[发明专利]一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法

说明书

一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法，属于轴承故障诊断技术领域。针对变负载下滚动轴承带标记信息的振动数据稀缺、相同状态的源域数据和目标域数据分布差异大、多状态数据分布不平衡、诊断准确率和模型训练效率低的问题，提出一种新的宽度迁移学习网络及基于此的滚动轴承智能诊断方法。本发明利用宽度学习系统提取源域数据与目标域数据的特征并构造样本集，在此基础上，采用迁移学习中的平衡分布适配方法，减少源域和目标域之间的差异性。引入鸡群算法，优化宽度迁移学习网络参数，进而建立宽度迁移学习网络模型。将所提网络模型应用于变负载下滚动轴承故障智能诊断中，实验结果验证了所提方法的高效性和准确性。

技术领域

本发明涉及一种滚动轴承故障诊断方法，属于轴承故障诊断技术领域。

背景技术

滚动轴承是旋转机械中最重要的部件之一，其健康状态对整个机械设备的性能、稳定性和使用寿命有巨大的影响^[1]。滚动轴承在实际工作状态中，负载经常是变化的，并且负载的变化会直接影响滚动轴承振动特征的改变^[2]。因此在变负载情况下，准确地识别出滚动轴承运行状态，对保证整台机械设备的正常运行具有非常重要的意义。

近年来，随着机器学习研究的不断兴起，智能故障诊断算法在机械故障诊断领域占有一席之地。文献[3]利用经验小波变换(Empirical Wavelet Transform，EWT)进行轴承故障诊断；文献[4]提出将复合多尺度加权置换熵与极限学习机相结合实现滚动轴承故障诊断，并获得较高诊断精度；文献[5]利用奇异值分解(Singular Value Decomposition，VD)和优化频带熵的方法确定故障特征频率，并与理论故障特征频率进行比较，以识别滚动轴承的故障类型；文献[6]利用Teager能量算子和互补集合经验模式分解(ComplementaryEnsemble Empirical Mode Decomposition，CEEMD)的方法提取轴承故障特征；文献[7]利用K-奇异值分解(K-singular value decomposition，K-SVD)提取滚动轴承的初始周期脉冲特征，并结合非局部均值(Nonlocal Means，NLM)实现滚动轴承故障诊断；文献[8]提出一种新型深层叠加最小二乘支持向量机的方法用于滚动轴承故障诊断，具有良好的效果；文献[9]利用暂态变分模态分解(Tentative Variational Mode Decomposition，TVMD)准确提取滚动轴承故障特征；文献[10]提出一种将尺寸分析与反向传播神经网络(BackPropagation Neural Network，BPNN)相结合的滚动轴承故障检测方法。上述文献所述方法，适用范围广泛，特征提取方法容易实现，并且通过设置合适的分类器参数，在一定程度上可以实现滚动轴承的故障分类。然而，传统智能故障诊断算法存在一定的弊端：(1)诊断性能在很大程度上取决于特征提取和特征选择的质量。而特征提取算法又过于依赖人工经验和领域内的专家知识，想要在不同的诊断问题中准确选择到最敏感的特征是一项十分耗时且难度较大的任务。(2)在实际工作环境中，机械设备的负载不断变化，当前负载下提取的特征在另一种负载下可能会出现分布差异较大的情况，进而影响模型的泛化能力。