CN110346142A

CN110346142A - 基于无监督特征对齐的变负载下滚动轴承故障诊断方法

Info

Publication number: CN110346142A
Application number: CN201910680524.2A
Authority: CN
Inventors: 康守强; 邹佳悦; 王玉静; 王庆岩; 梁欣涛; 谢金宝
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2019-07-25
Filing date: 2019-07-25
Publication date: 2019-10-18
Anticipated expiration: 2039-07-25
Also published as: CN110346142B

Abstract

一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，属于滚动轴承故障诊断领域。针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布以及目标领域样本不含标签的问题。利用变分模态分解结合奇异值分解获取振动信号的时频特征，再结合振动信号时域、频域特征构建多域特征集；引入迁移学习中能够实现无监督领域适应的子空间对齐算法并进行改进，将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间，在高维空间的子空间进行特征对齐，实现不同负载下源领域特征向目标领域特征对齐。在目标领域无标签的情况下，利用滚动轴承已知负载数据识别出其他负载数据对应的状态，具有较高的故障诊断准确率。

Description

基于无监督特征对齐的变负载下滚动轴承故障诊断方法

技术领域

本发明涉及变负载下滚动轴承故障诊断方法，属于滚动轴承故障诊断领域。

背景技术

滚动轴承是旋转机械的关键部件，广泛应用于工业生产，对其进行故障诊断将有效保证设备正常平稳运行及防止重大事故发生[1]。滚动轴承常常工作在变负载情况下，导致实际工作中缺少或无法获取与待测数据相同分布的训练数据[2]。根据已知标签的振动信号对其他负载下的未知标签振动信号进行故障诊断具有重要的实际意义[3]。

机械智能故障诊断主要包含特征提取、故障诊断与预测[4]。滚动轴承振动信号的时频特征提取方法被广泛关注，例如经验模态分解(empirical mode decomposition，EMD)、集合EMD、局部均值分解(local mean decomposition，LMD)，但以上方法均属于递归模态分解，存在端点效应和模态混叠的问题[5-6]。变分模态分解(variational modedecomposition，VMD)是一种自适应信号处理方法，该方法将信号分解转换成非递归、变分问题，可将相近频率成功分离[7]。文献[6]提出了基于VMD的特征提取方法，实现了变负载下不同故障部位的有效诊断。文献[8]针对单域特征不能全面地表征滚动轴承各故障程度，提出了基于时域、频域、时频特征的多域特征提取方法，成功地实现对滚动轴承不同故障部位及不同故障程度的有效评估。上述方法与智能分类方法相结合，较好地解决了滚动轴承状态分类问题。但对于训练数据与测试数据存在分布差异时，会出现模型泛化能力差的问题。

近年来，迁移学习受到学者们的广泛关注，其放宽了机器学习的两个基本假设，旨在运用已有的知识来解决目标领域中已知标签数据匮乏甚至很难获得的问题[9]。文献[10]提出了一种基于参数迁移的改进最小二乘支持向量机迁移学习方法，实现了目标领域中已知标签数据较少条件下的滚动轴承故障诊断。文献[2]利用基于实例迁移的TrAdaBoost算法在迭代过程中调整源领域数据权重以帮助目标数据学习达到提升分类准确率的效果，其与传统机器学习相比诊断性能得到显著提升。在领域适应研究中，文献[11]应用多核半监督迁移成分分析方法将不同领域分布样本共同映射到一个共享希尔伯特空间，提高不同分布样本数据类内紧凑性和类间区分性，实验表明所提方法比传统机器学习方法具有更高的诊断准确率。但上述方法在目标领域完全不含标签时会出模型泛化能力变弱和诊断率下降的问题，而基于无监督的领域适应方法可以通过学习源领域和目标领域的共享特征来减小领域之间的差异，解决目标领域数据完全不含标签的情况[12-13]。文献[14]提出了基于边缘分布自适应的迁移成分分析(transfer component analysis，TCA)，该方法通过特征映射，使得映射后数据的分布相近。文献[15]提出了联合分布适配法(joint distribution adaptation，JDA)，通过减小源领域和目标领域之间的联合概率分布距离，缩小领域间的差异。文献[16]在JDA的基础上进行改进，提出了平衡分布适配法(balanced distribution adaptation，BDA)，通过一种平衡因子自适应调整边缘分布和条件分布之间的权重。文献[17]提出了基于信息理论学习(information theoreticallearning，ITL)的度量方法，共同学习两个领域之间不变的特征。文献[18]应用测地线流式核(geodesic flow kernel，GFK)，通过大量的中间子空间一步步的将源领域数据向目标领域数据对齐。文献[19]提出了基于子空间对齐(subspace alignment，SA)的领域适应方法，将数据的统计特征进行变换对齐，直接在子空间减小两个领域之间的差异，不需要大量的中间子空间，进而减少了计算量。

