[发明专利]基于无监督特征对齐的变负载下滚动轴承故障诊断方法

权利要求书

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；

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；

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，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；

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；

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-最近邻分类算法可以实现变负载下滚动轴承故障诊断。

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，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。