[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

说明书

本发明公开了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，具体过程如下：原始采集信号经过CEEMDAN及FastICA技术除噪处理形成重构原信号；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，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；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，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。

技术领域

本发明属于机电设备故障诊断技术领域，特别是涉及一种基于迁移学习的极大似然估计贝叶斯网络的矿场机械轴承故障诊断方法。

背景技术

在我国现代工业追求高效的同时，智能监测成为保障工业稳定的重要技术力量。矿业作为工业链上流产业，保障其人员生命安全和现场设备的安全稳定是前提，但往往矿业现场工作环境相对复杂，大部分室外使用大型机电设备，一旦发生故障问题常常会造成无可预知的损失。轴承由内圈、外圈、滚动体、保持架、润滑脂组成。矿山机械使用轴承是大型设备中的重要组成部分，其工作状态影响着整个机器的状态。当下诸如此类大型机电设备主要依靠人工排检，人工经验判断故障后修复，和传统在线监测方法。常常会造成实时性差、非计划停机时间过长，错过最佳维修时间，链路安装复杂等问题。因此有效及时的技术手段解决矿业大型设备的状态实时监测和预警故障处理成为工业行业不可回避的诉求。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于迁移学习的贝叶斯网络矿场机电轴承故障程度预测方法。

本发明所采用的技术方案是：基于迁移学习的贝叶斯网络矿场机电轴承故障程度预测方法，包括以下步骤：

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。

在步骤一中，包括如下步骤：

1.由于振动信号具有明显的非线性，且时域分析难以精准的判断出现具体故障类别，本发明采样CEEMDAN经验模态分解对信号进行降噪特征提取处理，并得到相应的特征空间，再利用LLE降维，得到可使用的维数数据集样本特征空间。

2.滚动轴承故障特征频率计算公式如下：

滚动轴承的旋转频率：

外圈故障的频率：

内圈故障的频率：

滚动体故障的频率：

架内外圈故障的频率：

其中，dr为滚动体半径，Dω为节圆半径，Z为滚动体个数，Sp轴转速，α压力角。

利用LLE线性局部嵌入降维技术，让样本子啊低维空间中保持相互之间的线性关系，即样本之间的权值Wi保持不变，故Xi所对应的低维空间坐标Zi可由下面式子进行计算：

得到对应的特征向量；

在步骤二中，包括以下步骤：

使用K近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；