新状态识别方法对旋转机械可变负荷条件下基于混合熵特性和联合分布适应

文摘

变量操作条件下断层识别是非常重要的任务和挑战设备健康管理。然而,在处理这类问题时,传统的故障诊断方法的基础上,假设分布一致的培训和测试集不再适用。摘要小说状态识别方法集成的时频分解,multi-information熵、联合分布适应提出了滚动体轴承。首先,快速集成经验模态分解来将振动信号分解成一组固有模式函数,针对获得原始信号的多尺度描述。然后,混合熵的特性,可以描述时间序列的动态和复杂性在当地的空间,全球空间和频域提取各固有模态函数。至于训练和测试设置不同负载条件下,所有的数据被映射到繁殖空间联合分布适应减少数据集之间的分布差异,pseudolabels的测试集和最终的诊断结果k最近邻居算法。最后,5例训练和测试设置可变负荷条件下被用来展示该方法的性能,与其他诊断模型和比较结合相同的特性和其他降维方法进行了讨论。分析结果表明,该方法能有效地识别滚动体轴承的multifaults可变负荷条件下与较高的精度和良好的实用性。

1。介绍

滚动轴承是旋转机械的一个重要和常用的组件,它可以有效地降低摩擦系数,确保轴的回转精度。随着运行时间的增加,疲劳磨损通常会导致轴承零件的损坏,甚至失败,包括内套,外环,和滚动部件故障(1]。同时,这些缺点会影响机器的正常运行,进一步引发连锁故障响应如果没有维护服务。据统计,约有40% -50%的旋转机械故障是直接或间接地造成轴承损坏(2]。结合计算机技术,通信技术,人工智能,轴承的状态监测和故障诊断得到了广泛关注和广泛的应用3,4]。根据收集到的环境数据,故障诊断可以被看作是一个典型的模式识别问题。在过去的20年里,许多作品主要集中在信号处理、特征提取、特征降维,和分类器进行了和相应的成就令人鼓舞。它可以很容易地发现这些应用程序情况下只是单一的操作条件下,故障诊断变量条件下获得了很少的关注。

在实践中,设备的操作条件并不总是不断的根据不同的生产任务。自然,有一个高概率的一个特定变量的操作条件下可能发生故障,甚至这一现象是不可避免的。由于复杂的操作,比如不同的运行速度,信号的统计特性会改变,更深层次的波动之间的统计分布的数据源可以引起的,特别是当错误出现在新的条件下(5]。对于这类问题,传统的数据驱动的故障诊断方法已不再适用,因为他们是基于分布的假设进行训练和测试集的一致性。一般来说,我们可以建立特定的诊断模型对应于每个操作条件,但它会使整个工作更加复杂,效率低下。此外,在许多情况下,新的操作条件下断层数据稀缺,很难获得。本文的主要目的是提出一个有效的和可靠的故障诊断方法对可变负载条件下的问题。更具体地说,所建立的模型训练的历史数据可以用来识别新的操作条件下测试样品。

消除了传统方法的局限性,一些努力考虑变量的影响诊断结果的工作条件已经试过了。田等人提出了一个基于当地的智能故障诊断方法的意思是分解,奇异值分解和极端的学习机器识别轴承的multifaults变量条件下(6]。兴等人利用奇异值特征的旋转组件和支持向量机识别不同的齿轮故障类型变量条件下(7]。Baraldi等人建立了一个诊断模型变量的操作条件下基于二进制微分进化算法和再(资讯)分类器8]。显然,在这些作品中,分布差异训练集和测试集被忽视了。由于丰富的历史数据和更好的特性,诊断结果可能相对满意的在某些情况下。更值得注意的是,这些multifault训练分类器的训练获得的数据在不同的操作条件下,但它们并不是功能诊断样本获得新的操作条件。

近年来,以消除分布差异的限制,传统的机器学习方法,学习理论提出了转移和发展。转移的核心学习注重知识迁移和利用率,获得的知识在可以转移到一个问题解决一个不同但相关的问题。由于其crossdomain学习能力,转移学习一直被应用在许多领域,如图像分析、语音识别、文字识别(9]。取决于个人的应用程序需求,锅和阳分类转移学习方法分为四种类型:基于实例的迁移学习,基于功能的转移学习、基于参数转移学习,和性转移学习(10]。至于这四个方法,故障诊断方面的一些初步尝试利用基于实例的迁移学习和基于功能的转移学习已由工程师和研究人员11]。一般来说,基于实例的学习方法转移方法仅适用于分布域之间的差异相对较小。与这种方法,基于功能的转移学习方法通常可以在处理crossdomain问题表现良好,这意味着它可以一个潜在变量的操作条件下有效的轴承故障诊断方法。

在所有基于功能转移的方法学习,适应分布方法是使用最频繁的。分布适应意味着原始数据矩阵可以投射到再生内核空间使用内核函数获得分布域之间的一致性。针对减少不同概率分布差异,这个方法可以分为三种类型:边缘分布适应(MDA) (12),条件分布适应(CDA) [13),联合分布适应(防卫厅)最早于[14]。MDA,转换对象是减少差异的源和目标之间的边际概率分布域完成转移学习,同时减少条件概率分布的差异是CDA的目标。通过整合MDA的目标函数和CDA,防卫厅采用最早于同时降低边际概率分布和条件概率分布的距离。因此,目标域数据变换后,可以表现出更好的类间保证金和与类凝聚力以及更好的数据分辨率显示。然而,很少有报道防卫厅的最早于故障诊断领域的研究与应用(15]。摘要防卫厅法最早于解决可变负荷条件下轴承故障诊断问题。

在知识转移学习之前,获得有效的信号特征包含潜在的公共信息在不同的操作条件下对轴承故障诊断是另一个关键部分。因为轴承的振动信号中表现出很强的非线性和非平稳,特别是变量条件下,传统的线性特征提取方法,如统计分析和傅里叶变换,有描述信号有效地限制16]。作为一个混沌系统的复杂性测量,信息熵已经广泛用于描述时间序列的动态和随机性。其性能的特征提取在故障诊断领域也被讨论和分析。在[17),排列熵和集成经验模态分解了检测和识别轴承故障。样本熵的地方平均获得的产品功能分解,提出了作为故障特征识别滚动轴承的故障18]。同时,一些其他类型的熵特性,比如能量熵(19),奇异谱熵(20.,功率谱熵(21),也获得关注。至于每个熵特性,它只是单方面可以描述信号和其他重要的信息可能会被忽视。江等人采用三种不同的熵包括奇异谱熵、功率谱熵和近似熵实现旋转机械的故障诊断,结果表明,该混合熵诊断精度高于每个单一的熵特性(22]。获得的综合表示故障信号,混合信息熵的特性可以是一个有效的解决方案。

本文的学术贡献如下。(1)基于混合的混合熵的特性集域熵特性和时频分析方法构建全面描述振动信号。(2)一个先进的学习方法转移,也就是说,防卫厅,最早于最初是用来诊断轴承的故障。(3)一种新的诊断方法。基于混合熵特性和防卫厅提出最早于可变负荷条件下诊断轴承故障。

具体来说,混合熵特性包括排列熵(PE)、样本熵(SE),能量熵(EE), (SSE)奇异谱熵、功率谱熵(PSE)。这些特性可以从当地的观点描述振动信号空间,整体空间,和频域。同时,不同信号的原始振动信号包含组件与多尺度空间和非线性关系,这很容易导致有用的信息损失的问题,仅从单一提取特征。获得原始信号的多尺度特性,原始信号是首先分解成一组固有模式函数(货币)通过使用快速集成经验模态分解(FEEMD) [23]。分解后,五上述熵特征提取每个IMF组件构建数据集的混合熵特性。接下来,以减少源和目标域之间的分布差异,训练集和测试集的特征数据集被映射到繁殖空间防卫厅,最早于导致更好的同类密实度和组内的分化为数据集的特性。在这里,然而算法用于生成pseudolabels测试集和最终的诊断结果。最后,5例不同加载条件训练集和测试集构建来验证该方法的性能。分析结果表明,与其他方法相比,该方法能有效地识别滚动体轴承的multifaults可变负荷条件下与较高的精度和良好的实用性。

本文的其余部分组织如下。部分2细节FEEMD理论和信息熵。crossdomain特性转移学习基于防卫厅提供最早于部分3。该故障诊断方法的系统框架,并给出了具体步骤4。节5,该方法应用于轴承故障诊断,给出一些比较和讨论。最后,结论部分6。

2。快速EEMD和五种信息熵

2.1。快EEMD

经验模态分解(EMD)是一个典型的时频分析方法的原始复杂信号可以分解为局部窄带组件的集合,称为货币。EMD,间歇性或噪声组件包含在原始信号可以复杂分析和模糊的物理含义,这被定义为混合模式问题[24]。为了解决这个问题,集成经验模态分解(EEMD)提出了25]。这种方法实现EMD过程在不同污染信号与一定数量的试验,在那里形成了通过添加不同的高斯白噪声污染的信号与原始信号相同的振幅。然而,重复实现EMD EEMD方法通常需要密集的计算。大量的计算成本成为该方法的工程应用的一大障碍(26,27]。

幸运的是,一些努力来证明的时间复杂度EMD / EEMD相当于的傅里叶变换,和一个快速EEMD EEMD方法(FEEMD)提出了更好的计算性能(23]。至于整个算法流程,在基本面没有区别EEMD FEEMD,只有一些高效的计算方法是用来在FEEMD完成这些步骤。FEEMD得到的具体步骤如下:步骤1:初始化参数,包括整体试验的数量米、添加噪声的振幅我= 0。第二步:设置我=我+ 1,并添加白噪声序列n_我(t原始信号x(t)和获得污染信号如下: 步骤3:执行EMDx_我(t)和分解结果如下: 在国际货币基金组织_ij是j届国际货币基金组织(IMF)的组件x_我(t),Z货币基金的总数,r_我(t)是残留的组分。在步骤3中,计算效率高的FEEMD主要归功于以下几个点和详细的描述中可以找到23]。(1)极端点识别、连续的比较信息在最后一步可以在下一步中反复使用,所以可以减少一些重复的工作。(2)至于样条曲线拟合,托马斯流行的算法(28),这是最经济的方法解决三对角线性方程组,采用。(3)与高效提出了一种新的递归关系计算信封。步骤4:如果我<米,返回步骤2,或者我=米,继续下一步。步骤5:在米试验,计算每个国际货币基金组织(IMF)组件的系综均值,和相应的组件被视为FEEMD的最终结果: 在国际货币基金组织_j是j届国际货币基金组织的组成部分x(t)。

2.2。五种信息熵

振动信号的综合表示,雇用的五种信息熵特征提取。在这里,每个信息熵的理论背景首先给出。

2.2.1。排列熵

PE最近提出的班德和筛来测量时间序列的动态变化通过比较相邻的值(29日]。对于一个给定的长度的信号N,X= {x(我),我= 1,2,…,N},它可以重建相空间如下: 在哪里米嵌入维度和吗是时间延迟。接下来,米的值可以按升序排序如下:

如果任何两个元素的值是相等的,排列的顺序安排的价值j。因此,可以投射到符号的集合 ,在哪里 ,( )和是最大的许多不同的排列模式。让表示每个符号序列的概率分布和 。根据香农熵的不同的符号序列,体育的价值X与米嵌入维数定义如下:

显然,的上限是当所有的概率分布是相等的 。为了方便起见,的价值可以规范如下:

2.2.2。样本熵

SE,近似熵的一个改良版本(30.],最初提出了衡量的复杂性方面的时间序列分段近似(31日]。本身的价值X= {x(我),我= 1,2,…,N}可以计算如下:(1)生成的集合米维向量 通过构造一个相空间矩阵: (2)定义的任意两个行向量之间的距离一个作为 (3)考虑到类似的宽容 ,计算比率的数量 和N- - - - - -米: 在哪里 和 。一般来说,需要从0.1到0.25性病,性病是原始信号的标准差X。(4)所有的平均值定义如下: (5)让米=米+ 1,可以通过重复步骤(1)- (4): (6)样本熵X可以定义如下:

2.2.3。能量熵

一旦轴承的工作条件变化甚至故障发生时,振动信号的频率分布应该是不同于以前的条件和信号能量分布也会相应改变。为每个数据点的X= {x(我),我= 1,2,…N},它的能量可以表示为 。因此,总能量X可以计算为 。因为每个数据点能量是总能量的一小部分,之间的比例和是 和 。根据香农熵理论,能量熵X可以定义如下32]:

2.2.4。奇异谱熵

奇异谱熵(SSE)方法提出了基于奇异谱分析和熵理论(33]。不同于上述三种熵,上交所是用来测量信号序列的复杂性和不确定性,通过分析重构相空间角。对于给定的信号X,其相空间可以以同样的方式重建方程(8)。然后,对矩阵进行奇异值分解一个。相应的奇异值被记录 和 ,在哪里米代表了许多不同的模式一个。记录所有奇异值的总和 。根据定义,我们可以得到的奇异谱熵X如下:

2.2.5。功率谱熵

功率谱分析主要用于提取相关信息的原始信号在频域。结合熵理论,研制了功率谱熵,可以用来反映信号能量的复杂性和分布模式在频域(21]。通过计算离散傅里叶变换在原始信号吗X= {x(我),我= 1,2,…N}。的功率谱估计X是 ,在哪里N的长度是 。根据能量守恒定律,能量的X等于的 。所以, 可以被视为一种能量分区的X在频域。电力能源是记录的总和 。因此,功率谱熵可以定义如下:

3所示。基于防卫厅。最早于Crossdomain特性学习

节中描述1、分布适应转移学习是应用最广泛的方法,它可以完成知识转移在源和目标域之间针对减少分布差异。回顾之前,日本防卫厅方法,最早于两个基本术语转移学习首先提出如下:(1)域:一个域D转移的主题学习过程,由一个吗k维特征空间 和边际分布P(x)X,指定为D= {X,P(x)}, 。(2)任务:给定一个域D转移的任务学习是由标签组和预测功能f(x),也就是说, 。在概率理论中, 可以解释为条件概率分布在哪里 。

故障诊断任务,记录为标记的训练数据集 数据集(源域)和标记测试数据集 (目标域的数据集)n_年代和n_t代表总数的训练和测试样本,分别。变量的操作条件下,它可以很容易地得出结论,训练集和测试集的特征空间都不同的边缘分布和条件,也就是说, 和 。防卫厅是最早于学习特性的弱形式变换,同时最小化之间的区别这两个发行版(15]。的问题公式化防卫厅建立最早于如下: 在哪里一个变换矩阵。在方程(17),第一个极小化有助于减少边缘分布域之间的差异,这是MDA的目标函数,第二部分是目标函数的CDA旨在减少条件分布的差异。

图1显示不同的计算目的分布适应crossdomain知识学习的方法。如图1(一),很明显,源域的分布D_年代和目标域D_t是不同的。直接使用的培训歧视超平面f可能会导致一定数量的错误分类的结果吗D_t。通过使用不同分布适应方法、任务的知识T在源域是被目标域数据分布域之间的一致性。在图1(b), MDA有助于改善传输性能通过调整配送中心,但它仍然有一些混叠区域附近的歧视超平面。如图1的整体相似度(c),就可以提高目标数据CDA法和个别集群被忽视了。获得更好的区别的结构,防卫厅期待最早于最小化的差异和边际条件分布,如图1(d)。

测量方程中分布的差异(17),最大平均差异(MMD) (34)采用的方法解决再生核希尔伯特空间的优化问题H。多党民主运动距离的边缘分布描述如下:

为了便于计算,方程(18)可以通过使用内核重写方法如下: 在哪里合并后的数据吗和和是多党民主运动的矩阵。

最小化之间的区别和获得强大的分布适应也很重要。与MDA,建设多党民主运动距离CDA是棘手的,因为没有一个熟人的标签信息目标域数据。具体地说,不能直接建模没有标签的信息。由于后验概率和非常相关,根据贝叶斯公式,我们可以雇佣class-conditional分布的充分统计吗和近似他们(14]。在这里,建立模型,pseudolabel信息可以通过使用一些预测等传统分类器再(资讯)和支持向量机(SVM)。然后,多class-conditional分布之间的距离和可以表示如下: 在哪里n_c和米_c代表样本的数量和类型c分别在源和目标领域。方程(21)可以写成

在方程(23), 数据集的类型c在源域和是真正的标签 。相应地, 数据集的类型c在目标域和的pseudolabel 。

通过积分方程(19)和(22),防卫厅可以写成最早于的目标函数 在哪里正则化项和吗是正则化参数。通过添加正则化项,可以明确的优化模型。

保持原始数据集的特征转换,之前和之后的另一个优化目标的最大化添加到方程(23),H是定心矩阵。结合方程(的目的24),给出了一个新的统一的目标函数如下:

基于瑞利商(35),方程的优化问题(25)相当于方程的问题(24)与一个固定的值 。最后,我们可以得到目标函数的防卫厅如下:最早于

采用拉格朗日方法,方程的问题(26)可以根据以下公式来解决: 在哪里 是拉格朗日乘子。最终的解决方案最优适应矩阵可以转化为求解方程(26)获得最小的特征向量。

此外,初始pseudolabels在目标域可能会有很多错误。数据适应后,通过学习获得的标签质量适应数据可以提高准确性更高。接下来,再适应新的标签用于分布。因此,我们可以迭代更新pseudolabels直到收敛。

4所示。提出的故障诊断方法

这项工作的目的是建立一个有效的故障诊断模型,该模型可以识别不同的变量操作条件下轴承故障。正如上面所讨论的,这种情况主要是引出了两个棘手的问题相比,在固定条件下。第一个是振动信号可以变得更为复杂,这将直接导致特征提取的辛勤工作。具体地说,它是重要的构造特征空间变量条件几乎没有影响。第二个是如何减少不同域之间的分布差异。集中在这两个问题,由五个不同的混合熵的特性由信息熵特征提取原始信号和防卫厅采用最早于繁殖新特性数据空间分布一致性。

许多作品表明,信息熵算法通常表现良好在描述动态和非线性和非平稳振动信号的突变性轴承,典型的方法包括排列熵,样本熵,熵和能量(17,36]。在这篇文章中,而不是专注于不同的熵特征选择之间的性能比较,我们试图获得全面的原始信号的特征信息融合。为此,五熵特性(PE、SE EE、SSE, PSE)已被证明是有效的轴承故障诊断集成构建混合熵特性。该特性可以描述信号重建方面的空间,完整的空间,能量分布和频域。此外,获得更详细的知识,原来的信号是由FEEMD分解获得国际货币基金组织(IMF)组件在不同频带的集合,然后从每个IMF分量混合熵特性计算。至于变量操作条件下的情况下,特征提取后,直接使用训练数据集训练诊断模型往往会导致许多错误分类,这是因为训练和测试数据集之间的概率分布是不同的。消除模型构造分布差异的影响,知识转移之间的学习训练和测试数据空间的防卫厅执行最早于这项工作。

该方法主要包括四部分:信号分解、混合熵特征提取,分布适应基于防卫厅,最早于和错误识别,如图2。详细的步骤可以表示如下:步骤1:获取振动信号训练样本的标签 在一些已知的负载条件下和无标号测试样品 在其他新负载条件下。为每个信号样本训练和测试领域,将它分解成国际货币基金组织的组件的集合 通过使用FEEMD,国际货币基金组织(IMF)的总数组件每个信号的样本。步骤2:根据算法部分2.2五项熵,计算每个IMF组件为每个信号样本。然后,组装这些熵的混合熵特征信号,记录为{PE_我,SE_我,情感表达_我,上交所_我,PSE_我},我= 1,2,…,n_年代+n_t,每个类型的熵值。第三步:完成知识转移,训练集被认为是源域数据 和相应的测试设备被视为目标域数据 ,在哪里x_我={体育_我,SE_我,情感表达_我,上交所_我,PSE_我},y_我标签数据。防卫厅,最早于模型 ,然而,方法是用来预测pseudolabels测试样品。基于防卫厅和资讯,最早于经过多次迭代,新的训练和测试数据后可以获得更好的分类质量crossdomain功能学习。第四步:最后迭代的pseudolabel数据被认为是最终的诊断结果和相应的KNN-based分类器可以获得变量的操作条件下诊断轴承故障。

在拟议的方法,然而,被选中作为基分类器,因为它不需要调整crossvalidation参数,和另一个原因是,它不适合调处理数据采样时的最优参数不同的分布。

5。实验研究和分析

5.1。轴承试验台和数据描述

这个轴承试验台由轴承建立数据中心的凯斯西储大学(CWRU)已广泛应用于故障诊断领域(37),主要由一个2惠普依赖电机,扭矩传感器,测功器,如图3。模拟实际的故障状态,正常的滚动体轴承(6205 - 2 - rs深沟球轴承)安装在电动机的两端被毁人为通过电火花加工,不同的单一故障分别播种在滚动的元素,内心的种族,或外环与不同缺陷的大小。相关故障信息不同故障位置和缺陷尺寸表中列出1。添加了正常状态,十二个轴承故障条件将讨论。模拟情况下变量操作条件下,轴承试验台在四种不同负载下运行(1 0 hp, hp 2 hp和3 hp)和相应的旋转速度是1797 r / min, 1772 r / min, 1750 r / min, 1730 r / min。

收集轴承的振动信号,加速度传感器安装在电动机的住房。在这里,只有从驱动端振动信号测量分析了工作和采样频率是12 kHz。对于每一个载荷条件,每个故障状态的数据长度是120000分,平均每个信号样本分为40 subsignals。因此,有1920个(40×4×12 = 1920)subsignal样本。为了充分验证了该方法的有效性,五个不同的故障诊断病例与不同负载条件下构造训练集和测试集,和这些情况下的数据宪法是列在表中2。

实验和结果分析之前,我们首先解释变量操作条件的意义。如表所示25例集,训练和测试数据在不同的负载条件下。从案例1 - 3,训练数据收集在一个负载条件下,如果历史数据相对富裕,可以训练模型基于数据与几个负载条件下,如在4和5。一般来说,历史数据难以获取和稀缺,特别是在不同的操作条件。所以,当错误发生在新情况下的负载条件和缺乏丰富的训练数据,如何建立一个有效的模型与有限的数据是至关重要的。至于这五种情况下,变量条件的点主要是反映在各种各样的训练和测试数据集之间的负载条件。特别是从案例2 - 4,我们需要一些新的负载条件下识别轴承故障。

5.2。结果和分析

通过使用该方法,首先,每个原始振动信号被FEEMD分解成一系列国际货币基金组织(IMF)组件。FEEMD的提议,经验值的数量整体试验,国际货币基金组织(IMF)组件数量和添加噪声的振幅有(25),和这些价值观也采用了本文。整体试验的数量设置为100,国际货币基金组织(IMF)组件数量的每个信号设置为10和添加噪声的振幅为0.2的原始信号的标准偏差。由于空间限制,只有IMF前五个组件的一个正常信号和一个内座圈故障信号作为例子显示在提供数据4和5,分别。与此同时,原始信号的FFT振幅频谱,给出每个国际货币基金组织(IMF)组件。它可以从原始信号的FFT谱频率成分不明确,导致一些有用的信息可能被淹没的强大的信息组件。然而,在信号分解,每个国际货币基金组织(IMF)组件的相应信息比原始信号的简单得多。因此,一些重要的弱信息可以显示通过分析国际货币基金组织(IMF)组件,这是有利于提取有效的特征。

信号分解后,通过提取出熵特征描述的部分2.2我们可以获得10 PE值10 SE值,10 EE值,10 SSE值,10 PSE每个信号的样本值。根据数据属性和经验,PE的参数,SE和SSE设置如下。(1)嵌入维度米是设置为5,。(2)时间延迟PE的提取是1和类似的宽容SE提取的0.2倍标准差相应的国际货币基金组织(IMF)的组件。许多研究表明,可能会有一些冗余和干扰组件的分解结果FEEMD [38,39]。因此,熵值从这些国际货币基金组织(IMF)获得组件可以导致一些关于轴承的误分类的条件。为了确定哪些国际货币基金组织(IMF)组件有利于断层识别、图形方法讨论每个熵特性不断变化的情况下采用不同的国际货币基金组织(IMF)组件。

图6显示的PE分布不同故障条件下的国际货币基金组织的组成部分。在这里,故障信号与0.1778毫米的缺陷大小作为例子。在图6(一),国际货币基金组织每个组件的体育价值是随机选择20个信号的平均值。正如我们所知,当故障发生时,故障频率分量和相应的多个频率将出现在收集到的信号,这很容易使故障信号更复杂的比正常信号。因此,三个故障信号的PE值比正常的信号,如图6(一)。此外,从这个图可以看出,前五个组件的体育价值观的不同故障条件下有明显差异和高频组件的值比低频组件。与此同时,在数据6 (c)和6 (d)8的PE分布随机选择样本信号的故障状态。结果表明,每个故障状态的PE值有很高的一致性。通过综合考虑,国际货币基金组织前五的PE值组件执行有利的歧视能力不同的故障类型和高聚合能力同样的错。

至于SE和SSE,从数据可以看出7和8相应的分布模式在不同的国际货币基金组织(IMF)组件是类似于体育的功能。SE和SSE的前五个值也显示良好的歧视不同故障条件和有利的聚类能力为这些样品相同的故障状态。不同于PE、SE和SSE,从数据可以看出9(一个)和10 ()EE和PSE特性能诊断的高分辨率不同故障条件下的前九熵值。与相同的错,然而,对于样品的熵值IMF6 IMF10有明显的区别,可以从其他三个图表的数据9和10。大多数情况下,这种差异可能会导致错误的诊断。总之,对于每一个熵特征,IMF前五个组件的熵值与相对较高的频段被选为最终的特征数据建立诊断模型。

接下来,采取案例4作为一个例子,训练数据集的混合熵特征从不同的国际货币基金组织(IMF)获得数据来训练三种典型的分类器,包括支持向量机(SVM),随机森林(RF),和资讯。然后,使用这些分类器识别所有的测试样品,相应的诊断结果显示在图11。从这个图我们可以看到,支持向量机的诊断精度和射频可以达到最大值时,国际货币基金组织的数字是5。这两个分类器,诊断精度最高的分别是98.85%和98.54%。与此同时,国际货币基金组织的数量大于5时,相应的诊断精度开始降低。至于KNN-based模型,可以获得满意的诊断结果作为国际货币基金组织的数字是4或5,达到近95%。通过综合分析的结果数据6- - - - - -11的基础上,确保诊断精度高,减少功能大小,选择IMF前五个组件构造特征空间是合理的。

为了说明的有效性提出了混合熵的特性,不同的熵特性的诊断结果列在表中3。作为显示在这个表中,每一个熵特性,这些分类器的诊断精度超过65%,这意味着每个特性包含有用的信息关于轴承的工作条件。然而,基于每一个熵特征描述振动信号是相对片面的,一些重要的信息包含在其他领域不能透露。因此,通过混合不同的特性来提高诊断精度可以是一个有效的方法,而且它已经被不同的分类器的结果证明混合熵(他)特性表3。例4,因为训练集和测试集之间的负载条件下的变化相对较小,精度有时是可以接受的传统的诊断方法。然而,在处理更复杂的诊断问题,如例2和3,提高学习能力的目标数据的源数据是非常重要的,尤其是对变量的工作条件下的问题。因此,防卫厅算法最早于用来减少分布域的区别。

表4显示诊断结果的情况下利用JDA-KNN 1 - 5,资讯,支持向量机和射频。正则化参数和映射维度K防卫厅还在最早于表4。表中列出,RF-based模型可以获得最好的诊断结果与支持向量机相比,然而,这五个病例。例1 - 3,资讯的诊断精度高于SVM。这表明,这种弱分类器,然而,执行更好的在处理历史数据不足的问题。至于病例4和5,有充分和全面的数据在不同的负载条件下培养诊断模型,支持向量机的诊断结果比资讯。通过使用资讯,大多数测试样本的每种情况下可以正确地识别。然而,在某些情况下,如例1和5,诊断结果有点失望。通过使用该方法,所有这五个病例的诊断精度可以显著改善,结果超过98%。

最后,防卫厅变量条件最早于问题的性能与降维技术相比,包括主成分分析(PCA)、核主成分分析(KPCA)和保局投影(垂直距离)。例1,3,5被认为进一步说明防卫厅。最早于的有效性在这些实验中,建立了分类器通过使用资讯。比较结果显示在数字12图14。从这些数据可以看到,其他三种方法做得更好比PCA处理复杂非线性数据集。显然,防卫厅可以容纳最早于最高的精度,当维数大于7和诊断精度的波动也是非常小的。实际上,通过使用降维技术,源域数据中包含的一些知识也转移到目标域。其变换矩阵得到基于源域数据然后目标数据可以投射到一个新的空间。像在主成分分析,其目的是为了获得新的向量相对大的方差。然而,在防卫厅,最早于变换矩阵形成基于源和目标域数据,分布的差异被认为是在转换过程中,导致转移学习能力强。因此,从某种意义上说,防卫厅还可以最早于另一种有效的降维方法,它是有用的故障诊断的特征提取领域。

