[发明专利]一种基于迁移聚类的轴承性能退化评估方法

说明书

一种基于迁移聚类的轴承性能退化评估方法，涉及一种机器部件性能评估方法，该方法在轴承性能退化的历史监测数据集（即辅助域）上利用经典MEC推导实现历史知识的迁移，获得目标域轴承性能退化小样本数据集的聚类中心；引入核空间上的距离测度以改善退化样本的聚类性能，获得核空间上目标域轴承性能退化小样本数据集；利用核空间上的聚类中心对目标数据集中的测试样本进行聚类，实现待识别样本退化状态的自动标注。本方法解决基于数据驱动的轴承性能退化评估技术中通用样本匮乏问题，提供了一种新的途径，通过提高聚类样本的典型性提高轴承性能退化样本的聚类精度。

技术领域

本发明涉及一种机器部件性能评估方法，特别是涉及一种基于迁移聚类的轴承性能退化评估方法。

背景技术

由于长期连续工作在高载荷、高转速下，作为旋转机械装备中的关键零部件，轴承发生故障的比例极高。轴承的性能由完好逐渐经历一系列不同退化状态直至完全失效，一旦运行时间超出服役寿命，其运行精度会急剧下降，进而导致装备无法正常工作。因此，研究复杂工况下可靠而实用的轴承性能退化评估对于优化装备的售后服务，提高产品附加值意义重大。

随着旋转机械复杂性、精密性的增加及对转速要求的不断提高，现有的理论方法已经难以满足实际应用的需求。特别是高速复杂旋转机械运行环境恶劣多变，各部件之间耦合性增强，其性能退化行为表现复杂。另一方面，随着机械大数据时代的到来，在旋转机械健康监测过程中，积累的各类监测数据越来越多。但是，基于数据驱动的轴承性能退化评估及预测方法是有适用前提的，即样本独立同分布。然而，由于轴承性能退化的特殊性及轴承样本个体差异大等原因，这些历史数据相关但不相似，无法直接用于实际问题中特定轴承的性能监测中。当样本数据匮乏时，单纯通过对原有理论方法进行改进的途径难以再取得突破性的进展。从这些已有的历史数据中挖掘知识用于对不同但相关的领域问题进行求解是非常有意义的一项研究工作，而迁移学习正是这样的一种理论，可以有效改善故障预测问题中存在的数据或知识不足的问题，既是当前机器学习领域面临的一个挑战，也是故障诊断及预测领域中的一个机遇。

轴承性能退化具有多阶段的特点，通过最大熵聚类（MEC）推导对退化样本进行聚类可以划分退化的各个不同阶段，实现性能退化定性评估。然而，轴承性能退化数据具有非线性、非高斯分布的特点，而标准MEC推导只适合于分析具有球形或椭球形分布的样本数据，难以有效划分轴承退化阶段。核函数在处理非线性数据时表现优异，因而，基于迁移核MEC推导实现轴承性能退化评估评估意义重大。

从已有的历史数据中挖掘知识用于对不同但相关的领域问题进行解决，现有基于数据驱动的轴承性能评估方法中由于通用样本匮乏而导致评估性能不佳的问题，无法改善工程实际中的预测性能。在轴承性能退化评估工程应用中，收集充足的样本代价十分昂贵，甚至是不可能的，因此从辅助领域中迁移现有的知识结构从而完成或改进目标领域任务是十分必要的，也是源于实践需求的一个重要研究问题。

发明内容

本发明的目的是提供一种基于迁移聚类的轴承性能退化评估方法，该方法从已有的历史数据中挖掘知识用于对不同但相关的领域问题进行求解，克服现有基于数据驱动的轴承性能评估方法中由于通用样本匮乏而导致评估性能不佳的问题，从核空间上的迁移学习提高聚类样本的典型性，解决基于数据驱动的轴承性能退化评估技术中通用样本匮乏问题，提供了一种新的途径，通过提高聚类样本的典型性提高轴承性能退化样本的聚类精度。改善了工程实际中的预测性能，从辅助领域中迁移现有的知识结构完成或改进目标领域任务，源于实践需求解决问题。

本发明的技术方案是：

一种基于迁移聚类的轴承性能退化评估方法，所述方法包含如下步骤：