域不对称因子加权的滚动轴承故障深度局部迁移诊断方法技术

域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，首先利用深度残差网络提取源滚动轴承与目标滚动轴承监测数据中的深度迁移故障特征；其次利用深度迁移故障特征训练领域混淆网络，并计算域不对称因子；再次计算深度残差网络适配层故障特征的多核最大均值差异，并利用域不对称因子加权抑制源滚动轴承中无效故障特征的贡献度；最后利用加权的多核最大均值差异构建目标函数，训练深度残差网络；训练所得的由领域混淆网络和深度残差网络构成的局部迁移诊断模型能够有效克服域不对称因素对迁移诊断的不利影响，实现了运用源滚动轴承局部诊断知识识别目标滚动轴承的不平衡健康状态，显著提高了迁移诊断模型的诊断精度。

Fault depth local migration diagnosis method of rolling bearing based on domain asymmetry factor weighting

【技术实现步骤摘要】
域不对称因子加权的滚动轴承故障深度局部迁移诊断方法
本专利技术属于滚动轴承故障诊断
，具体涉及一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法。
技术介绍
滚动轴承是大型旋转机械的核心零部件之一，一旦发生故障，轻则造成巨大经济损失，重则危及人员生命安全，因此其健康服役至关重要。故障智能诊断利用先进的机器学习技术构建了轴承监测数据与健康状态之间的映射关系，极大地降低了诊断过程对专家先验知识的过分依赖，尤其近年来伴随着深度学习技术的蓬勃发展，故障智能诊断的智能化水平与诊断精度显著提高，成为保障轴承安全运行的重要手段。故障智能诊断需要利用大量的含标记样本充分训练诊断模型，然而工程实际中，含标记样本稀缺，严重制约了故障智能诊断的实际应用。迁移学习通过建立迁移诊断模型，能够利用源滚动轴承的故障诊断知识解决目标滚动轴承的故障诊断问题，推动了滚动轴承故障智能诊断的“落地”应用。现有的滚动轴承迁移诊断技术存在显著的局限性：源轴承与目标轴承的诊断知识域对称，即要求①目标轴承的数据须均匀分布在每一种健康状态上；②源轴承监测数据的标记空间大小与目标轴承数据的标记空间大小相等。然而，在工程实际中，这两点往往无法成立：目标轴承在服役过程中，长期处于正常状态，故障状态出现频率明显小于正常状态，此外，源轴承产生的故障状态或在目标轴承上未发生，因此，目标轴承的数据分布严重不平衡(包含大量正常信息、少量故障信息)，且源滚动轴承数据的标记空间往往覆盖目标轴承的标记空间，最终形成了不对称的源轴承与目标轴承诊断知识域。受诊断知识域不对称因素的影响，现有迁移诊断技术难以有效地利用源轴承的诊断知识识别目标轴承的不平衡健康状态。
技术实现思路
为了克服上述现有技术的缺陷，本专利技术的目的在于提出一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，提高域不对称约束下轴承迁移诊断的精度，推动智能诊断技术的实际应用。为达到上述目的，本专利技术采取的技术方案为：域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集其中，为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；步骤2：构建领域共享的深度残差网络，网络的待训练参数为θResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征其中，为第m个源滚动轴承健康状态样本的深度迁移故障特征，为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表深度残差网络的F1层；步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络的输入为深度迁移故障特征输出为领域混淆特征其中，为第m个源滚动轴承健康状态样本的领域混淆特征，为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络，最大化如下目标函数更新领域混淆网络的参数θadv，即：每次迭代更新后，将领域混淆网络的待训练参数θadv截断在范围{-ξ,ξ}内；步骤4：执行步骤3迭代更新nadv次领域混淆网络参数θadv后，计算第m个源滚动轴承深度迁移特征的域不对称因子步骤5：提取深度残差网络F2层的适配层故障特征其中，为第m个源滚动轴承健康状态样本的适配层故障特征，为第n个目标滚动轴承健康状态样本的适配层故障特征，F2代表深度残差网络的特征适配层F2层；然后利用步骤4获得的域不对称因子加权计算适配层特征的多核植入最大均值差异D(Xs,Xt)，即：式中，k(·,·)为多项式核函数；au为第u个多项式核函数的斜率；U为植入的多项式核函数的个数；βu为第u个多项式核植入的最大均值差异的权重系数，且βu∈β*，其中β*为最优权重系数，通过求解如下优化问题获得：其中，且βu≥0；步骤6：利用Softmax激活函数预测深度残差网络F3层特征属于源滚动轴承健康状态的概率分布其中，为预测的第m个源滚动轴承振动样本的健康状态概率分布，为预测的第n个目标滚动轴承振动样本的健康状态概率分布，F3代表深度残差网络的输出层F3层；然后结合步骤5所得的多核植入最大均值差异，最小化如下目标函数更新深度残差网络的待训练参数θResNet，即：式中，λ为深度残差网络训练的正则项惩罚系数；步骤7：重复依次执行步骤3～步骤6训练领域混淆网络与深度残差网络组成的局部迁移诊断模型，待局部迁移诊断模型训练完成后，将目标滚动轴承的第n个无标记健康样本输入局部迁移诊断模型的深度残差网络中，取深度残差网络输出的目标滚动轴承振动样本健康状态概率分布中最大概率值所对应的健康标记作为目标滚动轴承第n个无标记健康样本的健康状态。本专利技术的有益效果为：本专利技术提出了一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，该方法构建领域混淆网络自适应学习域不对称因子，并利用该因子加权抑制源滚动轴承的无效深度迁移故障特征对特征分布适配的影响，实现了运用源滚动轴承中局部诊断知识识别目标滚动轴承的不平衡健康状态，克服了工程实际中域不对称因素对现有迁移诊断技术的限制，提高了域不对称约束下滚动轴承故障的迁移诊断精度。附图说明图1为本专利技术的流程图。图2为本专利技术局部迁移诊断模型的示意图。具体实施方式下面结合附图和实施例对本专利技术进一步详细描述。如图1所示，域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集其中，为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；步骤2：参照图2，构建领域共享的深度残差网络，深度残差网络的待训练参数为θResNet，深度残差网络依次堆叠卷积层、池化层与残差块，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征其中，为第m个源滚动轴承健康状态样本的深度迁移故障特征，为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表如图2所示的深度残差网络的F1层；步骤3：参照图2，构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络为多隐层神经网络结构，输入为步骤2获得的深度迁移故障特征输出为领域混淆特征其中，为第m个源滚动轴承健康状态样本的领域混淆特征，为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θadv，即：每次迭代更新后，将领域混淆网本文档来自技高网...

【技术保护点】
1.域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，其特征在于，包括以下步骤：/n步骤1：获取源滚动轴承R种健康状态时的振动信号样本集

【技术特征摘要】
1.域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，其特征在于，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集其中，为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；
步骤2：构建领域共享的深度残差网络，网络的待训练参数为θResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征其中，为第m个源滚动轴承健康状态样本的深度迁移故障特征，为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表深度残差网络的F1层；
步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络的输入为深度迁移故障特征输出为领域混淆特征其中，为第m个源滚动轴承健康状态样本的领域混淆特征，为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θadv，即：



每次迭代更新后，将领域混淆网络的待训练参数θadv截断在范围{-ξ,ξ}内；
步骤4：执行步骤3迭代更新nadv次领域混淆网络参数θadv后，计算第m个源滚动轴承深度迁移特征的域不对称因子
步骤5：提取深度残差网络F2层的适配层故障...

【专利技术属性】
技术研发人员：杨彬，雷亚国，李乃鹏，司小胜，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61