但针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布，以及目标领域样本不含标签的问题一直没有解决。

发明内容

本发明要解决的技术问题是：

本发明针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布，以及目标领域样本不含标签的问题，提出一种多域特征构建和无监督特征对齐的滚动轴承故障诊断方法。

本发明为解决上述技术问题采用的技术方案是：

一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，所述方法的实现过程为：

1)特征样本集构造：

对于源领域已知负载(含标签)和目标领域其他负载(完全不含标签)的滚动轴承振动信号，其中源领域和目标领域两领域数据属于不同分布，对两领域数据均进行VMD分解得到若干IMF，根据观察法^[6]选取故障敏感的前k个IMF，对IMF构建矩阵，并进行SVD获取奇异值，同时提取振动信号的时域、频域指标；

利用源领域已知负载和目标领域其他负载滚动轴承振动信号的时域、频域特征和奇异值分别构建源领域多域特征样本集和目标领域多域特征样本集；

2)无监督核映射子空间对齐：

将源领域多域特征样本集和目标领域多域特征样本集用高斯核函数共同映射到相同的高维空间，然后分别得到源领域高维空间特征样本集、目标领域高维空间特征样本集，二者再经PCA分别进行降维处理，得到源领域高维特征样本子空间、目标领域高维特征样本子空间；

将源领域特征向目标领域特征对齐，缩小源领域样本和目标领域样本的分布差异，提高对目标领域样本的识别能力；

3)进行分类模型建立与测试，获得变负载下滚动轴承故障诊断结果。

进一步地，无监督核映射子空间对齐过程(采用无监督核映射SA算法)具体为：假设源领域多域特征样本集(源领域特征样本集)为X_S＝{x₁，x₂，…，x_i}，目标领域多域特征样本集(目标领域特征样本集)为X_T＝{x₁，x₂，…，x_j},其中，x_i为源领域样本集中第i个样本，x_j为目标领域样本集中第j个样本，X_S、X_T∈R^D，R^D表示D维的实数空间

；源领域标签为L_S，目标领域无标签(无监督)；源领域样本和目标领域样本属于不同分布，利用核函数将两领域特征样本映射到相同的高维特征空间(以达到最佳降维且特征对齐的目的)，映射后的源领域、目标领域高维空间特征样本集φ(X_S)和φ(X_T)的表达式为：

K_RBF表示高斯核函数；

在相同的高维空间用PCA对源领域Φ(X_S)和目标领域Φ(X_T)分别降维，按由大到小的顺序，分别选出源领域和目标领域中前d个特征值对应的特征向量，并将其作为源领域和目标领域高维特征样本子空间的基，分别用S和T表示，S、T∈R^D×d，通过转换矩阵M将源领域高维子空间的基向目标领域高维子空间的基对齐，核映射SA方法的优化目标F(M)为：

M^*＝argmin_M(F(M)) (12)

其中，

R^D×d表示表示D*d维的实数空间；

||||_F表示Frobenius范数；S和T是经PCA降维过程中被正则化，基于Frobenius范数在正交变换时具有不变性可得：

根据式(13)解得M^*＝S^TT(源领域和目标领域属于不同分布)，由此可得源领域高维特征样本子空间向目标领域高维特征样本子空间对齐后的基变为S_a＝SS^TT，T表示转置；

