买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明涉及一种基于VMD多域特征与MEDA的滚动轴承跨工况故障诊断方法。包括：采集滚动轴承振动信号，构造源域数据和目标域数据；使用参数优化的VMD对源域数据和目标域数据进行VMD分解，提取其奇异值特征和排列熵特征，与原始信号的时域特征组成多域特征并进行归一化；利用GFK将源域数据和目标域数据变换到流形空间，获得流形特征；利用源域数据训练一个弱分类器，使用该弱分类器得到目标域伪标签；对流形特征进行动态分布对齐，初步得到分类器f；迭代修正目标域标签，直至收敛，返回最终分类器f；将不同工况样本输入训练好的模型分类器，判断滚动轴承运行状态。本发明可以仅使用一种工况数据，进而达到诊断不同转速、不同负载下的故障数据。

主权项：1.一种基于VMD多域特征与MEDA的滚动轴承跨工况故障诊断方法，其特征在于，包括如下步骤：步骤S1、采集滚动轴承振动信号，构造源域数据和目标域数据；步骤S2、使用参数优化的VMD对源域数据和目标域数据进行VMD分解，提取其奇异值特征和排列熵特征，与原始信号的时域特征组成多域特征并进行归一化；步骤S3、利用GFK将源域数据和目标域数据变换到流形空间，获得流形特征；步骤S4、利用源域数据训练一个弱分类器，使用该弱分类器得到目标域伪标签；步骤S5、对流形特征进行动态分布对齐，初步得到分类器f；步骤S6、迭代修正目标域标签，直至收敛，返回最终分类器f；步骤S7、将不同工况样本输入训练好的模型分类器，判断滚动轴承运行状态；所述步骤S5具体实现如下：不同工况条件下采集的有标记的源域数据和无标记的目标域数据当源域数据和目标域数据较为相似时，条件分布适配更加重要；当源域数据和目标域数据差距较大时，边缘分布适配较为重要；为此，引入一个自适应因子μ，来平衡这两种分布的重要性；自适应分布适配Df表示为： 其中，μ为自适应因子，c为类别标签，P为边缘概率分布，Q为条件概率分布，DfPs,Pt为边缘概率分布适配，为条件概率分布适配；当μ→0，仅考虑边缘概率分布适配，忽略条件概率分布适配，当μ→0.5时，认为边缘概率分布适配与条件概率分布适配同等重要；采用最大均值差异MMD衡量在再生核希尔伯特空间RKHS中不同数据间的差异；则分布适配变为： 在流形特征变换与动态分布对齐的基础上，利用SRM原则训练一个全局跨域的分类器；该分类器f表示为： 其中，第一项为在源域上的SRM，为平方范数，为动态分布对齐，Rf为拉普拉斯正则项，η、λ、ρ为正则化参数。

全文数据：

权利要求：

百度查询： 福州大学 一种基于VMD多域特征与MEDA的滚动轴承跨工况故障诊断方法