6。结论

在工程实践中,轴承的故障可能发生在不同的负载条件下,这将导致显著的分布差异与不同的负载条件下样本集。一般来说,这些差异会导致贫穷的诊断模型,特别是新负载条件下处理样品。在本文中,一种新的诊断模型基于混合多尺度熵特性和联合分布适应提出了解决这种故障诊断问题。特征提取,五复杂性测量参数,即PE、SE, EE,上交所,PSE,来自国际货币基金组织(IMF)组件的计算。通过使用不同的分类器,实验结果表明,混合熵特征可以获得精度高于单一熵特征。混合熵的特性可以有效地找到类似的和潜在的特点与不同的负载条件下的信号。特征提取后,最终状态的识别轴承完成通过使用防卫厅和最早于资讯。转移的能力学习防卫厅是最早于与其他nontransfer相比学习方法。通过大量实验5例,结果表明,防卫厅与资讯优于最早于最先进的方法,该方法可以保持高稳定性与不同的负载条件下在处理案件时。这项工作表明,日本防卫厅方法最早于在故障诊断领域显示了良好的应用前景。 However, the transfer learning-based fault diagnosis is still in the early stage. In future work, we will pursue more case studies on the real data and the parameters optimization of JDA to achieve better transfer learning results.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(批准号51709122)和江苏先进制造技术重点实验室开放基金(批准号hgamtl - 1713)。与此同时,作者感谢凯斯西储大学自由提供轴承故障数据。

引用

1. w·傅j . Tan x张t . Chen和k·王,“盲目mar模型的参数识别和变异混合gwo-sca优化支持向量机旋转机械的故障诊断,”复杂性ID 3264969条,卷。2019年,17页,2019。视图:出版商的网站|谷歌学术搜索
2. f . x Yu盾,大肠叮,s .吴和c粉丝,“滚动轴承故障诊断使用改性lfda和emd和敏感的特征选择,”IEEE访问》16卷,第3730 - 3715页,2017年。视图:谷歌学术搜索
3. h . y . Zhang左,f .呗,”分类滚柱轴承的故障定位和性能下降,”测量,46卷,不。3、1178 - 1189年,2013页。视图:出版商的网站|谷歌学术搜索
4. j . h . Liu, y, w .江和y,“递归神经网络的滚动轴承故障诊断autoencoders,”ISA事务卷,77年,第178 - 167页,2018年。视图:出版商的网站|谷歌学术搜索
5. w·黄、j . Cheng和y,“滚动轴承故障诊断和性能退化评估变量操作条件下基于妨害属性投影,”机械系统和信号处理卷,114年,第188 - 165页,2019年。视图:出版商的网站|谷歌学术搜索
6. y, j·马、陆c和z . Wang”变量条件下的滚动轴承故障诊断使用lmd-svd和极端的学习机器,”机制和机器理论卷,90年,第186 - 175页,2015年。视图:出版商的网站|谷歌学术搜索
7. z, j .瞿y柴,问:唐,和y周”变量条件下齿轮故障诊断与本征时间尺度decomposition-singular值分解和支持向量机,”机械科学与技术杂志》上没有,卷。31日。2、545 - 553年,2017页。视图:出版商的网站|谷歌学术搜索
8. p . Baraldi f . Cannarile f . Di Maio和e . f.t.”层次k最近的邻居分类和二进制微分进化汽车轴承故障诊断的操作变量的条件下,“人工智能技术的工程应用卷,56 1-13,2016页。视图:出版商的网站|谷歌学术搜索
9. x, w .毛、江w .“极端的学习机器转移学习对数据分类为基础,“Neurocomputing卷,174年,第210 - 203页,2016年。视图:出版商的网站|谷歌学术搜索
10. s . j .锅和杨问:“调查转移学习”,IEEE工程知识和数据,22卷,不。10日,1345 - 1359年,2010页。视图:出版商的网站|谷歌学术搜索
11. 问:小王,g . Michau o·芬克,“域自适应传输学习故障诊断,”在预测和系统健康管理研讨会论文集IEEE,巴黎,法国,2019年5月。视图:谷歌学术搜索
12. s . j ., i . w . Tsang j·t·郭和杨问:“域适应通过转让成分分析,IEEE神经网络,22卷,不。2、199 - 210年,2011页。视图:出版商的网站|谷歌学术搜索
13. b . Quanz j .欢,m . Mishra“知识转移与低质量数据:一个特征提取问题,”IEEE国际会议数据工程学报》上IEEE,汉诺威,德国,2011年4月。视图:谷歌学术搜索
14. g . m .长j . Wang叮,j .太阳和p . s . Yu”转移特性与联合分布适应学习,”学报2013年IEEE计算机视觉国际会议IEEE,悉尼,澳大利亚,2013年12月。视图:谷歌学术搜索
15. t·汉c . Liu w·杨,d .江“深与联合分布适应传输网络:一个新的智能故障诊断框架对于工业应用程序,”ISA事务卷,97年,第281 - 269页,2020年。视图:出版商的网站|谷歌学术搜索
16. g . y . Wang徐、梁l . k .江“弱瞬态信号检测基于小波包变换为滚动轴承故障诊断和多方面的学习,“机械系统和信号处理54-55卷,第276 - 259页,2015年。视图:出版商的网站|谷歌学术搜索
17. 梁张x, y, j .周和y藏,“一种新型轴承故障诊断模型集成排列熵,合奏经验模态分解和优化的支持向量机,”测量卷,69年,第179 - 164页,2015年。视图:出版商的网站|谷歌学术搜索
18. m·汉和j .锅”lmd相结合的故障诊断方法,样本熵和能量比滚子轴承,”测量卷。76年,7-19,2015页。视图:出版商的网站|谷歌学术搜索
19. 耿胡j .黄,x, x,“高压断路器的智能故障诊断方法基于改进emd能量熵和多层次支持向量机,”电力系统研究,卷81,不。2、400 - 407年,2011页。视图:出版商的网站|谷歌学术搜索
20. x l .勇y,汉族,z . Wang”滑动奇异谱熵齿轮故障诊断方法及其应用,”第四届国际会议上智能计算的程序IEEE年,页15 - 18日,上海,中国,2008年9月。视图:谷歌学术搜索
21. c·w·范G.-C。巴姨,w . z . Tang和马,“转子振动故障的定量诊断使用过程功率谱熵和支持向量机方法,”冲击和振动ID 957531条,卷。2014年,9页,2014。视图:出版商的网站|谷歌学术搜索
22. 问:江,y沈、h·李和f .徐”新的旋转机械故障识别方法基于信息熵和概率神经网络,”传感器,18卷,不。2、337 - 349年,2018页。视图:出版商的网站|谷歌学术搜索
23. c . y . Wang叶,h .年轻,k . Hu和m . Lo”在经验模态分解算法的计算复杂度,”自然史统计力学和它的应用程序卷,400年,第167 - 159页,2014年。视图:谷歌学术搜索
24. n . e .黄z沈,s . r .长et al .,“经验模态分解和希尔伯特谱对非线性和非平稳时间序列分析,“英国伦敦皇家学会学报》上。系列一:数学、物理和工程科学,卷454,不。1971年,第995 - 903页,1998年。视图:出版商的网站|谷歌学术搜索
25. 吴z和n . e .黄”集成经验模态分解:noise-assisted数据分析方法,”先进的自适应数据分析卷,01号1,1-41,2009页。视图:出版商的网站|谷歌学术搜索
26. j .郑j . Cheng,杨y”部分集成经验模态分解:一种改进noise-assisted方法消除混合模式,”信号处理卷,96年,第374 - 362页,2014年。视图:出版商的网站|谷歌学术搜索
27. 高z, r, r . x, z和冯,“集成经验模态分解的性能增强,”机械系统与信号处理,24卷,第2123 - 2104页,2010年。视图:谷歌学术搜索
28. l·h·托马斯,通过网络在线性差分方程椭圆问题美国纽约哥伦比亚大学,纽约,1949年。
29. c·班德和b .筛”排列熵:一种自然复杂性度量时间序列,”物理评论快报卷,88年,第174100 - 174102页,2002年。视图:出版商的网站|谷歌学术搜索
30. s . m .平卡斯”近似熵作为衡量系统的复杂性。”美国国家科学院院刊》上的美利坚合众国,10卷,第2301 - 2297页,1991年。视图:谷歌学术搜索
31. j·s·里奇曼、d . e .湖和j·r·摩尔人“样本熵,”方法酶学卷,384年,第184 - 172页,2004年。视图:出版商的网站|谷歌学术搜索
32. y肖:康、y香港和g .张“偏差故障诊断基于IEMD DFWT的能量熵和PSO-SVM,”熵,19卷,不。1、6 20,2017页。视图:出版商的网站|谷歌学术搜索
33. t·李x, j . Tang h .曾和c .周深度学习分类的孤岛的基于多分辨率奇异谱熵和电网干扰,眼压出版,英国布里斯托尔,2018年。
34. 答:车载信息,k . Borgwardt m·j·拉希b . Scholkopf和A·j·Smola“两个示例问题,内核方法”计算机科学,卷1,1 - 10,2008页。视图:谷歌学术搜索
35. J.-g。太阳,“瑞利商矩阵的特征值”,Numerische Mathematik卷,59号1,第614 - 603页,1991。视图:出版商的网站|谷歌学术搜索
36. z长,g .熊h . Liu h .邹和w·郭”轴承故障诊断使用多尺度熵和自适应神经模糊推理,”专家系统与应用程序37卷,第6085 - 6077页,2010年。视图:谷歌学术搜索
37. w·a·史密斯和r·b·兰德尔“滚动轴承诊断使用凯斯西储大学的数据:一个基准研究,“机械系统和信号处理卷,64 - 65,100 - 131年,2015页。视图:出版商的网站|谷歌学术搜索
38. y y, z .他和子,“应用eemd转子旋转机械故障诊断的方法,”机械系统和信号处理,23卷,不。4、1327 - 1338年,2009页。视图:出版商的网站|谷歌学术搜索
39. x雪和j .周”,基于混合域的混合故障诊断方法对旋转机械状态特性,”ISA事务卷,66年,第295 - 284页,2016年。视图:谷歌学术搜索

版权

版权©2020小明雪等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。