如果源领域和目标领域属于相同分布，则S＝T，M^*为单位阵。

进一步地，分类模型建立与测试的具体过程为：

将对齐后源领域特征样本集输入到SVM中进行训练，用遗传算法(geneticalgorithm，GA)对SVM的参数进行寻优，得到训练模型；将对齐后目标领域特征样本集输入到训练好的模型中，获得变负载下滚动轴承故障诊断结果。

进一步地，分类模型建立与测试的具体过程为：

定义一个相似性度量函数sim(y_s,y_t)，比较映射后的齐后源领域特征样本集和对齐后目标领域特征样本集的重要程度：

其中，sim(y_s,y_t)相似性度量函数，表示重要程度；

A＝SS^TTT^T，式(14)的形式类似泛化内积；A并不是绝对的半正定形式，反映了各个特征样本在原始多域特征空间中的重要程度；

sim(y_s,y_t)表示的重要程度直接作用于k-最近邻(k-nearst neighbor，kNN)分类算法可以实现变负载下滚动轴承故障诊断(分类)。

进一步地，所述方法为变负载下滚动轴承多状态故障诊断方法，多状态故障包括滚动轴承正常状态，内圈、外圈、滚动体故障及对应不同故障损伤程度。

本发明具有以下有益技术效果：

本发明方法利用变分模态分解结合奇异值分解获取振动信号的时频特征，再结合振动信号时域、频域特征构建多域特征集；引入迁移学习中能够实现无监督领域适应的子空间对齐(subspace alignment，SA)算法并进行改进，提出将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间，在高维空间的子空间进行特征对齐，以增加数据类间区分性，实现不同负载下源领域特征向目标领域特征对齐。实验研究表明，与部分降维方法及无监督迁移学习方法相比，本发明所提方法在目标领域无标签的情况下，能够利用滚动轴承已知负载数据识别出其他负载数据对应的状态，并具有较高的故障诊断准确率。

本发明引入无监督领域适应中的SA算法，对不同负载下的滚动轴承振动特征进行对齐以解决目标领域数据不含标签问题，但该方法中的线性降维方法在遇到非线性数据时，存在着不适合处理非线性数据的问题。为解决该问题，将核函数映射与特征对齐方法进行结合，弱化多域样本间的非线性关系，减小两领域间分布差异及增加类间区分性，从而进一步提高变负载条件下滚动轴承的特征对齐效果。最终通过将对齐后的源领域数据和目标领域数据与支持向量机(support vector machine，SVM)结合实现变负载下滚动轴承不同状态的诊断。

附图说明

图1为本发明所述的变负载下滚动轴承多状态诊断方法流程图，图2为不同k值对应中心频率分布图，图3为VMD分解结果图，图4为子空间维数与准确率关系图，图5为核映射SA与其他方法的准确率对比图，图6为不同特征处理方法的特征可视化效果图，图7为核映射SA与几种迁移学习算法对比图。

具体实施方式

针对本发明方法的实现结合附图1至7进行如下阐述：

1变分模态分解原理

变分模态分解是一种完全非递归、自适应的信号处理方法，该方法的整体框架是变分问题。假设每个模态具有不同的中心频率的有限带宽，目标是使得每个模态的估计带宽之和最小，模态之和为输入信号。中心频率和带宽在分解过程中不断更新过程可分为变分问题的构造和求解。

1.1变分问题的构造

1)对每个模态函数u_k(t)进行希尔伯特变换，得到每个模态函数的解析信号：

2)将每个模态的频谱调制到相应的基频带：

3)计算以上解调信号梯度的平方L²范数，估计出各模态信号带宽，受约束的变分问题：

其中：{u_k}:＝{u₁,u₂,…,u_K}，{ω_k}:＝{ω₁,ω₂,…,ω_K}

1.2变分问题的求解

引入二次惩罚因子和拉格朗日乘法算子，将约束变分问题变为非约束变分问题，其中二次惩罚因子可在高斯噪声存在的情况下保障信号的重构精度，拉格朗日算子使得约束条件保持严格性，增广拉格朗日表达式：

