一种改进模型迁移策略的滚动轴承故障诊断方法技术

一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。针对源域与目标域中相同状态数据分布差异大的问题而提出。利用小波变换获取不同型号轴承振动信号的时频谱并构建图像数据集；选择某种型号的数据作为源域，其他型号数据作为目标域；使用源域数据训练ResNet‑34深度卷积网络，得到源域数据分类模型；利用隐式渐变元学习自适应决定迁移知识层级及知识内容实现模型迁移策略的改进，避免异构体系结构中梯度不易收敛现象；将迁移的知识引入目标域ResNet‑152卷积神经网络数据训练的过程中通过参数传递实现模型迁移；在训练源域与目标域网络时采用随机梯度下降算法优化网络参数，建立不同型号滚动轴承的故障诊断模型。

【技术实现步骤摘要】
一种改进模型迁移策略的滚动轴承故障诊断方法
本专利技术涉及一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断

技术介绍
滚动轴承作为旋转机械的关键部件，在工业生产中广泛应用，对其进行有效的故障诊断可预防重大事故发生[1]。滚动轴承型号多样，导致在实际工作中缺少或无法获取带标签的某种型号的训练数据[2]。根据已知某种状态信息的滚动轴承振动信号对其他型号下未知状态信息的振动信号进行状态识别具有重要的实际意义[3]。滚动轴承不同位置及不同损伤程度的故障诊断实质上是对滚动轴承运行状态的识别[4]。传统的状态识别方法需要人工先提取特征，且具有丰富的信号处理经验及特征提取知识，根据不同的故障类型选取合适的特征[5-6]。最近几年，随着研究人员对深度学习的研究，故障诊断方法开始使用深度学习自动提取所需特征，克服了传统方法中人工提取特征的缺陷[7-8]。文献[9]提出一种基于堆叠自动编码器的滚动轴承故障诊断方法，无需人工提取特征，大幅度减小人工经验对诊断结果的影响。文献[10]利用深度学习的图谱和序列模型实现轴承故障诊断，获得了较好的故障分类精度。文献[11]提出利用多尺度级联卷积神经网络增强输入分类信息，此方法在非平稳工况下轴承故障诊断中具有较好的结果。文献[12]从轴承的时域与频域数据中提取特征，通过局部和全局主成分分析，将多个深层特征融合为固有的低维特征，利用集成核极限学习机实现轴承故障诊断。文献[13]将振动信号转换为频谱图输入到全卷积神经网络中，可准确识别出轴承故障位置及损伤程度，并具有较好的泛化性。在实际工作中，滚动轴承的工作负载是变化的，不同负载下滚动轴承的振动特性是不同的，相对于恒定负载时更复杂。不同负载下的振动数据分别作为训练数据和测试数据时，他们的数据分布也是不同的，此时基于深度学习的故障诊断方法诊断效果有所下降。近年来，迁移学习受到学者的广泛关注，其可运用源域中已有的知识解决目标域中的问题。域适应作为迁移学习的常用方法，旨在降低源域与目标域之间的分布差异[14]。文献[15]提出深度适配网络(JointAdaptationNetworks，JAN)，通过联合最大平均差异准则、对齐多个跨域的特定领域层的联合分布，减小不同域数据之间的分布差异。文献[16]提出多层适配及多核最大均值差异，降低不同域数据间的均值差异。文献[17]提出联合分布适配法(JointdistributionAdaptation，JDA)，通过减小源领域和目标领域之间的联合概率分布距离，缩小领域间的差异。文献[18]应用测地线流式核(GeodesicFlowKernel，GFK)，通过大量的中间子空间一步步地将源领域数据向目标领域数据对齐，在视觉识别领域具有较好的效果。文献[19]提出一种基于最大平均差异的多层多核变量框架，引入核方法代替最大均值误差的高维图，很大程度上减小不同域数据分布之间的差异，以较高的准确率实现不同工作条件下轴承故障诊断。文献[20]提出一种基于深度生成神经网络的轴承故障诊断方法，可生成用于域适应的伪造样本，解决样本数据少的问题且提高诊断准确率。文献[21]提出一种具有新的适应性训练策略的跨域堆叠降噪自动编码器，结合域适应与流形习两者的优势，对不同工作条件下的变速箱和发动机滚动轴承数据集进行故障诊断，获得了较高的准确性。