一种基于迁移学习的轴承故障诊断方法
【技术领域】
[0001] 本发明涉及一种机械故障诊断方法，尤其是基于迀移学习的轴承故障诊断方法。
【背景技术】
[0002] 当前轴承故障诊断大多建立在训练数据集和测试数据集具有相同特征空间和数 据分布的假设，而且其模型大多基于实验室环境或理想环境，忽略了机械系统运行时的实 际情况。变工况环境、无法直接测量以及新故障类型等条件往往导致轴承故障诊断中目标 故障数据量较少甚至无法获得，并导致训练故障数据与目标故障数据分布特性不同。传统 机器学习方法以训练数据与测试数据具备相同特征，并且数据量足够为前提，因此不再适 用，其根本原因是所构建模型难以适应变化的条件，且缺乏通用的，不随故障转移的诊断方 法。
[0003] 同时实际轴承系统中存在对未知域/任务的信息获取较少或无法获取，只对已知 域/任务的获取信息较多的情况，如对于外壳不可拆卸系统或重要部件，只能测定其整体 特征或相邻部件特征，这种情况下，多数智能诊断方法都需要从零开始再次收集大量与感 兴趣的目标数据相同分布的训练数据去训练新模型以适应变化，导致方法针对面窄，效果 因人而异，且重新建模花费大量额外的计算时间，缺乏诊断实时性。
【发明内容】
[0004] 为了克服现有的机器学习轴承故障诊断方法的不足，本发明提供了一种基于迀移 学习的轴承故障诊断方法。本发明的方法采用引入辅助数据以帮助目标数据学习的迀移学 习策略，能够有效应对变化环境，降低诊断成本，并提升诊断精度。
[0005] 为实现上述目的，本发明采用以下技术方案：
[0006] 一种基于迀移学习的轴承故障诊断方法，包括如下步骤：
[0007] 步骤A:对目标数据和辅助数据利用自相关奇异值分解（SVD)分别提取所包含故 障奇异值向量（即故障特征向量），并根据训练数据集T和测试数据集S的选取规则进行样 本集选取；
[0008] 步骤B :定义目标和辅助数据之间归一化的可迀移度5"作为两者共性的量化标 准，并设定迀移阈值St作为能否迀移学习的评判，若S w> S t，则进入步骤C，若不符合则重 新选取辅助数据，并进入步骤A ;
[0009] 步骤C :利用迀移学习基于权重调整的TrAdaBoost算法，迭代过程建立一种自动 权重调整机制，将能帮助学习的重要辅助数据权重增加，不能帮助学习的次要辅助数据权 重减小，最终辅助数据T b中的有用成分将帮助目标数据T Jl丨练，得到比传统机器学习更好 的诊断效果。
[0010] 进一步的，步骤A中，所述的目标数据来源为：目标环境下目标轴承对象的振动数 据；所述的辅助数据来源为：非目标环境或非目标对象的振动数据。
[0011] 进一步的，步骤A中，所述自相关奇异值分解提取的奇异值向量f= (λρ λ2，...， λΜ)为IXM维向量，其中λρ λ2，…，λΜ为向量元素且从大至小排列（λ λ 2> - λΜ) 〇
[0012] 进一步的，步骤A中，训练数据集T和测试数据集S的样本选取规则如下：
[0013] a)训练数据集 T = {Ta，TJ，
[0016] 其中，Ta为选取目标振动数据奇异值向量及其故障类别构成的样本集，f ^为选取 第i个样本的奇异值向量，）f为第i个样本对应的故障类别标识，其为整数值，η为选取样 本数，a为目标数据标识，i为目标数据计数器；
[0017] Tb为选取辅助振动数据奇异值向量及其故障类别构成的样本集，f /为选取第j个 样本的奇异值向量，>f为第j个样本对应的故障类别标识，其为整数值，且包含目标数据所 有类型，m为选取样本数，且η << m，b为辅助数据标识，j为辅助数据计数器；
[0018] b)测试数据集
[0019] 其中，选取目标振动数据第k个样本的奇异值向量，且与选取不重复，q为选 取测试样本数，k为测试数据计数器，迀移学习分类器设计目的是使得在S上的分类错误率 最小；
[0020] c)统计训练数据集T中目标和辅助数据的故障分布比例：
[0023] 其中，Pa为目标数据分类标识的分布集，Pb为辅助数据分类标识的分布集， 痛为即单故障类型（故障标识id)在目标数据中所占比例，为即单故障类型（故障标 识id)在辅助数据中所占比例，R为故障标识数，id为故障标识。
[0024] 进一步的，步骤B中，所述的归一化的可迀移度Sw量化步骤如下：
[0025] a)查找Ta中故障标识为id的所有样本，数量为nld，并构成数据集〇:查找Tb中故 障标识为id的所有样本，其数量为mld，并构成数据集:1?并对进行元素均值化：
[0029] 其中式§ = |勢1;为目标数据反映故障标识特征向量；/? = Pll为辅助数据反映故 障标识特征向量；c为故障标识id的目标数据样本计数器，d为故障标识id的辅助数据样 本计数器，τ =1，2，...，M为奇异值向量元素计数器；
[0030] b)奇异值向量单故障相似度计算，利用向量夹角余弦值公式计算第id类故障奇 异值向量相似度Sld:
[0032] c)利用单故障相似度计算可迀移度Sw:不难理解，当辅助数据中与目标数据相似 度高的故障类别所占比例越多，辅助数据的可迀移度越高；
[0034] 其中，&, G且越接近1，可迀移度越高，反之越低。
[0035] 进一步的，步骤B中，所述的归一化的迀移阈值St判定步骤如下：
[0036] a)利用传统机器学习（如K最近邻分类，KNN算法）对定量目标振动数据进行故 障诊断，得到诊断错误率Ea;
[0037] b)在步骤a)中定量目标振动数据引入更多的辅助数据，调整辅助数据故障分布 比例和数据来源，实施下述迀移学习算法进行故障诊断，当诊断错误率E ab= E 3时，记录此 时目标数据与辅助数据的可迀移度统计值，即迀移阈值St。
[0038] 进一步的，步骤C中，所述的基于权重调整的TrAdaBoost算法实施步骤如下：
[0039] a)设置数据集T作为训练样本，数据集S作为测试样本，总迭代次数为Ite ;
[0040] b)初始化权重向量
其中，n、m为T中目标数据和 辅助数据个数，
为样本训练权重，Wt上标t为第t次迭代，（t = 1， 2, ···，Ite);初始化 Hedge 参数：
[0041] c)迭代（t = 1，2, · · ·，Ite):
[0042] c-Ι):归一化权重，
1为训练样本计数器；
[0043] c-2):实施KNN机器学习算法，并得到测试集S上的分类器ht;
[0044] c-3):计算分类器ht在数据集1\上的错误率：
其中 hjf?)为分类器对得到的学习标识，>f:为的正确标识，sgn为符号函数；i为目标数 据计数器；
[0045] c-4):根据迭代次数调整Hedge参数：β t= e t/ (l_et)，使得越后的迭代权重越大， 诊断结果越具价值；
[0046] c-5):分配下一次迭代的权重，即增加 Ta的权重，减少分类错误的T b权重：
[0048] d)利用Ite/2至Ite次迭代结果得到测试集S诊断结果，并计算诊断正确率：
[0049] 对于
若
3, ...，R，则顧:爾_) = M]即为轴承数据第k测试样本故障诊断结果。
[0050] 本发明的有益效果是：本发明提出了一种基于迀移学习的轴承故障诊断方法，所 述方法采用可迀移度量化与阈值选取来判断辅助轴承振动数据的价值，合理选择辅助数 据；同时在迀移学习迭代过程中，通过增强重要样本权重，降低次要样本权重，以充分利用 所选数据。本发明方法不但能提高传统机器学习在少量目标数据的诊断精度，而且增强了 轴承故障诊断的环境适应性，降低诊断成本，增加诊断实时性，在变工况负载、新故障、间接 测量下的轴承故障应用领域具有潜在的经济价值。
【附图说明】
[0051] 图1为本发明的基于迀移学习的轴承故障诊断方法流程图；
[0052] 图2为本发明的轴承振动信号示例图（健康轴承，12kHz，驱动端对象）；
[0053] 图3为本发明的目标振动数据与辅助振动数采集示意图（a :变转速；b :变对象）；
[0054] 图4为本发明的SVD提取奇异值向量的对数曲线图（a :故障直径；b :故障部位）；
[0055] 图5为本发明的可迀移