式中：α是惩罚因子，λ为拉格朗日因子。

用交替方向乘子法来求解，通过交替更新λⁿ⁺¹寻求拉格朗日表达式的‘鞍点’。其中，可以表示为：

其中，f(t)是输入信号，通过Parseval/Plancherel傅立叶等距变换将式(5)变换到频域：

通过解上面二次优化问题可得：

同理，可求得中心频率的表达式：

通过式(7)、(8)对进行傅立叶逆变换，可求得实部为{u_k(t)}。

2奇异值分解

SVD具有良好的稳定性和不变性，能够反映数据内在属性、降低噪声水平，提高周期成分的提取能力。

SVD是一种矩阵正交化分解方法，对于一个矩阵X∈R^m×n，必定存在正交矩阵U∈R^m ^×m和正交矩阵V∈R^n×n，使得式(9)成立。

X＝UDV^T (9)

其中，D∈R^m×n，可以表示为D＝(diag(α₁，α₂，…，α_q)，0)，q＝min(m，n)且有α₁≥α₂≥…≥α_q>0，D是矩阵X的奇异值，它反映了矩阵X的特征信息。

3无监督核映射SA算法

滚动轴承振动信号的多域特征之间往往呈现出较强的非线性关系，而主成分分析(principal component analysis，PCA)是线性降维方法，在处理非线性问题时，会出现效果不佳的情况。同时，由于实际工作中缺少某种负载下的滚动轴承数据，使得源领域数据与目标领域数据属于不同分布，以及目标领域样本不含标签的问题。提出核映射方法与特征对齐方法结合的无监督核映射SA方法。假设源领域特征样本集为X_S＝{x₁，x₂，…，x_i}，目标领域特征样本集为X_T＝{x₁，x₂，…，x_j},其中，x_i为源领域样本集中第i个样本，x_j为目标领域样本集中第j个样本，X_S、X_T∈R^D。源领域标签为L_S，目标领域无标签(无监督)。源领域样本和目标领域样本属于不同分布，利用核函数将两领域特征样本映射到相同的高维特征空间，以达到最佳降维且特征对齐的目的。映射后的源领域、目标领域的高维特征样本集φ(X_S)和φ(X_T)的表达式为：

在相同的高维空间用PCA对源领域Φ(X_S)和目标领域Φ(X_T)分别降维，按由大到小的顺序，分别选出源领域和目标领域中前d个特征值对应的特征向量，并将其作为源领域和目标领域高维子空间的基，分别用S和T表示，S、T∈R^D×d，通过转换矩阵M将源领域高维子空间的基向目标领域高维子空间的基对齐，核映射SA方法的优化目标为：

M^*＝argmin_M(F(M)) (12)

其中，表示Frobenius范数，S和T是经PCA降维而来，本身已经被正则化，因此不需要在式(11)中加正则项，又由于Frobenius范数在正交变换时具有不变性，可得：

根据式(13)解得M^*＝S^TT，由此可得源领域高维子空间向目标领域高维子空间对齐后的基变为S_a＝SS^TT。如果源领域和目标领域属于相同分布，则S＝T，M^*为单位阵。

定义一个相似性度量函数sim(y_s,y_t)，比较映射后的源领域子空间和目标领域子空间特征样本的重要程度：

其中，A＝SS^TTT^T，式(14)的形式类似泛化内积。A并不是绝对的半正定形式，反映了各个特征样本在原始多域特征空间中的重要程度。

相似性度量函数直接作用于k-最近邻(k-nearst neighbor，kNN)分类算法可以实现分类，但由于kNN对训练数据的容错性差，所以将对齐后的源领域高维子空间特征样本应用SVM进行训练，将目标领域高维子空间特征样本在训练好的SVM上进行测试，算法的伪代码如下：

