[发明专利]一种基于集成迁移学习的轴承故障诊断方法

权利要求书

1.一种基于集成迁移学习的轴承故障诊断方法，其特征在于：包括如下步骤：

步骤1：将采集到的某一设备中的轴承振动数据A作为目标数据，并将其它同型号轴承在其它设备中不同工况下的振动数据B作为源域数据，对数据A和B进行特征提取，并进行特征优选；所述特征优选的步骤为：

步骤1.1：计算类内中心，并按类内中心从小到大对特征进行排序；

步骤1.2：计算重复度；

步骤2：从数据B中寻找与目标数据A的源域数据；所述源域数据选取的步骤为：

步骤2.1：计算每个特征参数类内距离所占总类内距离的比例；

步骤2.2：计算某一特征分散度占所有特征分散度的比重；

步骤2.3：计算最终的影响因子；

步骤2.4：计算评价系数；

步骤2.5：计算源域置信度；

步骤3：对筛选后的源域数据进行N次随机采样，得到N个源域样本集；

步骤4：将步骤3中的N个源域样本集分别与目标数据混合，组成N个训练样本集；

步骤5：用支持向量机对步骤3中的N个训练样本集进行训练，得到N个分类器，但不限于只采用支持向量机对样本集进行训练；

步骤6：对故障状态数据进行测试并集成投票，票多者作为最终诊断结果。

2.根据权利要求1所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤1.1中，所述类内中心的计算公式为：

式中：表示p故障下，f特征中第k个特征值；N＝∑n_k表示一种特征向量下特征值的个数。

3.根据权利要求2所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤1.2中，所述重复度C_p,f的计算公式为：

式中：表示当时，的特征值个数；表示当时，的特征值个数；α为常数，且当g_p,f为最大值或最小值时，α＝1，其它情况下α＝2。

4.根据权利要求1～3中任意一项所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤2.1中，所述类内距离d_p,f的计算公式为：

5.根据权利要求4所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤2.2中，所述比重η的计算公式为：

6.根据权利要求5所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤2.3中，所述影响因子γ的计算公式为：

γ＝C_p,f(1-η)。

7.根据权利要求6所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤2.4中，所述评价系数β的评价方法为：

β设为评价系数，大于β则其对应的特征参数视为敏感特征参数，小于β的则剔除，一般将γ中前40％的值的最小值作为β。

8.根据权利要求5～7中任意一项所述的一种基于集成迁移学习的轴承故障诊断方法，其特征在于：所述步骤2.5中，所述源域置信度的计算公式为：

式中：表示置信度大小，和分别表示目标样本数据和源域样本数据，S越大源域和目标域样本数据相似度越高。