基于时间迁移模型的旋转机械实时故障诊断

提出一种时间迁移模型,以提升旋转机械工况发生变化时的实时故障诊断性能,其由历史数据构成源领域、当前数据构成目标领域。首先,根据变工况规则确定模型的数据领域,并提取其时域特征向量构成五维空间。其次,将源和目标领域通过最大方差投影(MVP)和流形正则化投影(MRP)分别映射至二维子空间,并利用最小均值差异(MMD)准则缩短两者距离。最后,在投影空间中利用BP神经网络和支持向量机(SVM)分类器对源领域建立分类模型,并应用至目标领域,并通过筛选源领域样本以更新诊断模型。齿轮传动系统试验结果表明,时间迁移能够解决工况发生变化时的实时机械故障诊断问题,相比传统迁移成分分析(TCA)模型能提升诊断性能,故为其工程应用提供有价值的技术手段。