4变负载下滚动轴承多状态故障诊断方法

变负载下，滚动轴承正常状态，内圈、外圈、滚动体故障及不同故障损伤程度的多状态诊断方法如图1所示。

所提诊断方法的具体流程步骤为：

1)对于源领域已知负载(含标签)和目标领域其他负载(完全不含标签)的滚动轴承振动信号，其中两领域数据属于不同分布，对其进行VMD分解得到若干IMF。根据观察法^[6]，选取故障敏感的前k个IMF，对IMF构建矩阵，并进行SVD获取奇异值。同时提取振动信号的时域、频域指标。

2)利用源领域已知负载和目标领域其他负载滚动轴承振动信号的时域、频域特征和奇异值分别构建源领域特征样本集和目标领域特征样本集。

3)将源领域特征样本和目标领域特征样本用高斯核函数共同映射到相同的高维空间，再经PCA分别降维到高维子空间。将源领域特征向目标领域特征对齐，缩小源领域样本和目标领域样本的分布差异，提高对目标领域样本的识别能力。

4)将经3)中特征对齐的源领域特征样本输入到SVM中进行训练，用遗传算法(genetic algorithm，GA)对SVM的参数进行寻优，得到训练模型。将目标领域特征样本输入到训练好的模型中，获得诊断结果。

5应用与分析

5.1实验数据

实验数据由美国凯斯西储大学电气工程实验室提供。实验台主要由驱动电机、负载以及控制电路构成。电机驱动端深沟球轴承型号为SKF6205，数据通过16通道的数据记录仪采集得到，采样频率为12kHz和48kHz。

实验是在0hp、1hp、2hp、3hp共4种不同负载下进行，每种负载下均包含正常状态及内圈、外圈、滚动体的3种故障损伤程度，损伤直径分别为7mil、14mil、21mil。对滚动轴承的正常状态，内圈、外圈、滚动体故障及不同故障损伤程度10种状态进行分类。其中，hp为英制马力，1hp＝0.75kw。以0hp为例，实验数据的表示方法如表1所示。

表1实验数据表示方法

正常状态下滚动轴承没有发生损伤，因此没有故障部位且没有故障损伤程度，用N表示。滚动轴承在实际工作中，存在待测样本与已知样本不同分布的情况。实验中选取源领域数据为某负载下已知标签样本，目标领域数据为其他负载下的不含标签样本，可以体现源领域数据与目标邻域数据不同分布，且目标领域缺少有标签的数据。此种情况符合无监督特征对齐实验的要求，设置不同负载滚动轴承数据样本集构成如表2所示。

表2不同负载滚动轴承数据样本集构成

5.2特征样本集的构造

VMD算法中需要预先设置分解模态数，根据文献[6]，通过观察不同模态数分解条件下各模态中心频率的变化情况，以模态数中心频率分解完全且不发生混叠的原则进行实验。以2负载下的滚动轴承内圈故障振动信号为例，每个样本取4096点，对其进行VMD分解，不同模态分解数k对应的中心频率如图2所示。

由图2可知，当模态数k等于5时，存在不同模态中心频率十分相近的情况，很容易发生模态混叠，此时认为出现了过分解状态，应选取中心频率开始出现接近的前一个分解模态数，因此分解模态数选取为4，分解结果如图3所示。

经VMD分解后，将IMF组成矩阵，并求矩阵的奇异值作为时频特征。提取滚动轴承的7个时域特征指标分别为均方根值、峰值指标、峰-峰值、波形指标、脉冲指标、裕度指标、峭度指标和17个频域特征指标分别为重心频率、均方频率、均方根频率、频率方差及频域指标F1～F13^[8]，共同构建多域特征集作为滚动轴承信号的特征。

5.3实验与分析

5.3.1核映射SA实验

核映射SA实验过程中，采用高斯核函数作为源领域和目标领域向高维空间映射的核函数，分别将源领域数据和目标领域数据映射到相同的高维空间。以样本集B为例，测试变负载下滚动轴承10种状态的分类准确率。高斯核函数的宽度参数范围设定为[0.1,100]，步长0.1，当准确率最高时，对应的核参数值为1。高维特征在向其子空间映射的过程中，子空间维数的确定对滚动轴承故障诊断的结果有重要影响，故在PCA降维时应合理选择子空间维数。

