申请/专利权人：桂林电子科技大学

申请日：2021-09-30

公开（公告）日：2022-01-21

公开（公告）号：CN113959719A

主分类号：G01M13/045(20190101)

分类号：G01M13/045(20190101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.02.15#实质审查的生效;2022.01.21#公开

摘要：本发明公开了一种基于SOT‑SVM的变工况滚动轴承故障诊断方法，所述方法首先采用小波变换提取滚动轴承振动数据中的故障特征，构建故障样本集，再对源领域及目标领域轴承故障样本集进行聚类，生成源领域与目标领域故障样本数据的子结构，并自适应的对源领域数据子结构赋予不同权重，目标领域数据子结构赋予相同权重，完成对源领域数据子结构的映射，最后，利用映射的源领域数据子结构及其所对应的标签，通过对处理小样本问题更有优势的支持向量机模型，实现了对目标工况滚动轴承的故障诊断。这种方法在各工况条件下均能取得良好的诊断性能，具有较好的工程价值和应用前景。

主权项：1.一种基于SOT-SVM的变工况滚动轴承故障诊断方法，其特征在于，包括如下步骤：1采集源领域与目标领域滚动轴承原始振动信号：采集目标工况及其它工况下滚动轴承在正常、内圈故障、外圈故障及滚动体故障四种工作状态下的原始振动信号，其中，目标工况滚动轴承所在领域为目标领域，其它工况滚动轴承所处领域为源领域；2提取故障特征并归一化：采用小波变换对各工况滚动轴承原始振动信号进行特征提取，并对提取得到的小波包能量进行归一化处理，具体为：选取‘db16’小波包作为小波包能量特征提取时的小波包，对滚动轴承振动信号进行小波包3层分解得到8个分解频带，每个样本由2048个连续采样数据组成，轴承在各种状态下故障样本数均为59个；3生成源领域与目标领域滚动轴承故障样本集：采用归一化处理后的小波包能量构建特征向量，组成故障样本集，其中，源领域轴承故障样本有标签，目标领域轴承故障样本集无标签，分别表示源领域的第i个样本及第i个样本对应的标签，表示目标领域的第j个样本，ns与nt分别表示源领域与目标领域的样本数，此外，对滚动轴承进行故障诊断的过程中，做出如下假设：3-1源领域与目标领域特征空间相同，即其中d为特征维数；3-2源领域与目标领域标签空间相同，即γs＝γt，其中γs,γt∈{1,…,C}，C为源领域或目标领域的总类别数；3-3源领域与目标领域概率分布不同，即Psx,y≠Ptx,y；4设置目标领域轴承故障样本数据聚类数目N与超参数λ、η、λ1的值：目标领域轴承故障样本集由四种工作状态下的振动数据通过小波变换提取而成，设置目标领域样本数据聚类数目N＝4，设置λ1＝3，λ＝0.5，η＝1；5生成源领域与目标领域轴承故障样本数据的子结构：采用子结构领域自适应SSDA的方法，具体为：采用高斯混合模型GMM对源领域与目标领域轴承故障样本数据进行聚类，生成故障样本数据的子结构：将所有轴承故障样本数据用X表示，数据的簇用k表示，Xk表示数据中的第k个簇、数据类型符合高斯分布，即Xk～Nzk,σk，其中，zk表示第k个簇中心的值，σk表示第k个簇的协方差，已知所有轴承故障样本数据X，目标是通过X求得簇中心值zk和簇协方差σk，将源领域轴承故障样本数据视为C高斯混合模型的混合分布，每个混合模型对应源领域轴承故障样本中的一类，源领域样本数据聚类的数量由贝叶斯信息准则BIC决定，即如公式1所示：BIC＝-2LNL+Klnm1，其中L为似然函数最大值，K为需要估计的自由参数个数，m为样本量，在对轴承进行故障诊断的过程中，找出合适的K，使得贝叶斯信息准则的值最小，得到源领域与目标领域轴承故障样本数据的聚类结果后，此时，源领域表示为目标领域可表示为其中，μg,s，μg,t分别为源领域与目标领域样本数据的分布，表示簇的中心，ω是与z相关的概率，Nz,σ是簇中心z的高斯分布，显然，此时，源领域第i个簇的中心zs,i与目标领域第j个簇的中心zt,j之间的代价函数用Wasserstein距离的平方表示为如公式2所示：CNzs,i,σs,i,Nzt,j,σt,j＝＝||zs,i-zt,j||2+Bσs,i,σt,j22，其中B为正定矩阵之间的Bures度量，要求协方差矩阵为对角矩阵，即此时，Bures度量即为Hellinger距离，即故源领域第i个簇的中心zs,i与目标领域第j个簇的中心zt,j之间的代价函数变换为如公式3所示： 其中，rs,i表示第i个源领域聚类协方差的对角线，rt,j表示第j个目标领域聚类协方差的对角线，为子结构的新特征；6对源领域与目标领域轴承故障样本数据子结构进行加权：对目标领域样本数据的子结构设置同等权重，即ωt,j＝1kt，此时，自适应的计算出源领域轴承故障样本数据子结构的权重ωs,i即可，由于已知，故上述问题可看作部分最优传输问题，部分最优运输问题的总代价为π,CF，此外，增加一个Hπ＝∑ijπijlogπij的熵项，此时，最优运输问题表示如公式4所示： 其中·,·F是Frobenius点积，C为代价矩阵，π为两个概率密度函数之间的耦合矩阵，λ1为平衡计算速度和精度的超参数，显然，的可行解集为一个凸集，而公式4的优化目标也是凸的，采用Lagrange求出最佳耦合矩阵如公式5所示： 其中，为初始化的结果，diag表示对角线，表示按元素划分，获得最佳耦合矩阵后，则源领域轴承故障样本数据各子结构的权重为7源领域轴承故障样本数据子结构的映射：子结构最优传输的目标如公式6所示： 式中，λ、η为超参数，Ωπ为群稀疏正则化项，且Ωπ＝∑j∑cl||πIcl,j||2，使得每个目标领域轴承故障样本只从具有相同标签的源领域轴承故障样本中接收信息，群稀疏正则化项Ωπ中，||·||2表示l2范数，Icl为源领域第cl类轴承故障样本相关的π行索引，πIcl,j为与第cl类轴承故障样本相关的π行j列的向量，得到最佳耦合矩阵π*后，通过重心映射计算出源领域第i簇轴承故障样本数据ps,i的变换，即如公式7所示： 当代价函数为l2距离的平方时，重心映射表示如公式8所示： 其中Pt表示目标领域轴承故障样本，Ps表示源领域轴承故障样本的映射；8训练支持向量机模型以及预测目标领域轴承故障样本的标签：先将映射后源领域轴承故障样本数据子结构Ps及其所对应的标签ys,i输入支持向量机中进行训练，并通过训练好的模型预测目标领域轴承故障样本的标签，从而实现对目标工况滚动轴承的故障诊断。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于SOT-SVM的变工况滚动轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD