欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023111317349
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,包括以下步骤:

步骤1、获取已有工况带标签的旋转机械振动信号、变工况下无标签的旋转机械振动信号,提取已有工况带标签的旋转机械振动信号的时频域统计特征数据作为有标签的源域特征样本集,提取变工况下无标签的旋转机械振动信号的时频域统计特征数据作为无标签的目标域特征样本集;

步骤2、基于有标签源域特征样本集中的统计特征数据,计算获得源域特征样本集中各统计特征数据的特征分类准确率acc,以表征特征的判别性能;基于源域特征样本集中正常状态下统计特征数据和目标域特征样本集中正常状态下统计特征数据,计算获得各统计特征数据的结构相似性指数SSIM和FID分数,以表征特征的域不变性;

基于上述得到的特征分类准确率acc,SSIM和FID,构建各统计特征数据的特征量化评估指标

然后设定阈值,从源域特征样本集中选择特征量化评估指标Z大于设定阈值的多个时频域统计特征数据构建有标签的源域特征样本子集,以及从目标域特征样本集中选择特征量化评估指标Z大于设定阈值的多个时频域统计特征数据构建无标签的目标域特征样本子集;

步骤3、对步骤2得到的源域特征样本子集、目标域特征样本子集中的时频域统计特征数据进行联合分布适应,得到联合分布适应后的源域特征样本子集、目标域特征样本子集;

步骤4、采用步骤3得到的联合分布适应后的源域特征样本子集中的数据对故障诊断分类器进行训练,然后将步骤3得到的联合分布适应后的目标域特征样本子集中的数据输入至训练好的故障诊断分类器中,通过故障诊断分类器得到目标域的故障诊断结果。

2.根据权利要求1所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,步骤1中,对已有工况带标签的旋转机械振动信号、变工况下无标签的旋转机械振动信号分别进行小波变换分解、重构后得到重构信号,然后分别基于重构信号提取多种统计参数的时域统计特征,接着分别基于重构信号的希尔伯特包络谱计算结果提取多种统计参数的频域统计特征,由此对应得到已有工况带标签的旋转机械振动信号的时频域统计特征数据、变工况下无标签的旋转机械振动信号的时频域统计特征数据。

3.根据权利要求2所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,所述统计参数包括均值、标准差、峭度、能量、能量熵、峰度、脉冲因数、形状因子、偏度、极值、极差、功率谱熵、奇异谱熵、近似熵、样本熵、模糊熵、排列熵、包络熵。

4.根据权利要求1所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,步骤2中,利用Xgboost分类器计算所述源域特征样本集中每个时频域统计特征数据的特征分类准确率acc。

5.根据权利要求1所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,步骤3中进行联合适应分布时,以源域特征样本子集中时频域统计特征数据、目标域特征样本子集中时频域统计特征数据的边缘概率分布之间的最大均值差异、条件概率分布之间的最大均值差异均为最小,作为联合适应分布的总优化目标。

6.根据权利要求5所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,步骤3中,利用有标签的源域特征样本子集中时频域统计特征数据对stacking集成学习模型进行训练,然后利用训练好的stacking集成学习模型预测所述目标域特征样本子集中时频域统计特征数据的类别标签,获得的类别标签即为目标域特征样本子集的伪标签,基于目标域特征样本子集中的时频域统计特征数据和相应的伪标签,计算得到目标域特征样本子集中时频域统计特征数据的条件概率分布。

7.根据权利要求1所述的基于域适应特征的旋转机械变工况故障诊断方法,其特征在于,步骤4中,所述故障诊断分类器为SVM分类器。