利用GA优化的SVM作为分类器，采用10倍交叉验证法进行实验，GA最大进化代数为200，种群最大数量为20。实验中以样本集B、D为例，分类性能与子空间维数关系曲线如图4所示。

由图4可看出，在子空间维数过小时样本集B、D准确率均过低，且分类准确率随着子空间维数的增加逐渐升高。这是因为在PCA降维过程中，子空间维数由子空间基的维数决定，子空间基的维数对应所含信息量，随着子空间维数的增加，所含信息量也在增加，子空间维数过少时则无法包含足够的故障信息。综合考量样本集B、D的子空间维数与准确率间关系，由于样本集B、D均在子空间维数为80之后呈现较平稳趋势，考虑计算量将子空间维数设置为d＝80。

5.3.2核映射SA与其他算法对比

在变负载条件下，基于所提取的多域特征，对SA、所提的核映射SA、非迁移学习的直接降维方法如PCA、局部保留投影(locality preserving projections，LPP)进行对比实验。其中，SA算法的子空间维数选择20维，而LPP、PCA降维后的维数选择22维时，可获得最高的准确率。实验样本集的选取采用表2的方式，对滚动轴承进行10种状态的分类实验，诊断准确率如图5所示。

由图5可以看出，特征样本经核映射SA方法处理后进行故障诊断的准确率高于经SA方法处理后的诊断准确率，而SA方法又高于PCA和LPP方法。分析其原因：核映射与特征对齐方法相结合解决了线性降维方法不适合处理非线性数据的问题，SA方法中包含特征对齐过程，可减小源领域数据和目标领域数据间的分布差异，使分类器不易造成误诊断。

为进一步说明所提方法的优势，利用t-SNE算法将不同方法处理后的特征样本进行可视化，其效果图如图6所示。

由图6(a)、图6(b)和图6(c)可以看出，区域L1的B_014和B_021两类故障损伤特征样本混叠在一起，区域L2内的IR_007故障损伤特征样本类内间距较大。而由图6(d)可以看出，经核映射SA之后，B_014和B_021两类故障损伤特征样本所在的L3和L4区域能够明显地分开，且L2内的特征样本类内间距明显减小。其原因在于经核映射后特征间的非线性关系得以弱化，核映射特征对齐后可以起到增加特征样本的类间间距以及减小特征样本类内间距的作用。因此，经核映射SA后特征样本的可区分性更强，分类器能够训练出更可靠的模型，诊断效果更佳。

为了进一步分析无监督领域适应方法在变负载条件下的分类性能，本发明同时对所提核映射SA与迁移学习中几种无监督领域适应方法进行对比，获得滚动轴承10种状态诊断准确率如图7所示。

图7表明，特征样本经核映射SA处理后再进行诊断分类的准确率高于所对比的基于其他迁移学习的诊断方法。原因在于所对比的BDA、GFK、TCA、JDA、ITL方法均是无监督领域适应方法，但在解决目标领域完全不含标签的问题时，这些方法的特征处理能力不及核映射SA。因此，本发明所提出的基于无监督领域适应的方法可有效地解决变负载下滚动轴承的故障诊断问题。

6结论

1)所提核映射SA方法将核映射方法与特征对齐方法进行融合，提高了数据的类间区分性，克服了SA不适合处理多域特征间非线性的问题。

2)核映射SA方法可以解决变负载条件下，源领域数据和目标领域数据属于不同分布，且目标领域数缺少已知标签样本的问题。

3)核映射SA与PCA、LPP以及迁移学习中部分无监督领域适应方法对比，实验结果表明，核映射SA的特征处理能力更强，基于该无监督特征对齐的故障诊断方法在解决变负载下滚动轴承状态分类的准确率更高。

下一步将继续深入研究迁移学习中的无监督邻域适应方法，以更好地解决变负载下滚动轴承的故障诊断问题。

本发明中援引的参考文献如下：

[1]刘尚坤.基于振动信号处理的旋转机械故障诊断方法研究[D].北京：华北电力大学(北京)，2017.

