[发明专利]基于迁移学习和多源信息融合的电机故障诊断分析方法

权利要求书

1.一种基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于，包括以下步骤：

S1.信号处理：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集；

S2.模型训练：基于特征迁移模型提取域不变深度特征并训练模型；

S3.决策融合：将模型的Softmax输出的概率作为证据体的mass函数值，通过可信度计算修正mass函数值，进行证据融合；

S4.故障分类：取概率最大作为模型预测结果，输出模型诊断准确率。

2.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集的步骤包括：

(1)将原始信号分为源域数据、目标域训练集与目标域测试集；

(2)三相电流信号按电流输入策略进行处理，转换为矩阵构建样本集；

(3)振动信号采用EEMD分解后，选取其中4个有效IMF分量，并转换为矩阵构建样本集。

3.根据权利要求2所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：所述划分原始信号的原则为，进行同工况实验时，源域数据与目标域数据来自同一转速；变工况实验时，源域数据与目标域数据来自来自不同转速；采用多通道深度学习网络对三相电流信号进行处理，将三相电流作为一个整体，送入3通道深度网络中提取特征，在卷积之后将特征叠加。

4.根据权利要求2所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：步骤(3)具体过程如下：

31.给定输入信号x(t)，对其叠加一组高斯白噪声，得到信号x_i(t)；

x_i(t)＝x(t)+n_i(t)

式中，x_i(t)为叠加白噪声的第i次分解的信号，n_i(t)为第i次叠加的白噪声(i＝1,2,3,…,M)；

32.对x_i(t)进行EMD分解，得到各阶IMF分量；

式中，c_ij(t)为第i次分解得到的第j个IMF分量，r_ij(t)为第i次分解的剩余分量。

33.将M次分解得到对应IMF分量进行求和以抵消白噪声，得到最终的各个IMF分量；

34.计算各阶IMF分量c_j(t)与原信号x(t)的相关系数；

35.选取相关系数大于阈值的IMF分量作为最终的振动信号输入，过滤高阶冗余分量。

5.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：特征迁移模型采用联合最大平均偏差JMMD计算多层网络的联合分布距离，解决由网络结构引起的域位移问题，JMMD损失函数计算如下：

式中，H^l表示第l层RKHS(再生希尔伯特空间)；|L|为对应集合层数；为张量积在RKHS中的特征映射；z^sl与z^tl分别为第l层中源域、目标域的激活。

6.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：

对于独立同分布的单一事件集合Ω＝{A₁,A₂,…,A_T}，其中m为概率分配函数，则Ω事件满足如下约束：

这里，m(A_i)表示事件A_i的准确信任度，

对于两个证据m₁与m₂，可以基于兰氏Lance距离度量进行信任度计算，采用融合规则得到最终的融合结果，证据间的兰氏距离为：

对于多个证据，可计算兰氏距离矩阵：

式中，N为证据个数，矩阵为主对角线为0的对称矩阵。

7.根据权利要求6所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：采用度量证据间的距离表示其相似性，并利用可信度指标对信任度函数进行优化，定义证据m₁与m₂的相似性计算式如下：

s₁₂＝s(m₁，m₂)＝1-d₁₂＝1-d(m₁，m₂)，0≤s₁₂≤1

对于N个证据的问题，可以得到相似度矩阵为：

式中，s_ij表示证据m_i与m_j之间的相似性，这里定义证据m_i的可信度指标Rel_i如下：

利用信任度指标Rel_i对信任度函数进一步修正，得到m_avg(A_i)，修正过程如下式：