CN113465925A - 一种基于tca的变工况轴承状态诊断方法 - Google Patents
一种基于tca的变工况轴承状态诊断方法 Download PDFInfo
- Publication number
- CN113465925A CN113465925A CN202110713946.2A CN202110713946A CN113465925A CN 113465925 A CN113465925 A CN 113465925A CN 202110713946 A CN202110713946 A CN 202110713946A CN 113465925 A CN113465925 A CN 113465925A
- Authority
- CN
- China
- Prior art keywords
- data set
- formula
- sampling
- kernel function
- sampling interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于TCA的变工况轴承状态诊断方法,用于提高变工况下对于轴承状态的判断的准确性并缩短对轴承分类时间,其特征在于,包括步骤S1:提取轴承数据库中第一数量的连续数据进行时域特征提值取并且作为一个采样点,分别记录源数据集的采样点个数和目标数据集的采样点个数,并且对源数据集的采样点和目标数据集的采样点打上相对应的标签,以形成有分类标签的源数据集和目标数据集。本发明公开的一种基于TCA的变工况轴承状态诊断方法,将改进TCA算法,并将改进TCA算法的重点放在核函数上,通过重新构造核函数结合TrAdaBoost自动调整权重原理提高TCA算法对轴承故障分类的准确性,打破TCA有关核函数选择的限制。
Description
技术领域
本发明属于轴承诊断技术领域,具体涉及一种基于TCA(Transfer ComponentAnalysis,无监督迁移成分分析)的变工况轴承状态诊断方法。
背景技术
滚动轴承作为生产线所需要的关键机械,它出现故障的概率非常高。若是生产线不能及时对轴承故障进行判断或是对故障进行处理,往往会引发更严重的设备损伤,导致生产线不能按期交货,甚至可能会导致产线停工,给企业造成不可估量的损伤。由于在实际生产中,轴承工况是不断变化的,仅对一种工况下的轴承状态进行判断,对于生产线来说意义不大。
而在变工况的情况下判断轴承故障能够更加符合实际生产的要求,通过表1和表2可知传统迁移学习方法中TrAdaBoost和TCA算法对于变工况下轴承状态的分类准确度高,由于TrAdaBoost算法仅能对轴承状态进行二分类,所以虽然TrAdaBoost算法对轴承分类准确度高,但是无法满足对轴承故障进行分类,仅能对轴承是否故障进行判断,再加上TrAdaBoost算法运行时间长,不适宜用于实际生产线的轴承故障诊断中。而TCA算法的迁移学习在特征变换之前,需要依赖专家诊断经验,选取合适的核函数作为TCA算法的核函数参与TCA算法运算,该过程较为繁琐且效率较低。TCA的迁移学习效果很大部分受核函数影响,进而影响模型对轴承状态分类的准确度、拟合能力以及泛化能力。以此可见核函数的选择对于TCA对于轴承故障分类的准确度有着不可忽视的重要作用。
本发明将改进TCA算法,并将改进TCA算法的重点放在核函数上,通过重新构造核函数结合TrAdaBoost自动调整权重原理提高TCA算法对轴承故障分类的准确性,打破TCA有关核函数选择的限制。
发明内容
本发明的主要目的在于提供一种基于TCA的变工况轴承状态诊断方法,通过混合全局核函数和局部核函数的方式对TCA算法的局限因素--核函数进行效率上的改进,以此提高变工况下的轴承状态分类的准确度;同时对TrAdaBoost自动调整权重的机制进行分析,将该知识迁移学习至TCA算法混合核函数的构建中,提出混合核函数无监督迁移成分分析(Mixed Kernel function Transfer Component Analysis,MKTCA)算法,并将改进TCA算法的重点放在核函数上,通过重新构造核函数结合TrAdaBoost自动调整权重原理提高TCA算法对轴承故障分类的准确性,打破TCA有关核函数选择的限制。
为达到以上目的,本发明提供一种基于TCA的变工况轴承状态诊断方法,用于提高变工况下对于轴承状态的判断的准确性并缩短对轴承分类时间,其特征在于,包括以下步骤:
步骤S1:提取轴承数据库中第一数量的连续数据进行(时域信号的)时域特征提值取并且作为一个采样点,分别记录源数据集(从轴承数据库中提取的已知的数据)的采样点个数和目标数据集(实际测试获得的数据)的采样点个数,并且对源数据集的采样点和目标数据集的采样点打上相对应的标签,以形成有分类标签的源数据集和目标数据集;
步骤S2:输入训练的运算次数m,并且将源域数据集和目标数据集进行结合,以形成训练数据集;
步骤S3:选择全局核函数和局部核函数构建混合核函数公式,并且初始化全局核函数的权重,即令β=0,使得开始训练时的全局核函数不占混合核函数权重,公式如下:
Kmix=βKglobal+(1-β)Klocalβ∈[0,1];
其中,Kglobal为全局核函数,Klocal为局部核函数,β为全局核函数所占的混合核函数的权重(这个是需要通过不断的训练进行构造得出的);
步骤S4:当i≤m即运算次数小于等于m时,通过混合核函数Kmix作为TCA算法中的核函数并且对训练数据集进行训练,同时对目标数据集的分类标签进行预测,当预测标签与原先正确的目标数据集分类标签一致时,则认为该预测标签分类正确,计算出预测正确的个数,进行公式计算得出当前的错误分类率εi并记录εi以及当时核函数所使用时全局核函数所占的混合核函数的权重β,公式如下:
其中n为目标数据集个数,i代表第i次运算;
步骤S5:对于不同的运算次数对权重β进行不同的处理,以获得错误分类率最低的β作为最终的权重,以作为全局核函数的权重,完成对混合核函数的构造。
作为上述技术方案的进一步优选的技术方案,步骤S1具体实施为以下步骤:
步骤S1.1:在时域信号中提取包括有量纲特征值和无量纲特征值的时域特征值;
步骤S1.2:分别计算源数据集的采样点的有量纲特征值和目标数据集的采样点的有量纲特征值;
步骤S1.3:分别计算源数据集的采样点的无量纲特征值和目标数据集的采样点的无量纲特征值;
步骤S1.4:将(上述所有)采样点有量纲特征值和无量纲特征值进行组合,以形成采样点特征值。
