基于特征迁移学习的变工况下 滚动轴承故障诊断方法 SSTAC

关键词：变工况；滚动轴承；半监督迁移成分分析(SSTCA)；迁移学习；变分模态分解(VMD)

半监督迁移成分分析 (semisupervised transfer component analysis，SSTCA)：方法引入希尔伯特施密特独立标准(Hilbert-Schmidt independence criterion ， HSIC)在再生核希尔伯特空间上采用互协方差算子推导出统计量，衡量样本特征与样本类别间的依赖程度

其表达式为

为实现输入特征样本 x i 与 x j 在经特征映射变换后距离最小化，特征样本约束函数为

源域和目标域最大均值差异嵌入方法(maximum meandiscrepancy embedding，MMDE)距离：

综合上述公式得出多核 SSTCA方法目标函数为

整体流程：

通过核函数映射，降维得到新的源域核目标域，在通过SVM分类。

轴承故障：10种状态，4中工况。

迁移策咯及准确度：

不同领域适应性方法对比

多核 SSTCA-SVM 与 TSVM 、 LapSVM 非迁移学习方法对比

可迁移性判断：最大均值差异度量

数据量较小，源域选取随机组合，选取策略最小均方根误差。