少量标记目标域的原始时域信号中提取偏度、峭度、平均频率和中心频率。
4.如权利要求3所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，将提取的偏度、峭度、平均频率和中心频率与深度度量学习模型自动提取的特征参数从源域和目标域角度分别进行并联融合。
5.如权利要求4所述的一种基于多源信号迁移的喷泵复合故障诊断方法，其特征在于，利用深度度量学习模型的隐含层共享及基于最大均值差异最小化的迁移机制，并结合深度度量学习模型的分类器，构建深度迁移学习模型。
6.如权利要求5所述的一种基于多源信号迁移的喷泵复合故...
【专利技术属性】
技术研发人员：李刚强，谢福起，耿皓，徐昌健，
申请(专利权)人：中国船舶集团有限公司第七○八研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。