Liu Shangkun.Research on Fault diagnosis method of rotating machinerybased on vibration signal processing[D].Beijing：North China Electric PowerUniversity，2017(in Chinese).

[2]沈飞，陈超，严如强.奇异值分解与迁移学习在电机故障诊断中的应用[J].振动工程学报，2017，30(1)：118-126.

Shen Fei，Chen Chao，Yan Ruqiang.Application of SVD and transferlearning strategy on motorfault diagnosis[J].Journal of VibrationEngineering，2017，30(1)：118-126(in Chinese).

[3]张伟.基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨：哈尔滨工业大学，2017.Zhang Wei.Study on bearing fault diagnosis algorithm based onconvolutional neural network[D].Harbin：Harbin Institute of Technology，2017(inChinese).

[4]雷亚国，贾峰，孔德同，等.大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报，2018，54(5)：94-104.

Lei Yaguo，Jia Feng，Kong Detong，et al.Opportunities and challenges ofmachinery intelligent fault diagnosis in big data era[J].Journal ofMechanical Engineering，2018，54(5)：94-104(in Chinese).

[5]马增强，李亚超，刘政，等.基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J].振动与冲击，2016，35(13)：134-139.

Ma Zengqiang，Li Yachao，Liu Zheng，et al.Rolling bearings faultextraction based on variational mode decomposition and Teager energy operator[J].Journal of Vibration and Shock，2016，35(13)：134-139(in Chinese).

[6]刘长良，武英杰，甄成刚.基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J].中国电机工程学报，2015，35(13)：3358-3365.

Liu Changliang，Wu Yingjie，Zhen Chenggang.Rolling bearing faultdiagnosis based on variational mode decomposition and fuzzy C meansclustering[J].Proceedings of the CSEE，2015，35(13)：3358-3365(in Chinese).

[7]Dragomiretskiy Konstantin，Zosso Dominique.Variational modedecomposition[J].IEEE Transactions on Signal Processing，2014，62(3)：531-544.

[8]Kang Shouqiang，Ma Danyang，Wang Yujing，et al.Method of assessingthe state of a rolling bearing based on the relative compensation distance ofmultiple-domain features and locally linear embedding[J].Mechanical Systemsand Signal Processing，2017，86：40-57.

[9]庄福振，罗平，何清，等.迁移学习研究进展[J].软件学报，2015，26(1)：26-39.

Zhuang Fuzhen，Luo Ping，He Qing，et al.Survey on transfer learningresearch[J].Journal of Software，2015，26(1)：26-39(in Chinese).

[10]陈超，沈飞，严如强.改进LSSVM迁移学习方法的轴承故障诊断[J].仪器仪表学报，2017，38(1)：33-40.

Chen Chao，Shen Fei，Yan Ruqiang.Enhanced least squares support vectormachine-based transfer learning strategy for bearing fault diagnosis[J].Chinese Journal of Scientific Instrument，2017，38(1)：33-40(in Chinese).

[11]康守强，胡明武，王玉静，等.基于特征迁移学习的变工况下滚动轴承故障诊断方法[J].中国电机工程学报，2019，39(3)：764-772+955.

Kang Shouqiang，Hu Mingwu，Wang Yujing，et al.Proceedings of the CSEE，2019，39(3)：764-772+955(in Chinese).

[12]张雪松，庄严，闫飞，等.基于迁移学习的类别级物体识别与检测研究与进展[J/OL].自动化学报：1-20[2019-03-09].

https://doi.org/10.16383/j.aas.c180093.

Zhang Xuesong，Zhuang Yan，Yan Fei，et al.Status and development oftransfer learing based category-level object recognition and detection[J/OL].Acta Automatica Sinica：1-20[2019-03-09](in Chinese).

https://doi.org/10.16383/j.aas.c180093.

[13]Lu Nannan，Chu Fei，Qi Haoran，et al.A new domain adaption algorithmbased on weights adaption from the source domain[J].IEEJ Transactions onElectrical and Electronic Engineering，2018，13(12)：1769-1776.