作为上述技术方案的进一步优选的技术方案,步骤S1.2具体实施为以下步骤:
步骤S1.2.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最大值(以表示该采样区间的振动幅度),公式如下:
Xmax=max{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最小值(以表示该采样区间的振动幅度),公式如下:
Xmin=min{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的绝对值的最大值(以表示该采样区间的振动幅度),公式如下:
Xfz=max{|xj|};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峰峰值(用于展现轴承局部故障时产生的冲击力),公式如下:
Xffz=Xmax-Xmin;
步骤S1.2.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均幅值(够反映轴承数据振动振幅的总体水平),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方根幅值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.8:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方差(反映轴承数据间的离散程度),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.9:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的标准差(反映轴承数据间的离散程度),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.10:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的均方根,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据(均方根也称为有效值,它表征轴承产生的声音信号的能量大小,是判断轴承运行是否正常的一个重要指标,轴承没有故障时运行平稳,声音较小,对应有效值也相对较小。而当故障逐步增加,有效值也会增加)。
作为上述技术方案的进一步优选的技术方案,步骤S1.3具体实施为以下步骤:
步骤S1.3.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峭度(它表示波形平缓程度,用于描述变量的分布,当轴承出现故障时,轴承振动信号的分布密度也会增加),公式如下:
步骤S1.3.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的偏度(用于描述轴承数据分布情况),公式如下:
步骤S1.3.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波形因子(它是均方根与绝对平均值的比值,用于反映轴承是否存在磨损),公式如下:
步骤S1.3.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波峰因子(它是峰值与均方根的比值,用于反映轴承数据波形尖峰度),公式如下:
步骤S1.3.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的脉冲因子,公式如下:
步骤S1.3.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的裕度因子(它是信号峰值与方根幅值的比值,常用来检测机械设备的磨损状况),公式如下:
步骤S1.3.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的余隙因子,公式如下:
作为上述技术方案的进一步优选的技术方案,步骤S3具体实施为以下步骤:
步骤S3.1:将多项式核函数作为全局核函数,公式如下:
KPloy(xa,xb)=[(xa·xb)+1]d,d∈Z+;
多项式核函数是xa和xb的d阶多项式,其中,d为多项式核函数最高项的次数(d值会对多项核函数的性能产生很大影响,当d过大时,xa和xb的运算时间会变长从而导致算法运行速度降低);
步骤S3.2:将高斯核函数作为局部核函数,公式如下:
高斯核函数是关于向量xa和xb欧式距离的单调函数,参数θ表示为带宽(它能够掌控高斯核函数的局部作用的范围的大小,θ越小,训练集的准确率越高,但是也更容易出现过拟合的情况)。
作为上述技术方案的进一步优选的技术方案,步骤S5具体实施为以下步骤:
步骤S5.1:当i=1即进行第一次运算时,利用公式直接增加β权重,即直接增加全局核函数权重,公式如下:
步骤S5.2:当i≠1即不是第一次运算时,在训练过程中将当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,并对权重β进行更新,并开始下一次运算,运算次数i加1;
步骤S5.3:当i>m时即运算结束后,找到错误分类率最低的β作为最终的权重,以作为全局核函数的权重,完成对混合核函数的构造。
作为上述技术方案的进一步优选的技术方案,步骤S5.2具体实施为以下步骤:
步骤S5.2.1:当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,若εi小于εi-1,则增加全局核函数的权重,公式如下:
步骤S5.2.2:当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,若εi大于εi-1,则降低全局核函数的权重,公式如下:
为提高以上目的,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如所述一种基于TCA的变工况轴承状态诊断方法的步骤。
为提高以上目的,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述一种基于TCA的变工况轴承状态诊断方法的步骤。
附图说明
