[发明专利]一种基于域自适应的轴承故障诊断方法

说明书

技术领域

本发明属于机械设备故障诊断领域，具体地说，涉及一种基于域自适应的轴承故障诊断方法。

背景技术

轴承是旋转机械中的一种基础零部件，在支撑机械旋转体，降低摩擦系数，保证回转精度上具有不可替代的作用。但是受制造精度、材料特性、润滑条件、载荷波动等因素影响，实际轴承寿命不尽相同，甚至会发生突然的轴承断裂损伤，引发生产事故。同时，有些大直径、高精度的特种轴承造价昂贵，需要时刻关注其工作状态。因此对轴承实施状态监测，及时准确诊断轴承异常状态，并实施有针对性的设备维护，对保证制造精度，维护生产秩序有重要意义。更重要的是，轴承的故障诊断方法研究的意义不仅仅局限对轴承基于状态的设备维护，同时也是其他机械设备故障诊断的试金石。

“诊断是以机械学和信息论为依托，多学科融合的技术，本质是模式识别”。基于振动数据的智能诊断方法是目前工业与学术界实施轴承故障诊断的通常做法，其一般技术路径是：振动数据采集——特征提取——特征降维——分类器。近年来，不同的特征提取、特征降维、分类方法被提出，并用于轴承的故障诊断，显示了一定的应用价值。但多数方法基于两个理论前提：一是代表不同轴承状态的振动数据需要足够多；二是振动数据经过特征提取、特征降维之后具有稳定、可分的统计分布特征，从而能够训练分类器形成一定的分类超平面或分类模型参数。基于上述理论前提的故障诊断方法广泛见诸于学术文献，例如：Hu等在文献“Fault diagnosis of rotating machinery based on improved wavelet package transform and SVMs ensemble”(基于改进小波包变换与组合支持向量机的旋转机械故障诊断)介绍了一种基于组合支持向量机的故障诊断方法，Samanta等在文献“Artificial neural network based fault diagnosis of rolling element bearings using time-domain features”(基于时域特征与人工神经网络的滚动轴承故障诊断)介绍了一种基于振动数据时域统计特征与神经网络的轴承故障诊断方法。这些方法的局限之处在于上述两个前提被打破后，故障诊断能力将显著下降。而事实是：上述两个前提在实际的轴承状态监测和故障诊断中并不一定能够完全被满足，例如：有些轴承造价昂贵，不可能事先获取足够多种类和数量的振动数据；有些轴承受载荷、工况、环境等交变因素的影响，其动态特性变化也会导致振动数据偏移；更普遍的情况是受制造精度、材料特性等因素影响，即使同一型号的轴承在故障显现时，其振动特征并不完全一致。随着研究的深入，上述问题也被逐渐引起重视，经文献检索发现：专利“一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法”(CN104408302A)着力于提取一种对工况变化免疫的特征，即从特征提取的角度来更好地满足理论前提二的要求，但是基于上述分析，该专利对于样本数据受限、轴承个体差异的问题没有深入涉及；同样为了克服工况变化的影响，专利“一种变工况下的滚动轴承故障诊断方法”(CN103048137A)通过经验模式分解提取特征向量，并基于神经网络实现变工况条件下的轴承故障诊断，也未涉及上述问题。

发明内容

本发明的目的在于针对现有轴承诊断方法的不足，提出一种基于域自适应的轴承故障诊断方法。本发明提取并选择已知轴承振动数据的特征作为源域，提取并选择待识别轴承振动数据的特征作为目标域，以两者在格拉斯曼流形上测地流的投影实现两个特征空间的域自适应，不仅能够实现变工况条件下的轴承故障诊断，更能有效克服轴承个体差异、载荷变化等因素影响造成的振动数据偏移。

本发明采用的技术方案如下：

一种基于域自适应的轴承故障诊断方法，包括如下步骤：

步骤1、采集有标签历史振动数据和目标振动数据，分别对有标签历史振动数据与目标振动数据进行特征提取，构造有标签历史振动数据的初始特征集F_S与目标振动数据的初始特征集F_T；

步骤2、基于距离指标对有标签历史振动数据的初始特征集F_S进行特征选择，构造有标签历史振动数据的敏感特征集X_S，并对目标振动数据的初始特征集F_T选择相同特征构造目标振动数据的敏感特征集X_T；