[发明专利]一种均衡分布适配的旋转机械变工况故障诊断方法

说明书

本发明属于仿真分析技术领域，特别涉及一种均衡分布适配的旋转机械变工况故障诊断方法，包括获取旋转机械变工况故障数据，并根据不同工况，将故障数据划分为源域和目标域数据集；通过源域数据训练模型预测目标域样本伪标签，并采用类条件分布近似估计目标域的条件分布；利用核函数将源域与目标域特征集映射到潜在特征空间后，采用平衡因子调节源域、目标域条件分布与边缘分布权重，实现源域与目标域样本分布差异最小化；输出变工况下的故障诊断结果；本发明采用平衡因子权衡源域、目标域条件分布与边缘分布权重，最小化源域与目标域的样本分布差异，从而提高了旋转机械变工况的故障诊断效率和准确率。

技术领域

本发明属于仿真分析技术领域，特别涉及一种均衡分布适配的旋转机械变工况故障诊断方法。

背景技术

航空发动机、风电机组、汽轮发电机组等重大旋转机械装备常常运行在变转速、变载荷等复杂工况，在交变载荷的作用下，齿轮与轴承等关键零部件很容易出现故障。近些年来，尽管国内外学者对基于机器学习、深度学习等人工智能的机械装备故障诊断技术开展大量研究工作，然而，在实际工程中，由于受到变转速、变载荷等因素的影响，不同工况下故障特征分布不一致，导致基于训练数据与测试数据具有相同的分布特征的传统机器学习、深度学习等方法的故障诊断模型泛化能力降低，甚至不再适用。

为了解决训练样本与测试样本分布不一致导致传统机器学习方法效果严重退化的问题，有学者提出迁移成分分析(Transfer Component Analysis，TCA)方法，开启了迁移学习在学术界和工业界的研究与应用。迁移学习作为一种跨领域、跨任务的学习方法，不再局限于传统机器学习对测试数据与训练数据同一分布的要求，具备学习先前任务的知识和技巧并应用到新任务的能力，已成功应用于文本处理、图像分类、人脸识别、语音识别、建模分析等领域，迁移学习也越来越受到国内外学者的广泛关注。

在机械故障诊断领域中，迁移学习的研究与应用才刚刚起步，沈飞等提出了基于权重调整的TradaBoost的实例迁移电机故障诊断方法(沈飞,陈超,严如强.奇异值分解与迁移学习在电机故障诊断中的应用[J].振动工程学报,2017,30(1):118-126.)，段礼祥等将TCA引入齿轮箱故障诊断之中，提高了齿轮箱变工况故障诊断的准确率和可靠性(段礼祥,谢骏遥,王凯,等.基于不同工况下辅助数据集的齿轮箱故障诊断[J].振动与冲击,2017,36(10):104-108.)。然而，基于TradaBoost等的实例迁移算法通常只在领域间分布差异较小时有效，而基于TCA的特征迁移算法只考虑了源域与目标域边缘分布适配，而忽略了源域、目标域条件分布适配，仅仅适配边缘分布无法满足机械装备多变工况的诊断需求。

发明内容

为了提高变工况下的故障诊断准确率和可靠性，本发明提出一种均衡分布适配的旋转机械变工况故障诊断方法，具体包括以下步骤：

S1、获取旋转机械变工况故障数据，并根据不同工况，将故障数据划分为源域和目标域数据集；

S2、通过源域数据训练模型预测目标域样本伪标签，并采用类条件分布近似估计目标域的条件分布；

S3、利用核函数将源域与目标域特征集映射到潜在特征空间后，采用平衡因子调节源域、目标域条件分布与边缘分布权重，构建均衡分布适配模型，通过多次迭代，实现源域与目标域样本分布差异最小化，并保存最佳模型；

S4、输出变工况下的故障诊断结果。

进一步的，源域和目标域数据集的获取包括：利用传感器采集旋转机械不同工况下的故障信号，对每一个故障信号，以1024采样点为一个样本长度，并从每个样本中提取24个时域特征和24个频域特征。

进一步的，步骤S2具体包括以下步骤：

利用有标签的源域数据训练一个k-近邻分类器模型；

将无标签目标域数据输入到模型中，通过多次迭代，预测目标域的伪标签；