图1是本发明的一种基于TCA的变工况轴承状态诊断方法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
在本发明的优选实施例中,本领域技术人员应注意,本发明所涉及的轴承、轴承数据库、TCA算法、TrAdaBoost算法等可被视为现有技术。
优选实施例。
本发明提及的MKTCA定义如下:基于TCA算法和TrAdaBoost算法的混合算法,提出混合核函数无监督迁移成分分析(Mixed Kernel function Transfer ComponentAnalysis,MKTCA)算法,通过实验对比TCA算法以及新提出的MKTCA算法对于轴承分类的准确性,证明MKTCA能够对轴承状态分类准确率有所提升(如表4和表5)。
TCA算法为:W=(KLK+μI)-1KHK的前m个特征值,并使W最小
其中:K是指核矩阵,核矩阵里包含都算是核函数,而核函数的类型需要进行筛选来选择合适的核函数。K的表达式是:
矩阵L的表达式为:
μ为权衡参数;
n1为源域样本的个数,n2为目标域样本的个数;
I为单位矩阵,维度是n1+n2;
H=In1+n2-(1/(n1+n2))11T,其中1代表矩阵元素都为1的列向量,它的维度是n1+n2,1T代表1的列向量的转置。
TCA是对数据集进行降维,KNN分类器对数据集打上分类标签
m为降维后希望的数据维度
Z=WT*K,Z代表降维后向量组成的矩阵
Z进行归一化处理,即Z=Z*D
其中Za,b代表Z矩阵第a行第b列元素,m代表降维后希望的数据维度
Z矩阵中取源数据集个数(srcnum)+1至训练数据集总个数(srcnum+tarnum)列数据作为新得到的测试数据集。
将新得到的测试数据集利用KNN分类器进行分类预测即打上给测试数据集打上分类标签。
本发明公开了一种基于TCA的变工况轴承状态诊断方法,用于提高变工况下对于轴承状态的判断的准确性并缩短对轴承分类时间,包括以下步骤:
步骤S1:提取轴承数据库(取用美国凯斯西储大学轴承数据中心公开的轴承数据集对轴承数据集的正常、内圈故障、外圈故障和滚动体故障的轴承数据)中第一数量的连续数据进行(时域信号的)时域特征提值取并且作为一个采样点(为采样点的获取方式),分别记录源数据集(记录为srcnum,从轴承数据库中提取的已知的数据)的采样点个数和目标数据集(记录为tarnum,实际测试获得的数据)的采样点个数,并且对源数据集的采样点和目标数据集的采样点打上相对应的标签(包括正常、内圈故障、外圈故障和滚动故障,如表3所示),以形成有分类标签的源数据集和目标数据集;
步骤S2:输入训练的运算次数m,并且将源域数据集和目标数据集进行结合,以形成训练数据集;
步骤S3:选择全局核函数和局部核函数构建混合核函数公式,并且初始化全局核函数的权重,即令β=0,使得开始训练时的全局核函数不占混合核函数权重,公式如下:
Kmix=βKglobal+(1-β)Klocalβ∈[0,1];
其中,Kglobal为全局核函数,Klocal为局部核函数,β为全局核函数所占的混合核函数的权重(这个是需要通过不断的训练进行构造得出的);
步骤S4:当i≤m即运算次数小于等于m时,通过混合核函数Kmix作为TCA算法中的核函数并且对训练数据集进行训练,同时对目标数据集的分类标签进行预测,当预测标签与原先正确的目标数据集分类标签一致时,则认为该预测标签分类正确,计算出预测正确的个数,进行公式计算得出当前的错误分类率εi并记录εi以及当时核函数所使用时全局核函数所占的混合核函数的权重β,公式如下:
其中n为目标数据集个数,i代表第i次运算;
步骤S5:对于不同的运算次数对权重β进行不同的处理,以获得错误分类率最低的β作为最终的权重,以作为全局核函数的权重,完成对混合核函数的构造。
具体的是,步骤S1具体实施为以下步骤:
由于时域信号存在有量纲特征参数和无量纲特征参数这两类参数。有量纲特征值很大程度受轴承工作状况影响,使其表现不够稳定。而无量纲指标对轴承的负载以及轴承的转动速度的改变不敏感,能够更直观地表现出旋转设备运行中的状态信息。所以使用有量纲特征值和无量纲特征值,来展示轴承特征。
步骤S1.1:在时域信号中提取包括有量纲特征值和无量纲特征值的时域特征值;
步骤S1.2:分别计算源数据集的采样点的有量纲特征值和目标数据集的采样点的有量纲特征值;
步骤S1.3:分别计算源数据集的采样点的无量纲特征值和目标数据集的采样点的无量纲特征值;
步骤S1.4:将(上述所有)采样点有量纲特征值和无量纲特征值进行组合,以形成采样点特征值。
更具体的是,步骤S1.2具体实施为以下步骤:
步骤S1.2.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最大值(以表示该采样区间的振动幅度),公式如下:
Xmax=max{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最小值(以表示该采样区间的振动幅度),公式如下:
Xmin=min{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的绝对值的最大值(以表示该采样区间的振动幅度),公式如下:
Xfz=max{|xj|};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峰峰值(用于展现轴承局部故障时产生的冲击力),公式如下:
Xffz=Xmax-Xmin;
步骤S1.2.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均幅值(够反映轴承数据振动振幅的总体水平),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方根幅值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.8:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方差(反映轴承数据间的离散程度),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.9:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的标准差(反映轴承数据间的离散程度),公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据;
