[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

说明书

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。

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。