不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法技术

本发明专利技术公开了一种不同设备之间的多阶段深度卷积迁移学习故障诊断方法，在MSDCTL中，利用深度卷积特征提取模块进行高维特征提取，再对提取特征进行分类，以分类结果和标签信息的分类交叉熵作为损失函数预训练模型显著提高模型的特征提取和分类能力；将获得的源域特征和目标域特征利用多核构造的高斯核函数映射至Hilbert空间，利用空间的再生性分离映射函数与特征值，找到映射函数使得两域特征均值差异最大，以此最大均值差异和零值标签的平均绝对误差为目标函数训练MSDCTL特征提取模块改进了MSDCTL的迁移性能；通过最小化对目标域数据的诊断结果和标签信息的分类交叉熵提高模型对迁移后目标域数据特征的分类精度。MSDCTL的以上特点使得基于MSDCTL的故障诊断方法可以利用一个轴承设备的标签样本对另一个轴承设备待测无标签样本进行高精度故障诊断。

【技术实现步骤摘要】
不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
本专利技术属于旋转机械故障诊断方法
，具体涉及不同轴承设备之间的深度卷积迁移学习故障诊断方法。
技术介绍
轴承是许多机械系统中的关键旋转组件，它们也是重要工业设备故障的主要原因，例如感应电动机，铁路转向架的轮对，航空发动机，风力发电机组，钢厂等，其中轴承故障占所有故障的51％。轴承的故障可能会导致意外的停机，经济损失甚至人员伤亡。因此，滚动轴承的检测和诊断具有重要的工业意义，也因此，在役轴承的健康评估和故障诊断受到研究人员的持续关注。在过去的几年中，深度学习方法已将基于振动信号的机械故障诊断从手动特征提取提升为端到端的解决方案，并在各种诊断任务上取得了巨大的成功。但是，这些成就是在以下假设下得出的：可以使用大量带标签的故障数据，并且训练和测试数据来自相同的分布。由于以下原因，在实践中通常很难满足这两个假设：首先，捕获故障数据并对其进行标记非常昂贵。机器通常会经历从健康到故障的漫长降解过程，并且与长期健康运行阶段相比，故障数据只占很小的比例。即使可以监视和累积大量本文档来自技高网...

【技术保护点】
1.不同轴承设备之间的深度卷积迁移学习故障诊断方法，其特征在于，包括以下步骤：/nS1、将源域带标签样本输入深度卷积迁移学习模型中，获得诊断输出与样本标签的损失分类交叉熵，以此为目标函数预训练模型的特征提取模块和分类模块；/nS2、将等量源域标签样本和目标域无标签样本同时输入到双输入深度卷积迁移学习模型中，获得由源域样本的诊断损失函数分类交叉熵和两域特征的分布差异最大均值差异构成的总损失函数，冻结分类模块精调模型特征提取模块；/nS3、取少量目标域标签样本输入到深度卷积迁移学习模型中，获得目标域样本的分类交叉熵，冻结特征提取模块，最小化该损失精调模型分类模块；/nS4、将目标域无标签待测样本输...

【技术特征摘要】
1.不同轴承设备之间的深度卷积迁移学习故障诊断方法，其特征在于，包括以下步骤：
S1、将源域带标签样本输入深度卷积迁移学习模型中，获得诊断输出与样本标签的损失分类交叉熵，以此为目标函数预训练模型的特征提取模块和分类模块；
S2、将等量源域标签样本和目标域无标签样本同时输入到双输入深度卷积迁移学习模型中，获得由源域样本的诊断损失函数分类交叉熵和两域特征的分布差异最大均值差异构成的总损失函数，冻结分类模块精调模型特征提取模块；
S3、取少量目标域标签样本输入到深度卷积迁移学习模型中，获得目标域样本的分类交叉熵，冻结特征提取模块，最小化该损失精调模型分类模块；
S4、将目标域无标签待测样本输入到训练好的深度卷积迁移学习模型中，对目标轴承待测样本进行状态诊断，实现不同轴承设备之间的高精度迁移诊断。


2.如权利要求1所述的不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法，其特征在于，所述步骤S1中的深度卷积迁移学习模型包括特征提取模块、分类模块；
所述特征提取模块包括四个特征提取单元：第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元；
第一特征提取单元包括顺序连接的第一卷积层、第一池化层；
第二特征提取单元包括顺序连接的第二卷积层、第二池化层、第二丢失层；
第三特征提取单元包括顺序连接的第三卷积层、第三池化层；
第四特征提取单元包括顺序连接的第四卷积层、第四池化层、第四丢失层；
四个特征提取单元顺序连接，第一卷积层、第二卷积层、第三卷积层、第四卷积层均均搭配relu激活函数；
所述分类模块包括展平层、第一全连接层、第二全连阶层，所述第一全连接层搭配使用relu激活函数，所述第二全连接层即输出层搭配使用softmax激活函数。


3.如权利要求2所述的不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法，其特征在于，所述步骤S1具体为：
S11、通过深度卷积迁移学习模型特征提取模块的四个特征提取单元依次从低层到高层提取源域标签样本数据的特征，并将特征输入到分类模块；
S12、分类模块对输入特征进行全连接操作，配合激活函数得到对源域样本特征的诊断输出，进而求得其与对应标签的损失；
S13、初始化各网络层的权值开始训练，以诊断结果与对应标签的损失为目标函数优化深度卷积迁移学习模型的特征提取和分类模块网络层的权值。


4.如权利要求1所述的不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法，其特征在于，所述步骤S2具体为：
S21、修改深度卷积迁移学习模型为双输入双输出结构，接收源域标签样本数据和目标域无标签样本数据双输入，输出对源域样本的诊断结果和两域特征分布最大均值差异双输出；
S22、冻结模型分类模块，反传由对源域样本的诊断损失和两域特征分布差异组成的总损失梯度，优化特征提取模块卷积层的权值；
S23、输入源域和目标域样本，输出两域特征分布的最大均值差异，以该值与零值标签的平均绝对误差为目标函数优化分类模块卷积层的权值，增强模型的迁移性能；
S24、输入源域标签样本数据，输出对源域样本的诊断结果，以该结果与对应标签的分类交叉熵为目标函数，优化分类模块卷积层的权值，保证模型在源域数据上的特征提取和分类性能。


5.如权利要求4所述的不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法，其特征在于，所述步骤S21具体为：
A1、为了计算深度卷积迁移学习模型从源域数据和目标域数据中提取的特征的分布差异，在模型模块和层级结构不变的基础上将模型输入扩展为双输入，同时接收源域样本和目标域样本数据；
A2、在反传损失梯度优化特征提取模块卷积层权值，提高提取特征的迁移性能的同时，要保证...

【专利技术属性】
技术研发人员：王艺玮，周健，郑联语，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11