步骤S1.2.10:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的均方根,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量(为num个)的连续数据(均方根也称为有效值,它表征轴承产生的声音信号的能量大小,是判断轴承运行是否正常的一个重要指标,轴承没有故障时运行平稳,声音较小,对应有效值也相对较小。而当故障逐步增加,有效值也会增加)。
进一步的是,步骤S1.3具体实施为以下步骤:
步骤S1.3.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峭度(它表示波形平缓程度,用于描述变量的分布,当轴承出现故障时,轴承振动信号的分布密度也会增加),公式如下:
步骤S1.3.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的偏度(用于描述轴承数据分布情况),公式如下:
步骤S1.3.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波形因子(它是均方根与绝对平均值的比值,用于反映轴承是否存在磨损),公式如下:
步骤S1.3.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波峰因子(它是峰值与均方根的比值,用于反映轴承数据波形尖峰度),公式如下:
步骤S1.3.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的脉冲因子,公式如下:
步骤S1.3.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的裕度因子(它是信号峰值与方根幅值的比值,常用来检测机械设备的磨损状况),公式如下:
步骤S1.3.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的余隙因子,公式如下:
更进一步的是,步骤S3具体实施为以下步骤:
步骤S3.1:将多项式核函数作为全局核函数,公式如下:
KPloy(xa,xb)=[(xa·xb)+1]d,d∈Z+;
多项式核函数是xa和xb的d阶多项式,其中,d为多项式核函数最高项的次数(d值会对多项核函数的性能产生很大影响,当d过大时,xa和xb的运算时间会变长从而导致算法运行速度降低);
多项式核函数是全局核函数的典型代表,插值能力较弱,拥有提取样本全局特性的能力,它非常很适合解决已经归一化处理的训练数据的问题。
步骤S3.2:将高斯核函数作为局部核函数,公式如下:
高斯核函数是关于向量xa和xb欧式距离的单调函数,参数θ表示为带宽(它能够掌控高斯核函数的局部作用的范围的大小,θ越小,训练集的准确率越高,但是也更容易出现过拟合的情况)。
高斯核函数作为局部核函数的典型代表,具有可分性和局部性。可分性表现在可以通过特征变化,在特征空间中的训练集数据线性分开。而局部性表现在该函数的插值能力强,能够对样本的局部特征有着很好的学习能力,但是对于一些超出一定范围的数据则无法准确分类。
优选地,步骤S5具体实施为以下步骤:
步骤S5.1:当i=1即进行第一次运算时,利用公式直接增加β权重,即直接增加全局核函数权重,公式如下:
步骤S5.2:当i≠1即不是第一次运算时,在训练过程中将当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,并对权重β进行更新,并开始下一次运算,运算次数i加1;
步骤S5.3:当i>m时即运算结束后,找到错误分类率最低的β作为最终的权重,以作为全局核函数的权重,完成对混合核函数的构造。
优选地,步骤S5.2具体实施为以下步骤:
步骤S5.2.1:当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,若εi小于εi-1,则增加全局核函数的权重,公式如下:
步骤S5.2.2:当前运算的错误分类率εi与前一次错误分类率εi-1进行比较,若εi大于εi-1,则降低全局核函数的权重,公式如下:
本发明还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述一种基于TCA的变工况轴承状态诊断方法的步骤。
本发明还公开了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述一种基于TCA的变工况轴承状态诊断方法的步骤。
表1 TCA、TrAdaBoost对于不同工况下的轴承分类的准确率
表2 TCA、TrAdaBoost轴承分类的运行时间
表3轴承状态的分类标签
表4 MKTCA与TrAdaBoost,TCA对于不同工况下的轴承分类准确率对比
表5 MKTCA与TrAdaBoost,TCA对于不同工况下的轴承分类运行时间对比
值得注意的是,上述ABCD表示轴承不同的工况。
值得一提的是,本发明专利申请涉及的轴承、轴承数据库、TCA算法、TrAdaBoost算法、KNN分类器等技术特征应被视为现有技术,这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可,不应被视为本发明专利的发明点所在,本发明专利不做进一步具体展开详述。
对于本领域的技术人员而言,依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (9)
1.一种基于TCA的变工况轴承状态诊断方法,用于提高变工况下对于轴承状态的判断的准确性并缩短对轴承分类时间,其特征在于,包括以下步骤:
步骤S1:提取轴承数据库中第一数量的连续数据进行时域特征提值取并且作为一个采样点,分别记录源数据集的采样点个数和目标数据集的采样点个数,并且对源数据集的采样点和目标数据集的采样点打上相对应的标签,以形成有分类标签的源数据集和目标数据集;
步骤S2:输入训练的运算次数m,并且将源域数据集和目标数据集进行结合,以形成训练数据集;
步骤S3:选择全局核函数和局部核函数构建混合核函数公式,并且初始化全局核函数的权重,即令β=0,使得开始训练时的全局核函数不占混合核函数权重,公式如下:
Kmix=βKglobal+(1-β)Klocalβ∈[0,1];
