沈飞　陈超　严如强

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（Singular ValueDecomposition，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标振动数据较少条件下性能得到显著提升。

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

文章编号：1004-4523（2017）01-0118-09

DOI：10.16385/j.cnki.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；……