源域多样本集成GFK的不同工况下滚动轴承寿命状态识别

发布时间：2021-08-28 07:39

　　针对不同工况下滚动轴承寿命状态识别时训练样本与测试样本分布差异导致寿命状态无法有效识别的问题,提出基于源域多样本集成（Geodesic Flow Kernel,GFK）的滚动轴承寿命状态识别方法。首先,采用无重复均匀随机抽样对源域类间样本进行多次等量随机抽样得到源域内部多个训练样本以充分挖掘源域样本信息;其次,将源域内部多个训练样本和目标域测试样本输入GFK,分别计算每个源域训练样本与目标域测试样本的测地线核矩阵以充分利用源域样本信息并提升GFK迁移学习能力;最后,利用核矩阵构造核分类器并输出分类结果,采用一致性投票对所有源域训练样本下目标域测试样本的分类结果进行集成以提升目标域测试样本的识别准确率。不同工况下滚动轴承寿命状态识别实验验证了所提方法的可行性和有效性。 

【文章来源】：振动工程学报. 2020,33(03)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

改进的源域多样本集成GFK方法流程图

基于源域多样本集成GFK的滚动轴承寿命状态识别

采用PRONOSTIA实验台采集的IEEE PHM2012Data Challenge[18]加速寿命实验振动信号数据进行实验验证和分析。此数据采样频率为25.6kHz，采样间隔为10s，每个样本采样时间为0.1s。PRONOSTIA实验平台如图3[18]所示。本文以文献[19]提出的健康指数为依据将滚动轴承全寿命周期划分为3种寿命状态：磨合期、有效工作期和衰退期。IEEE PHM 2012Data Challenge包含多个工况条件下的全寿命周期实验数据，本文选择3个寿命状态清晰划分的工况1和工况2数据进行验证。工况数据信息如表1所示。

【参考文献】：
期刊论文
[1]加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,陈思杨,杨星.  振动工程学报. 2017(05)
[2]基于马田系统的滚动轴承初始故障检测和状态监测[J]. 剡昌锋,朱涛,吴黎晓,贝克,郭剑锋.  振动与冲击. 2017(12)
[3]基于不同工况下辅助数据集的齿轮箱故障诊断[J]. 段礼祥,谢骏遥,王凯,王金江.  振动与冲击. 2017(10)
[4]奇异值分解与迁移学习在电机故障诊断中的应用[J]. 沈飞,陈超,严如强.  振动工程学报. 2017(01)
[5]多尺度变异粒子群优化MK-LSSVM的轴承寿命预测[J]. 张焱,汤宝平,熊鹏.  仪器仪表学报. 2016(11)
[6]基于UKF的轴承剩余寿命预测方法研究[J]. 阙子俊,金晓航,孙毅.  仪器仪表学报. 2016(09)
[7]基于振动敏感时频特征的航天轴承寿命状态识别方法[J]. 陈仁祥,陈思杨,杨黎霞,王家序,董绍江,徐向阳.  振动与冲击. 2016(17)
[8]信息熵与优化LS-SVM的轴承性能退化模糊粒化预测[J]. 陈法法,杨勇,马婧华,陈从平.  仪器仪表学报. 2016(04)
[9]小波包变换和隐马尔可夫模型在轴承性能退化评估中的应用[J]. 肖文斌,陈进,周宇,王志阳,赵发刚.  振动与冲击. 2011(08)



本文编号：3368103