奇异值分解与移移学习在电机故障诊断中的应用

《奇异值分解与移移学习在电机故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、奇异值分解与移移学习在电机故障诊断中的应用摘要：针对变转速、变负载条件下的电机故障诊断问题，提出了一种基于自相关矩阵奇异值分解（SingularValueDeposition，SVD）的特征提取和迁移学习分类器相结合的诊断方法。对于Hankel矩阵提取的奇异值向量，设计了平均曲率区分度指标来描述特征差异性，迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习，提升了分类正确率，同时利用向量夹角余弦进行可迁移度检测从而避免负迁移。试验结果表明，SVD无需利用故障先验知识，具有通用性，且迁移学习相比传统机器学习在目

2、标振动数据较少条件下性能得到显著提升。中国8/vie　　关键词：故障诊断；奇异值分解；迁移学习；可迁移度；特征提取　　中图分类号：THl65+.3；TPl81　　文献标志码：A　　：1004-4523（2017）01-0118-09　　DOI：10.16385/j.ki.issn.1004-4523.2017.01.016　　引言　　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电机故障诊断中目标故障数据量较少甚至无法获得，训练故障数据与目标故障数据分布特性不同等情况的发生。而AdaBoost迭代算法，K最近邻分类算法（KNN）等传统机器

3、学习分类方法均以训练数据与测试数据具有相同的分布特征且数据量足够为前提，将不再适用。　　为克服外在因素的影响，在故障特征提取方面，Yang等人提出了一种基于变量预测分类（VPM-CD）的故障模型，将局域均值分解（LMD）和阶次跟踪分析相结合用于变转速滚动轴承振动故障特征的提取，模型能有效区分轴承故障状态；Borghesani等针对变工况情况利用倒谱分析对信号进行预白化处理，用于自适应损伤识别；陈小旺等人推广了一种迭代广义同步压缩变换方法，有效改善了同步压缩变换分析频率时变信号时的时频可读性，并应用于变工况下行星齿轮箱的故障诊断，但是现有方法大多

4、基于故障特征的已知先验知识，如故障频率、噪音干扰等，在通用性方面有所欠缺。在故障分类方面，Guyon等针对训练与目标故障数据的不同分布特征提出因果挑战算法，并利用权重特征排列的支持向量机（sVM）算法进行分类；Bassiuny等人以希尔伯特边缘谱为输入特征，建立学习矢量量化（LVQ）网络模型，上述方法均取得了良好的诊断效果，但其实质仍是改进的机器学习，未能克服其算法局限性。　　迁移学习近年来受到机器学习领域的广泛关注，其具备学习先前任务的知识和技巧并应用到新任务的能力。传统机器学习中，学习任务之间是相互独立的，当两者数据分布不同时，在训练集训练

5、好的学习系统无法取得满意表现，需要进行重新训练。而在迁移学习中，虽然源任务和目标任务不同，但可以�牟煌�源任务的不同数据中挖掘与目标任务相关的知识并帮助目标任务的学习，其已在文档分类、计算机视觉、搜索排序等领域得到了应用。本文借鉴迁移学习在其他领域的成功应用，利用相邻或常规故障数据帮助少量目标故障数据分类，提出一种新的电机故障诊断方法。同时，采用自相关奇异值分解（SVD）的电机故障特征提取方法，为迁移学习提供不依赖先验知识，且具备一定物理意义的特征，奇异值特征的普适性与迁移策略的灵活性，使得电机故障诊断能够有效克服变转速变负载带来的物理条件变化

6、的影响，增强诊断通用性，降低成本；同时通过精确计算迁移学习的可迁移度，从而帮助辅助数据的选取，有效避免负迁移。　　3.实验研究与性能分析　　3.1实验条件与参数　　实验数据来自美国凯斯西储大学电机轴承数据中心，振动信号由图2所示的电机轴承测试系统测得，系统包括电机（左），测力计（右）以及控制电路。数据通过16通道的加速度计采集，采样频率12kHz，测试实验条件与参数如表1所示，包括变转速与变负载时不同故障程度与故障位置的振动数据采集。　　3.2基于SVD的特征提取与性能分析　　根据SVD特征提取原理，对表1实验条件的电机轴承数据进行特征提取，试

7、验测得不同电机轴承故障的无冗余向量维数Q在127～164之间波动，表明有效故障特征与冗余噪音的区分边界较为模糊，故Hankel矩阵维数选取M=N=Q=150。　　所得奇异值特征向量的平均曲率曲线如图3所示，图3中不同电机轴承故障对应点间的平均曲率间距反映特征区分能力，故有如下结论：　　1）故障类型的量变与质变间存在差异，图3（b）中，健康轴承（0mm）与故障轴承的平均曲率问距大于故障轴承内部间距；　　2）故障类别的本质存在差异，图3（c）中，三类外圈故障问平均曲率间距小于外圈与其他故障部位间距；　　同时奇异值特征向量的平均曲率随维数递减，即维数

8、Q越小，轴承故障分类能力越强。然而维数越小，包含的有用信息量越少，故根据式（4）进行特征选取，如下：　　电机轴承故障直径的区分度D4与分类性能指标参数