一种基于迁移核支持的核极限学习机的迁移模型

由于错综复杂的工作状况导致训练和测试数据分布不一致，阻碍了机器学习在旋转机械故障诊断中的广泛应用。据此本发明公开了一种基于迁移核支持的核极限学习机的迁移模型。本发明首先设计了一种并联结构用于模型的预训练，全面表征振动信号的状态和变化。然后，提出了一种基于最大平均差函数主成分分析的多尺度域不变退化指标提取方法，确保在不同工作条件下能有效提取退化特征。通过将提取的退化指标作为迁移模型的输入，本发明有效应对了非线性数据和目标域样本不足的挑战。为了进一步提升核函数的相关性捕捉能力，本发明提出了一种基于相似度的特征指向迁移核优化方法，该方法利用最大平均差计算域间相似度，并引入加权机制优化迁移核，以提高模型的跨域适应性。