[发明专利]一种变工况下基于迁移学习的机械故障智能诊断方法

摘要

本发明公开了一种变工况下基于迁移学习的机械故障智能诊断方法，包括以下步骤：获得不同工况下原始时域振动信号；对不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；对时域信号样本做FFT变换，归一化，最终得到网络输入样本；通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；通过特征提取网络中参数W1、激活函数、训练样本计算得到训练样本的特征；通过得到的训练样本的特征，对高阶KL散度约束的softmax分类器进行训练，得到特征分类网络；将工况2下样本输入特征分类网络，即可诊断出工况2下样本的健康状态类型。本发明更好地实现了对变工况故障信号的智能诊断。

主权项

1.一种变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：包括以下步骤：步骤一，获得不同工况下原始时域振动信号；不同工况包括工况1和工况2；步骤二，重叠取样：对步骤一获得的不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；工况1下原始时域振动信号样本为工况2下原始时域振动信号样本其中，分别为工况1、工况2下信号样本集D_s、D_t中的第i个样本，为某个维度的空间，如为所有N维纵向向量组成的空间，即每个样本含有N个数据点；M_S，M_t分别为工况1和2下得到的样本总数；yⁱ为第i个样本的故障类型标签；步骤三，样本前处理：对步骤二得到的时域信号样本做FFT变换，得到频谱，因其对称性，取频谱的前半部分作为频域样本，故频域样本的长度为原始时域信号样本的一半；之后再对频域样本进行归一化，最终得到网络输入样本；步骤四，训练特征提取网络：从步骤三得到的工况1和工况2的网络输入样本中，各选取M₁，M₂个样本，作为训练样本，即来自工况1和工况2的训练样本集分别为通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；步骤五，获得训练样本特征：通过步骤四得到的特征提取网络中参数W1、激活函数、训练样本计算得到训练样本的特征；步骤六，训练特征分类器：通过步骤五的计算得到训练样本的特征，对高阶KL散度约束的softmax分类器进行训练，得到特征分类网络；步骤七，故障诊断：将工况2下样本输入特征分类网络，即可诊断出工况2下样本的健康状态类型。