其中,Kglobal为全局核函数,Klocal为局部核函数,β为全局核函数所占的混合核函数的权重;
步骤S4:当i≤m即运算次数小于等于m时,通过混合核函数Kmix作为TCA算法中的核函数并且对训练数据集进行训练,同时对目标数据集的分类标签进行预测,当预测标签与原先正确的目标数据集分类标签一致时,则认为该预测标签分类正确,计算出预测正确的个数,进行公式计算得出当前的错误分类率εi并记录εi以及当时核函数所使用时全局核函数所占的混合核函数的权重β,公式如下:
其中n为目标数据集个数,i代表第i次运算;
步骤S5:对于不同的运算次数对权重β进行不同的处理,以获得错误分类率最低的β作为最终的权重,以作为全局核函数的权重,完成对混合核函数的构造。
2.根据权利要求1所述的一种基于TCA的变工况轴承状态诊断方法,其特征在于,步骤S1具体实施为以下步骤:
步骤S1.1:在时域信号中提取包括有量纲特征值和无量纲特征值的时域特征值;
步骤S1.2:分别计算源数据集的采样点的有量纲特征值和目标数据集的采样点的有量纲特征值;
步骤S1.3:分别计算源数据集的采样点的无量纲特征值和目标数据集的采样点的无量纲特征值;
步骤S1.4:将采样点有量纲特征值和无量纲特征值进行组合,以形成采样点特征值。
3.根据权利要求2所述的一种基于TCA的变工况轴承状态诊断方法,其特征在于,步骤S1.2具体实施为以下步骤:
步骤S1.2.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最大值,公式如下:
Xmax=max{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的最小值,公式如下:
Xmin=min{xj};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的绝对值的最大值,公式如下:
Xfz=max{|xj|};
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峰峰值,公式如下:
Xffz=Xmax-Xmin;
步骤S1.2.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的平均幅值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方根幅值,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.8:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的方差,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.9:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的标准差,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据;
步骤S1.2.10:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的均方根,公式如下:
其中xj代表采样区间中的数据,采样区间包含第一数量的连续数据。
4.根据权利要求3所述的一种基于TCA的变工况轴承状态诊断方法,其特征在于,步骤S1.3具体实施为以下步骤:
步骤S1.3.1:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的峭度,公式如下:
步骤S1.3.2:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的偏度,公式如下:
步骤S1.3.3:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波形因子,公式如下:
步骤S1.3.4:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的波峰因子,公式如下:
步骤S1.3.5:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的脉冲因子,公式如下:
步骤S1.3.6:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的裕度因子,公式如下:
步骤S1.3.7:通过公式得到源数据集和目标数据集中的各个采样点的采样区间的余隙因子,公式如下:
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种基于TCA的变工况轴承状态诊断方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于TCA的变工况轴承状态诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713946.2A CN113465925B (zh) | 2021-06-26 | 2021-06-26 | 一种基于tca的变工况轴承状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713946.2A CN113465925B (zh) | 2021-06-26 | 2021-06-26 | 一种基于tca的变工况轴承状态诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113465925A true CN113465925A (zh) | 2021-10-01 |
CN113465925B CN113465925B (zh) | 2023-10-20 |
Family
ID=77873184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110713946.2A Active CN113465925B (zh) | 2021-06-26 | 2021-06-26 | 一种基于tca的变工况轴承状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113465925B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