[14]Pan Sinno Jialin，Tsangv Ivor W.，Kwok James T.，et al.Domainadaptation via transfer component analysis[J].IEEE Transactions on NeuralNetworks，2011，22(2)：199-210.

[15]Long Mingsheng，Wang Jianmin，Ding Guiguang，et al.Transfer featurelearning with joint distribution adaptation[C].IEEE International Conferenceon Computer Vision，Sydney，Australia，2013：2200-2207.

[16]Wang Jindong，Chen Yiqiang，Hao Shuji，et al.Balanced distributionadaptation for transfer[C].2017IEEE International Conference on Data Mining，New Orleans，USA，2017：1129-1134.

[17]Shi Yuan，Sha Fei.Information-theoretical learning ofdiscriminative clusters for unsupervised domain adaptation[C].Proceedings ofthe 29th International Coference on International Conference on MachineLearning，Edinburgh，Scotland，2012：1275-1282.

[18]Gong Boqing，Shi Yuan，Sha Fei，et al.Geodesic flow kernel forunsupervised domain adaptation[C].IEEE Conference on Computer Vision andPattern Recognition，Providence，USA，2012：2066-2073.

[19]Fernando Basura，Habrard Amaury，Sebban Marc，et al.Unsupervisedvisual domain adaptation using subspace alignment[C].IEEE InternationalConference on Computer Vision，Sydney，Australia，2013：2960-2967.

Claims

1.一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：

1)特征样本集构造：

对于源领域已知负载和目标领域其他负载的滚动轴承振动信号，其中源领域和目标领域两领域数据属于不同分布，对两领域数据均进行VMD分解得到若干IMF，根据观察法^[6]选取故障敏感的前k个IMF，对IMF构建矩阵，并进行SVD获取奇异值，同时提取振动信号的时域、频域指标；

2)无监督核映射子空间对齐：

2.根据权利要求1所述的一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，其特征在于，无监督核映射子空间对齐过程具体为：假设源领域多域特征样本集为X_S＝{x₁，x₂，…，x_i}，目标领域多域特征样本集为X_T＝{x₁，x₂，…，x_j},其中，x_i为源领域样本集中第i个样本，x_j为目标领域样本集中第j个样本，X_S、X_T∈R^D，R^D表示D维的实数空间；源领域标签为L_S，目标领域无标签；源领域样本和目标领域样本属于不同分布，利用核函数将两领域特征样本映射到相同的高维特征空间，映射后的源领域、目标领域高维空间特征样本集φ(X_S)和φ(X_T)的表达式为：

K_RBF表示高斯核函数；

M^*＝argmin_M(F(M)) (12)

其中，

R^D×d表示表示D*d维的实数空间；

|| ||_F表示Frobenius范数；S和T是经PCA降维过程中被正则化，基于Frobenius范数在正交变换时具有不变性可得：

根据式(13)解得M^*＝S^TT，由此可得源领域高维特征样本子空间向目标领域高维特征样本子空间对齐后的基变为S_a＝SS^TT，T表示转置；

3.根据权利要求1或2所述的一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，其特征在于，分类模型建立与测试的具体过程为：

将对齐后源领域特征样本集输入到SVM中进行训练，用遗传算法对SVM的参数进行寻优，得到训练模型；将对齐后目标领域特征样本集输入到训练好的模型中，获得变负载下滚动轴承故障诊断结果。

4.根据权利要求1或4所述的一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，其特征在于，分类模型建立与测试的具体过程为：

其中，sim(y_s,y_t)相似性度量函数，表示重要程度；

sim(y_s,y_t)表示的重要程度直接作用于k-最近邻分类算法可以实现变负载下滚动轴承故障诊断。

5.根据权利要求1或2所述的一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，其特征在于，所述方法为变负载下滚动轴承多状态故障诊断方法，多状态故障包括滚动轴承正常状态，内圈、外圈、滚动体故障及对应不同故障损伤程度。