改进LSSVM迁移学习方法的轴承故障诊断

机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的增强型最小二乘支持向量机(LSSVM)迁移学习策略,用于数据量不足时的轴承故障诊断。其中利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合以提高诊断精度。诊断分类器通过改进传统LSSVM模型,在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,最终得到加入辅助集的函数估计,从而将该算法推广至迁移学习。此外,类内类间距离指标用于描述特征区分性,并提出4种辅助数据集的使用方法,从而构建迁移学习为框架的诊断模型。球形轴承的振动信号试验结果表明,相比传统机器学习,在目标振动数据较少条件下所提模型在轴承故障诊断时性能提升显著。