US20160299755A1 (en) * | 2013-12-18 | 2016-10-13 | Huawei Technologies Co., Ltd. | Method and System for Processing Lifelong Learning of Terminal and Apparatus |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
CN110487547A (zh) * | 2019-07-31 | 2019-11-22 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
CN111506862A (zh) * | 2020-05-01 | 2020-08-07 | 西北工业大学 | 一种基于多源加权集成迁移学习的滚动轴承故障诊断方法 |
CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
-
2021
- 2021-06-26 CN CN202110713946.2A patent/CN113465925B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160299755A1 (en) * | 2013-12-18 | 2016-10-13 | Huawei Technologies Co., Ltd. | Method and System for Processing Lifelong Learning of Terminal and Apparatus |
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
CN110487547A (zh) * | 2019-07-31 | 2019-11-22 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
CN111506862A (zh) * | 2020-05-01 | 2020-08-07 | 西北工业大学 | 一种基于多源加权集成迁移学习的滚动轴承故障诊断方法 |
CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
FENG LI , TUOJIANG TANG, BAOPING TANG, ETAL: "Deep convolution domain-adversarial transfer learning for fault diagnosis of rolling bearings", MEASUREMENT, vol. 169, pages 108339 * |
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", 振动工程学报, vol. 30, no. 1, pages 118 - 126 * |
Also Published As
Publication number | Publication date |
---|---|
CN113465925B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110940523B (zh) | 一种无监督域适应故障诊断方法 | |
JPWO2018167900A1 (ja) | ニューラルネットワーク学習装置、方法、およびプログラム | |
CN109241997B (zh) | 一种生成训练集的方法及装置 | |
CN108877947B (zh) | 基于迭代均值聚类的深度样本学习方法 | |
CN108197647B (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN111105160A (zh) | 一种基于倾向性异质装袋算法的钢材质量预测方法 | |
US11494689B2 (en) | Method and device for improved classification | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
CN112115922A (zh) | 一种增强深度特征学习的旋转机械故障诊断方法 | |
Vignotto et al. | Extreme Value Theory for Open Set Classification--GPD and GEV Classifiers | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN113012766A (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN111259916A (zh) | 一种标签缺失情况下的低秩投影特征提取方法 | |
Huo et al. | A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions | |
CN113465925A (zh) | 一种基于tca的变工况轴承状态诊断方法 | |
CN117113078A (zh) | 基于多源数据集成的小样本轴承故障模式识别方法和系统 | |
Wang et al. | Thread quality classification of a tapping machine based on machine learning | |
CN115017977A (zh) | 一种高斯过程回归树分类器多元合金异常数据识别方法 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN116304900A (zh) | 基于cahtl的空间滚动轴承寿命阶段识别方法 | |
CN115687998A (zh) | 一种基于信号的开集增量识别模型的轴承状态监测方法 | |
CN110942089B (zh) | 一种基于多级决策的击键识别方法 | |
CN112632466A (zh) | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |