CN115165366A - 一种旋转机械变工况故障诊断方法及系统 - Google Patents

一种旋转机械变工况故障诊断方法及系统 Download PDF

Info

Publication number
CN115165366A
CN115165366A CN202210793046.8A CN202210793046A CN115165366A CN 115165366 A CN115165366 A CN 115165366A CN 202210793046 A CN202210793046 A CN 202210793046A CN 115165366 A CN115165366 A CN 115165366A
Authority
CN
China
Prior art keywords
feature
feature set
depth
index
labeled
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.)
Pending
Application number
CN202210793046.8A
Other languages
English (en)
Inventor
董飞
程志友
阮瑞
程安然
徐正林
张帅
陈思源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202210793046.8A priority Critical patent/CN115165366A/zh
Publication of CN115165366A publication Critical patent/CN115165366A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings

Abstract

本发明公开了一种旋转机械变工况故障诊断方法及系统，涉及故障诊断技术领域，包括以下步骤：获取旋转机械的源域数据的有标签特征集及目标域数据的无标签特征集；对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数；计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异；构建各深度特征的可迁移性指标，并采用改进联合分布适应IJDA进行迁移学习，利用迁移学习后的训练特征集训练识别分类器，利用识别分类器进行故障模式识别与分类，输出跨域故障诊断结果。本发明通过对深度特征进行类别区分度和特征在不同域间分布差异进行量化评估，有助于选取更有利于迁移故障诊断的深度特征，诊断准确率高。

Description

一种旋转机械变工况故障诊断方法及系统
技术领域
本发明涉及旋转机械变工况故障诊断技术领域，具体为一种旋转机械变工况故障诊断方法及系统。
背景技术
随着机器学习等一系列人工智能方法的快速发展，数据驱动的旋转机械故障诊断方法中，基于人工智能的故障诊断框架逐渐成为研究热点。当前，深度学习方法凭借其强大的隐藏特征挖掘能力，受到许多研究者的关注和研究，并取得了许多研究成果。但是，由于实际工业场景中旋转机械的复杂工况，导致基于深度学习的故障诊断模型面临两方面技术问题：
(1)缺少足量的有标签故障样本，实际工业场景中，旋转机械在可变的复杂工况下，不同故障状态下的样本数据缺乏，想获取足量有标签样本的成本非常高。
(2)不同工况下，相同故障类别下的样本存在分布差异，而大多数基于深度学习的模型是在训练样本与测试样本同分布情况下训练获得，因此，导致故障诊断模型对不同工况下样本的故障识别效果不佳。
迁移学习作为解决上述问题的一个有前景的研究方向，在近年来逐渐被研究人员关注和研究，迁移学习方法能够通过从已有领域(源域：已有工况下带标签故障样本)挖掘学习知识和训练故障诊断模型，对来自不同领域(目标域：其他工况下无标签故障样本)的故障样本进行识别分类。虽然，已有许多研究人员利用迁移学习方法进行不同工况下的旋转机械故障诊断，但是这些研究更多的关注于模型的迁移或者减小域间分布差异，缺乏对所提取特征的域不变性和判别性能的综合考虑，而这些性能对于提高模型在不同工况下故障诊断的有效性与泛化能力有重要影响。
现有技术中基于深度学习的迁移故障诊断方法，主要包括四个步骤：
(1)基于时频分析方法的原始信号处理，其为从机械设备原始振动信号中提取故障特征用于后续故障诊断模型的训练，常采用时频分析方法对振动信号进行分解并提取时域和源域特征，构建原始特征集，常用的时频分析方法有，经验模态分解，小波包变换，短时傅里叶变换等。
(2)基于深度学习的故障诊断模型预训练，其为从原始特征集中进一步挖掘隐藏特征，采用深度学习方法从原始特征集中挖掘出深度特征，构建全连接层，结合Softmax分类器得到故障诊断模型，常用的深度学习方法有深度自编码器，卷积神经网络，深度置信网络，深度残差网络等。
(3)迁移故障诊断模型与微调，基于第二步构建的故障诊断模型，利用源域样本训练故障诊断模型。然后，将得到的网络参数迁移至目标域故障诊断模型，再利用目标域中正常状态下的数据对目标域故障诊断模型进行模型微调，获得迁移故障诊断模型。
(4)故障模式识别与分类，基于第三步得到的迁移故障诊断模型，将目标域样本作为数据，获得故障诊断结果。
现有技术中的技术方案主要存在两方面问题：
片面依靠深度学习方法的隐藏特征挖掘能力，未对提取到的深度特征做进一步分析，通过深度学习方法提取到的深度特征，并非所有特征均有利于迁移故障诊断，可能存在干扰和冗余特征，影响迁移故障诊断准确率。
通过深度学习模型参数迁移和微调的方式，获得的迁移故障诊断模型在对故障样本进行分类时，未充分考虑源域和目标域间分布差异，导致故障诊断模型的泛化能力不足。
发明内容
本发明的目的在于提供一种旋转机械变工况故障诊断方法及系统，通过对深度学习方法提取出的深度特征进一步分析，选取出更有利于迁移故障诊断的深度特征。此外，还提出运用改进联合分布适应为在故障诊断过程中充分考虑不同域数据间的分布差异，提高故障诊断模型的泛化能力。
本发明提供了一种旋转机械变工况故障诊断方法，包括以下步骤：
获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集；
对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD；
根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标；
根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集；
构建识别分类器，利用迁移学习后的训练特征集训练识别分类器，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
进一步地，采用基于不同激活函数下的深度自编码器网络分别对所述源域数据、目标域数据分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集，构建深度特征池。
进一步地，利用K-means算法对所述有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI。
进一步地，所述利用K-means算法对有标签特征集进行聚类分析，包括：
当源域数据的有标签特征集为
Figure BDA0003734555750000041
其共有M种特征，其中第m个特征
Figure BDA0003734555750000042
为：
Figure BDA0003734555750000043
其中
Figure BDA0003734555750000044
为第k种故障类别的第n个特征样本，k∈[1，K]，n∈[1，N]；
利用K-measn算法获得各特征样本的调整兰德指数ARI值，则M种特征的调整兰德指数ARI值构建一个序列为：
ARI＝{ari(1)，ari(2)，…，ari(m)，…，ari(M)} (2)
其中ari(m)为第m个特征的调整兰德指数。
进一步地，所述根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标，包括以下步骤：
分别计算每个特征的可迁移性指标，其计算公式为：
Figure BDA0003734555750000051
则M种特征的可迁移性指标值构建一个序列为：
RAM＝{ram(1)，ram(2)，…，ram(m)，…，ram(M)} (4)
其中mkmmd(m)为第m个特征的多核最大均值差异值；
ram(m)为第m个特征的可迁移性指标值。
进一步地，所述基于各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，包括：
当有标签特征集为DS＝{(x1，y1)，…，(xns，yns)}，无标签特征集为
Figure BDA0003734555750000052
Figure BDA0003734555750000053
基于有标签特征集DS与无标签特征集DT，得到一个映射变换A；
其中，nS为源域样本数；xns为训练样本；yns为源域样本对应的类别标签；
nT为目标域样本数；
Figure BDA0003734555750000054
为第nS+nT个测试样本；
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的度量表达式如下：
Figure BDA0003734555750000055
其中，M0为最大均值差异矩阵，其表达式如下：
Figure BDA0003734555750000061
其中，(M0)ij为第i个源域样本和第j个目标域样本间的最大均值差异矩阵；
i、j分别表示第i个源域样本和第j个目标域样本；
xi为第i个源域样本；xj为第j个目标域样本；
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的条件概率分布的最大均值差异距离为：
Figure BDA0003734555750000062
其中，C为样本类别数；
Figure BDA0003734555750000063
为目标域中的第c类样本；
Figure BDA0003734555750000064
为源域中的第c类样本；
Figure BDA0003734555750000065
为目标域中的第c类样本数量；H为再生核Hilbert空间；
ATxS为经矩阵A映射变换后的源域特征样本；
ATxT为经矩阵A映射变换后的目标域特征样本；
Mc为考虑样本类别的最大均值差异矩阵，其表达式如下：
Figure BDA0003734555750000071
则改进联合分布适应IJDA的总优化目标为：
Figure BDA0003734555750000072
s.t.ATXHXTA＝I (9)
其中，
Figure BDA0003734555750000073
为正则项；
ATXHXTA＝I为约束条件；
α为平衡因子，α∈[0，1]。
进一步地，所述利用迁移学习后的训练特征集训练识别分类器的训练方法包括支持向量机、K近邻、随机森林法。
本发明提供一种旋转机械变工况故障诊断系统，包括：
数据集获取模块，用于获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，并分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集；
深度特征提取模块，用于对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
均值差异值获取模块，计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD；
可迁移性指标获取模块，用于根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标；
训练数据集获取模块，用于根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集；
分类器训练模块，用于构建识别分类器，并利用迁移学习后的训练特征集训练识别分类器；
诊断结果获取模块，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
与现有技术相比，本发明的有益效果：
(1)本发明能够对深度特征进行类别区分度和特征在不同域间分布差异的量化评估，有助于选取更有利于迁移故障诊断的深度特征，去除干扰和冗余的深度特征，当选取合适数量的深度特征时，能够取得理想的故障诊断结果，且诊断准确率高。
(2)本发明中提出的面向跨域诊断的深度特征选取方法，与特征迁移学习方法相结合，选取出的类别区分度和域不变性高的特征能够明显提升模型跨域故障诊断的性能，提高跨域诊断精度。
(3)本发明中提出的改进联合分布适应IJDA特征迁移学习方法，与经典的基于特征的迁移学习方法(迁移成分分析，联合分布适应)相比，其降低域间分布差异的能力更优，促进故障诊断模型泛化能力的提高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明提出的一种旋转机械变工况故障诊断方法的流程框图；
图2是本发明提出的一种旋转机械变工况故障诊断方法的详细流程框图；
图3是本发明提出的一种旋转机械变工况故障诊断方法的实施例中的SQI-MFS机械综合故障模拟实验台的实物图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
如图1-2所示，一种旋转机械变工况故障诊断方法，包括以下步骤：
步骤1：获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集。
通过采用基于不同激活函数下的深度自编码器网络分别对源域数据、目标域数据进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集，构建深度特征池。
步骤2：对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
为从深度特征池中选取更有益于迁移学习的深度特征，提出一种面向迁移学习的深度特征选取方法TFSAM，从两方面角度对深度特征进行量化评估：特征的判别性能和域不变性。面向跨域诊断的深度特征选取TFSAM，包括以下步骤：
利用K-means算法对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI，具体包括：
当源域数据的有标签特征集为
Figure BDA0003734555750000101
其共有M种特征，其中第m个特征
Figure BDA0003734555750000102
为：
Figure BDA0003734555750000103
其中
Figure BDA0003734555750000104
为第k种故障类别的第n个特征样本，k∈[1，K]，n∈[1，N]；
利用K-measn算法获得各特征样本的调整兰德指数ARI值，则M种特征的调整兰德指数ARI值构建一个序列为：
ARI＝{ari(1)，ari(2)，…，ari(m)，…，ari(M)} (2)
其中ari(m)为第m个特征的调整兰德指数。
当特征的调整兰德指数ARI值越大，表明该特征的类别区分度越好。
步骤3：计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD。
基于多核最大均值差异MK-MMD的特征跨域不变性评估对有标签特征集及无标签特征集在设备正常状态下提取的特征样本，计算特征在这两个域之间的多核最大均值差异MK-MMD值，量化特征的跨域不变性。
则M种特征的多核最大均值差异MK-MMD值构建一个序列为：
MKMMD＝{mkmmd(1)，mkmmd(2)，mkmmd(m)，...，mkmmd(M)}
(3)
其中mkmmd(m)为第m个特征的多核最大均值差异值。
步骤4：根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标，，包括以下步骤：
分别计算每个特征的可迁移性指标，其计算公式为：
Figure BDA0003734555750000111
则M种特征的可迁移性指标值构建一个序列为：
RAM＝{ram(1)，ram(2)，…，ram(m)，…，ram(M)} (5)
其中ram(m)为第m个特征的可迁移性指标值。
当特征的可迁移性指标值越大，表明该特征的可迁移性越好。
特征的可迁移性指标值RAM越大，表明特征的类别区分度好，即判别性能高，同时其在不同工况下的分布差异小，即跨域不变性好。因此，特征的可迁移性指标值RAM大的特征，其用于后续迁移学习的价值越高，更有利于提高迁移学习效果，训练出的故障模式识别分类器的跨域识别分类性能越好。因此对M种特征的RAM值进行大小排序，选取RAM值大的特征用于下一步的特征迁移学习。
步骤5：根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集。
改进联合分布适应IJDA相比于联合分布适应JDA，有两方面改进：
①平衡考虑边缘概率与条件概率分布，在优化目标中引入平衡因子，实现对两种分布适应的调节；
②为进一步提高迁移学习的效果与自适应效率，采用多核最大分布差异作为数据分布差异的度量方法。
通过对源域和目标域特征集进行迁移学习，降低域间分布差异，获得迁移学习后的训练集与测试集，用于后续的故障模式识别分类器训练与测试。
基于各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，包括：
当有标签特征集为DS＝{(x1，y1)，…，(xns，yns)}，无标签特征集为
Figure BDA0003734555750000121
Figure BDA0003734555750000122
基于有标签特征集DS与无标签特征集DT，得到一个映射变换A；
其中，nS为源域样本数；xns为训练样本；yns为源域样本对应的类别标签；
nT为目标域样本数；
Figure BDA0003734555750000123
为第ns+nT个测试样本；
假设两个域数据集的边缘概率分布与条件概率分布均不相等，即PS(xS)≠PT(xT)和QS(yS|xS)≠QT(yT|xT)。
JDA算法的目标是基于DS与DT样本学习得到一个映射变换A。
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的度量表达式如下：
Figure BDA0003734555750000124
其中，M0为最大均值差异矩阵，其表达式如下：
Figure BDA0003734555750000131
其中，(M0)ij为第i个源域样本和第j个目标域样本间的最大均值差异矩阵；
i、j分别表示第i个源域样本和第j个目标域样本；
xi为第i个源域样本；xj为第j个目标域样本；
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的条件概率分布的最大均值差异距离为：
Figure BDA0003734555750000132
其中，C为样本类别数；
Figure BDA0003734555750000133
为目标域中的第c类样本；
Figure BDA0003734555750000134
为源域中的第c类样本；
Figure BDA0003734555750000135
为目标域中的第c类样本数量；H为再生核Hilbert空间；
ATxS为经矩阵A映射变换后的源域特征样本；
ATxT为经矩阵A映射变换后的目标域特征样本；
Mc为考虑样本类别的最大均值差异矩阵，其表达式如下：
Figure BDA0003734555750000141
则改进联合分布适应IJDA的总优化目标为：
Figure BDA0003734555750000142
s.t.ATXHXTA＝I (10)
其中，
Figure BDA0003734555750000143
为正则项；
ATXHXTA＝I为约束条件；
α为平衡因子，α∈[0，1]，根据人工经验确定其数值。
步骤6：构建识别分类器，利用迁移学习后的训练特征集训练识别分类器，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
利用迁移学习后的训练特征集训练识别分类器的训练方法包括支持向量机、K近邻、随机森林法。
实施例2
本发明提供一种旋转机械变工况故障诊断系统，包括：
数据集获取模块，用于获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，并分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集；
深度特征提取模块，用于对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
均值差异值获取模块，计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD；
可迁移性指标获取模块，用于根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标；
训练数据集获取模块，用于根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集；
分类器训练模块，用于构建识别分类器，并利用迁移学习后的训练特征集训练识别分类器；
诊断结果获取模块，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
下面结合具体实施数据对本发明作进一步说明。
如图3，本发明利用SQI-MFS机械综合故障模拟实验台，分别采集1200r/min和1800r/min转速情况下的轴承和电机故障振动信号。
其中，轴承故障诊断实验数据集如表1所示，电机故障诊断实验数据集如表2所示。
表1轴承故障诊断实验数据集
Figure BDA0003734555750000161
表2电机故障诊断实验数据集
Figure BDA0003734555750000171
基于表1所示的轴承故障诊断实验数据集以及表2所示的电机故障诊断实验数据集，利用本发明中的旋转机械变工况故障诊断方法，得到轴承故障诊断的准确率可达92.92％，得到电机故障诊断的准确率可达95.42％。
本发明能够对深度特征进行类别区分度和特征在不同域间分布差异的量化评估，有助于选取更有利于迁移故障诊断的深度特征，去除干扰和冗余的深度特征，当选取合适数量的深度特征时，能够取得理想的故障诊断结果。
最后说明的是：以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.一种旋转机械变工况故障诊断方法，其特征在于，包括以下步骤：
获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集；
对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD；
根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标；
根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集；
构建识别分类器，利用迁移学习后的训练特征集训练识别分类器，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
2.根据权利要求1的一种旋转机械变工况故障诊断方法，其特征在于：采用基于不同激活函数下的深度自编码器网络分别对所述源域数据、目标域数据分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集，构建深度特征池。
3.根据权利要求2的一种旋转机械变工况故障诊断方法，其特征在于：利用K-means算法对所述有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI。
4.根据权利要求3的一种旋转机械变工况故障诊断方法，其特征在于：所述利用K-means算法对有标签特征集进行聚类分析，包括：
当源域数据的有标签特征集为
Figure FDA0003734555740000021
其共有M种特征，其中第m个特征
Figure FDA0003734555740000022
为：
Figure FDA0003734555740000023
其中
Figure FDA0003734555740000024
为第k种故障类别的第n个特征样本，k∈[1，K]，n∈[1，N]；
利用K-measn算法获得各特征样本的调整兰德指数ARI值，则M种特征的调整兰德指数ARI值构建一个序列为：
ARI＝{ari(1)，ari(2)，...，ari(m)，...，ari(M)} (2)
其中ari(m)为第m个特征的调整兰德指数。
5.根据权利要求4的一种旋转机械变工况故障诊断方法，其特征在于：所述根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标，包括以下步骤：
分别计算每个特征的可迁移性指标，其计算公式为：
Figure FDA0003734555740000025
则M种特征的可迁移性指标值构建一个序列为：
RAM＝{ram(1)，ram(2)，...，ram(m)，...，ram(M)} (4)
其中mkmmd(m)为第m个特征的多核最大均值差异值；
ram(m)为第m个特征的可迁移性指标值。
6.根据权利要求5的一种旋转机械变工况故障诊断方法，其特征在于：所述基于各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，包括：
当有标签特征集为DS＝{(x1，y1)，...，(xns，yns)}，无标签特征集为
Figure FDA0003734555740000031
Figure FDA0003734555740000032
基于有标签特征集DS与无标签特征集DT，得到一个映射变换A；
其中，ns为源域样本数；xns为训练样本；yns为源域样本对应的类别标签；
nT为目标域样本数；
Figure FDA0003734555740000033
为第ns+nT个测试样本；
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的度量表达式如下：
Figure FDA0003734555740000034
其中M0为最大均值差异矩阵，其表达式如下：
Figure FDA0003734555740000035
其中，(M0)ij为第i个源域样本和第j个目标域样本间的最大均值差异矩阵；
i、j分别表示第i个源域样本和第j个目标域样本；
xi为第i个源域样本；xj为第j个目标域样本；
经A映射变换后的有标签特征集与无标签特征集的边缘概率分布的条件概率分布的最大均值差异距离为：
Figure FDA0003734555740000041
其中，C为样本类别数；
Figure FDA0003734555740000042
为目标域中的第c类样本；
Figure FDA0003734555740000043
为源域中的第c类样本；
Figure FDA0003734555740000044
为目标域中的第c类样本数量；H为再生核Hilbert空间；
ATxS为经矩阵A映射变换后的源域特征样本；
ATxT为经矩阵A映射变换后的目标域特征样本；
Mc为考虑样本类别的最大均值差异矩阵，其表达式如下：
Figure FDA0003734555740000045
则改进联合分布适应IJDA的总优化目标为：
Figure FDA0003734555740000051
s.t.ATXHXTA＝I (9)
其中，
Figure FDA0003734555740000052
为正则项；
ATXHXTA＝I为约束条件；
α为平衡因子，α∈[0，1]。
7.根据权利要求1的一种旋转机械变工况故障诊断方法，其特征在于：所述利用迁移学习后的训练特征集训练识别分类器的训练方法包括支持向量机、K近邻、随机森林法。
8.一种旋转机械变工况故障诊断系统，其特征在于：包括：
数据集获取模块，用于获取旋转机械在已知工况下振动信号的源域数据及待诊断工况下振动信号的目标域数据，并分别进行深度特征提取，得到源域数据的有标签特征集及目标域数据的无标签特征集；
深度特征提取模块，用于对有标签特征集进行聚类分析，得到各深度特征的调整兰德指数ARI；
均值差异值获取模块，计算有标签特征集及无标签特征集在正常工况下的各深度特征样本之间的多核最大均值差异MK-MMD；
可迁移性指标获取模块，用于根据各深度特征的调整兰德指数ARI以及多核最大均值差异MK-MMD，构建各深度特征的可迁移性指标；
训练数据集获取模块，用于根据各深度特征的可迁移性指标，采用基于联合分布适应JDA且在优化目标中引入平衡因子的改进联合分布适应IJDA对有标签特征集与无标签特征集分别进行迁移学习，得到迁移学习后的训练特征集；
分类器训练模块，用于构建识别分类器，并利用迁移学习后的训练特征集训练识别分类器；
诊断结果获取模块，利用训练后的识别分类器对待诊断工况下旋转机械的振动信号进行故障模式识别与分类，输出跨域故障诊断结果。
CN202210793046.8A 2022-07-07 2022-07-07 一种旋转机械变工况故障诊断方法及系统 Pending CN115165366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210793046.8A CN115165366A (zh) 2022-07-07 2022-07-07 一种旋转机械变工况故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210793046.8A CN115165366A (zh) 2022-07-07 2022-07-07 一种旋转机械变工况故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN115165366A true CN115165366A (zh) 2022-10-11

Family

ID=83491482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210793046.8A Pending CN115165366A (zh) 2022-07-07 2022-07-07 一种旋转机械变工况故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115165366A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127357A (zh) * 2023-02-06 2023-05-16 徐州医科大学 一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法
CN117668623A (zh) * 2024-02-02 2024-03-08 中国海洋大学 船舶管道阀门泄漏多传感器跨域故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127357A (zh) * 2023-02-06 2023-05-16 徐州医科大学 一种基于Grassmann流形子空间嵌入的振动信号域适应诊断方法
CN117668623A (zh) * 2024-02-02 2024-03-08 中国海洋大学 船舶管道阀门泄漏多传感器跨域故障诊断方法

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN101907681B (zh) 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN110647830B (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN114295377B (zh) 一种基于遗传算法的cnn-lstm轴承故障诊断方法
CN105738109A (zh) 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN110309868A (zh) 结合无监督学习的高光谱图像分类方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN115358337A (zh) 一种小样本故障诊断方法、装置及存储介质
CN114997211A (zh) 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法
CN112763215B (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
CN113158878B (zh) 一种基于子空间的异构迁移故障诊断方法、系统和模型
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架
CN115600134A (zh) 基于域动态对抗自适应的轴承迁移学习故障诊断方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法

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