[发明专利]一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法

权利要求书

1.一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，其特征在于：

步骤一，原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，并利用LLE降维，进行特征向量的提取；

步骤二，引入迁移学习，将原信号经过神经网络聚类得到按照故障类型分类的信号集，将该信号集作为目标域数据集，成为贝叶斯网络的输入；

步骤三，在源域中选取参照样本集作为源域贝叶斯网络的训练集；基于协变量移位理论，利用源域的训练数据完成对目标域上的参数损失值的最小化的目标，实现对目标域上的贝叶斯网络的极大似然估计的优化；

步骤四，通过目标域上贝叶斯网络的输出返回结果，并进行可视化体现，完成对某一类故障类型的程度预测，若非正常状态下则发出警告，衰退状态下给机械设备返回参数信息，指示机器在一定范围内调整转速等可自调参数。

2.根据权利要求1所述的一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，其特征在于，上述步骤一中的包括：

从传感器上采集的原始振动信号；

利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF；

再通过FastICA算法进行去噪处理，再利用ICA逆变换得出新IMF’，将新的若干本征信号进行累加还原得到重构信号；

对处理过后新的原始信号进行LLE嵌入式降维处理，并提取特征向量。

3.根据权利要求1所述的一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，其特征在于，上述步骤二中的包括：

将步骤一中提取的特征向量作为聚类神经网络的输入，可采用SOM无监督的自适应神经网络，将输出信号作为神经网络输入层神经元，通过迁移学习源域和目标域的权重共享，完成源域数据对目标域SOM神经网络的权重参数优化；

通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，即按照机械故障诊断类型进行信号的分类。

4.根据权利要求1所述的一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，其特征在于，上述步骤三中的包括：

将步骤二中不同聚类的信号结果作为贝叶斯网络的输入，其中源域和目标域的操作相同；

通过合理选择与目标域分布基本相同的源域数据样本，使其满足源域和目标域上贝叶斯网络具有相同的结构，让源域和目标域之间存在协变量移位，为源域和目标域之间的迁移学习建立了理论基础；

根据协变量移位假设，有：

但由于迁移学习中的模型特化错误问题，即不存在某一参数能够准确刻画协变量x和因变量y之间的关系，具体表示如下：

此时不可直接迁移，故将利用带权似然函数，为目标域贝叶斯网络定义参数损失值函数，通过对源域数据样本损失函数赋权值，构造目标域上的损失函数，学习出贝叶斯网络在目标域上的最佳参数组合，使得在该参数下贝叶斯网络的损失函数的期望最小，即有：

=

则整个贝叶斯网络的损失函数为：

其中当J=S是表示源域上的损失函数，J=T表示目标域上的损失函数，对于样本数据D，有似然函数：

其中当J=S是表示源域上的似然函数，J=T表示目标域上的似然函数，

又，随机变量Xi在数据Dl上的似然函数为：

当随机变量I及其父节点取值出现在样本中时，有I=1，否则I=0；

当m时，源域上的极大似然估计趋近于源域上的损失函数最小化参数公式的取值，即在极限条件下意义相同，目标域上同理，在目标域上表示如下：

又由于源域和目标域上满足协变量移位的假设条件，即有：

带入上述极限式进行替换，得到：

=

由此建立了源域和目标域的最小化损失函数的数学联系，即样本数据足够大趋于无穷的时候，源域网络的带权极大似然估计趋于目标域上的极大似然估计，在原数据中可以认为，源域数据的权值是PT(Dt)，目标域数据的权值是Ps(Ds)，故将源域和目标域数据混合，重新赋值，其中将源域数据赋予权值PT(Dt)/Ps(Ds)，目标域数据赋予权值为1，由此计算得到的极大似然估计公式为：

=

由此，提高目标域在样本数量少的情况下的网络分析学习效果。

5.根据权利要求1所述的一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，其特征在于，上述步骤四中的包括：

系统需要在配备包括外界警报系统和内部反馈系统的基础上完成故障可视化及状态预警工作；

根据目标域贝叶斯网络的输出结果，判断设备正常，轻微衰退，加速衰退，故障，四个故障程度；

当判断为正常状态时，外界报警系统休眠，内部反馈系统休眠

当判断为初步衰退预警状态或快速衰退预警状态，外界报警系统立即激活，报告预警状态，预警信息包括，预故障部件，预故障类型，预故障程度；

内部反馈系统判断若在机器自适应调整能力范围内时，自动调整参数，如自动降低转速等操作；

当判断为完全故障状态时，外界报警系统激活，进入故障紧急报警状态。