針對不同工況下滾動軸承壽命狀態(tài)識別時訓(xùn)練樣本與測試樣本分布差異導(dǎo)致壽命狀態(tài)無法有效識別的問題,提出基于源域多樣本集成（Geodesic Flow Kernel,GFK）的滾動軸承壽命狀態(tài)識別方法。首先,采用無重復(fù)均勻隨機抽樣對源域類間樣本進行多次等量隨機抽樣得到源域內(nèi)部多個訓(xùn)練樣本以充分挖掘源域樣本信息;其次,將源域內(nèi)部多個訓(xùn)練樣本和目標域測試樣本輸入GFK,分別計算每個源域訓(xùn)練樣本與目標域測試樣本的測地線核矩陣以充分利用源域樣本信息并提升GFK遷移學(xué)習能力;最后,利用核矩陣構(gòu)造核分類器并輸出分類結(jié)果,采用一致性投票對所有源域訓(xùn)練樣本下目標域測試樣本的分類結(jié)果進行集成以提升目標域測試樣本的識別準確率。不同工況下滾動軸承壽命狀態(tài)識別實驗驗證了所提方法的可行性和有效性。 

【文章來源】：振動工程學(xué)報. 2020,33(03)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

改進的源域多樣本集成GFK方法流程圖

基于源域多樣本集成GFK的滾動軸承壽命狀態(tài)識別

采用PRONOSTIA實驗臺采集的IEEE PHM2012Data Challenge[18]加速壽命實驗振動信號數(shù)據(jù)進行實驗驗證和分析。此數(shù)據(jù)采樣頻率為25.6kHz，采樣間隔為10s，每個樣本采樣時間為0.1s。PRONOSTIA實驗平臺如圖3[18]所示。本文以文獻[19]提出的健康指數(shù)為依據(jù)將滾動軸承全壽命周期劃分為3種壽命狀態(tài)：磨合期、有效工作期和衰退期。IEEE PHM 2012Data Challenge包含多個工況條件下的全壽命周期實驗數(shù)據(jù)，本文選擇3個壽命狀態(tài)清晰劃分的工況1和工況2數(shù)據(jù)進行驗證。工況數(shù)據(jù)信息如表1所示。

【參考文獻】：
期刊論文
[1]加噪樣本擴展深度稀疏自編碼神經(jīng)網(wǎng)絡(luò)的滾動軸承壽命階段識別[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,陳思楊,楊星.  振動工程學(xué)報. 2017(05)
[2]基于馬田系統(tǒng)的滾動軸承初始故障檢測和狀態(tài)監(jiān)測[J]. 剡昌鋒,朱濤,吳黎曉,貝克,郭劍鋒.  振動與沖擊. 2017(12)
[3]基于不同工況下輔助數(shù)據(jù)集的齒輪箱故障診斷[J]. 段禮祥,謝駿遙,王凱,王金江.  振動與沖擊. 2017(10)
[4]奇異值分解與遷移學(xué)習在電機故障診斷中的應(yīng)用[J]. 沈飛,陳超,嚴如強.  振動工程學(xué)報. 2017(01)
[5]多尺度變異粒子群優(yōu)化MK-LSSVM的軸承壽命預(yù)測[J]. 張焱,湯寶平,熊鵬.  儀器儀表學(xué)報. 2016(11)
[6]基于UKF的軸承剩余壽命預(yù)測方法研究[J]. 闕子俊,金曉航,孫毅.  儀器儀表學(xué)報. 2016(09)
[7]基于振動敏感時頻特征的航天軸承壽命狀態(tài)識別方法[J]. 陳仁祥,陳思楊,楊黎霞,王家序,董紹江,徐向陽.  振動與沖擊. 2016(17)
[8]信息熵與優(yōu)化LS-SVM的軸承性能退化模糊�；A(yù)測[J]. 陳法法,楊勇,馬婧華,陳從平.  儀器儀表學(xué)報. 2016(04)
[9]小波包變換和隱馬爾可夫模型在軸承性能退化評估中的應(yīng)用[J]. 肖文斌,陳進,周宇,王志陽,趙發(fā)剛.  振動與沖擊. 2011(08)



本文編號：3368103