文献[22]利用深度卷积网络多个隐藏层所学习的知识，提出一种表示聚类算法，最小化类内距离且最大化类间距离，采用域适应方法最小化训练和测试数据之间的最大平均差异，可显著提高不同工况下滚动轴承故障诊断方法的鲁棒性。文献[23]构建领域共享的残差网络提取迁移故障特征，在训练过程中施加领域适配正则项约束，形成深度迁移诊断模型，可对机械设备进行有效故障诊断。域适应方法要求源域数据与目标域数据存在一些交叉特征，通过映射将源域及目标域特征投入相同的空间，在映射空间内减小分布差异，但特征映射较难，容易出现过拟合现象。模型迁移方法是从源域与目标域中找到共享的参数信息，通过参数微调实现迁移，可有效避免发生过拟合现象。文献[24]在源域模型中选择对输出敏感的参数，训练时仅冻结敏感参数，减少可训练参数并保护信息性参数，有效防止过度拟合，通过目标数据量和最佳冻结程度适应目标域，对不同负载轴承故障进行有效诊断。文献[25]提出一种深度迁移非负约束稀疏自动编码器，结合深度学习与迁移学习的优势，利用参数传递解决不同工作条件下带标签数据稀缺的滚动轴承故障诊断问题，具有较好的效果。文献[26]提出利用AlexNet模型迁移实现滚动轴承故障诊断，只需替换网络模型最后一层全连接层实现参数传递，可减少建模的时间，在不同工作条件下滚动轴承故障诊断上具有良好的效果。若用相同网络提取不同负载的滚动轴承振动特征，可能会遗漏一些特征信息，影响诊断效果。文献[27]通过不同的自动编码器网络将源域与目标域特征映射到相同的空间，引入域中心距离评估不同域之间分布的相似性，通过支持向量机实现轴承故障诊断，具有较好的效果。尽管如此，由于实际工作中，滚动轴承的型号多样且不同型号下大量带有标签的振动数据难以全面获取，使得训练数据缺少、不同域中相同状态的数据存在客观差异，导致诊断结果不理想甚至无法建模。同时，传统模型迁移策略应用在异构体系结构和任务之间时，很容易产生不收敛现象。
技术实现思路
本专利技术要解决的技术问题为：本专利技术针对实际工作中某种型号的滚动轴承振动数据很难全面获取，源域与目标域中相同状态数据分布差异大的问题，以及针对不同域选取不同型号滚动轴承振动数据时，不同故障位置及不同损伤程度识别准确率不高的问题，进而提出了一种改进模型迁移策略的滚动轴承故障诊断方法。本专利技术为解决上述技术问题所采用的技术方案为：一种改进模型迁移策略的滚动轴承故障诊断方法，所述方法的实现过程为：(1)、数据选取及处理获取已知某种型号的滚动轴承的所有状态(正常状态及内圈、外圈、滚动体不同故障程度)振动信号，将其作为源域数据；将未知具体状态的其他型号滚动轴承振动信号作为目标域数据；对源域与目标域数据作小波变换并构建二维图像数据集，作为源域网络与目标域网络的输入；(2)、源域网络模型训练将处理好的源域数据输入到ResNet-34网络中，经过多次迭代训练得到源域分类模型；(3)、模型迁移之参数传递源域分类模型导出，利用隐式渐变元学习进行参数传递来实现模型迁移进行改进模型迁移策略利用隐式渐变元学习传递参数达到模型迁移的目的，通过网络每层权重决定迁移哪一层的知识及什么知识到目标域，辅助目标域网络进行训练；(4)、目标域网络模型训练及多状态识别将处理好的目标域数据放入ResNet-152网络中，通过不断交替更新目标模型参数与元网络参数，建立参数迁移后的多状态识别模型，并获得目标域最终标注的标签，与目标域数据真实标签进行对比，获得多状态识别的准确率，以此衡量模型的识别性能。进一步地，利用隐式渐变元学习传递参数进行模型迁移的过程基于隐式渐变元学习的模型迁移策略来实现本文档来自技高网...

【技术保护点】
1.一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：/n(1)、数据选取及处理/n获取已知某种型号的滚动轴承的所有状态振动信号，将其作为源域数据；将未知具体状态的其他型号滚动轴承振动信号作为目标域数据；对源域与目标域数据作小波变换并构建二维图像数据集，作为源域网络与目标域网络的输入；/n(2)、源域网络模型训练/n将处理好的源域数据输入到ResNet-34网络中，经过多次迭代训练得到源域分类模型；/n(3)、模型迁移之参数传递/n源域分类模型导出，利用隐式渐变元学习进行参数传递来实现模型迁移进行改进模型迁移策略；/n利用隐式渐变元学习传递参数达到模型迁移的目的，通过网络每层权重决定迁移哪一层的知识及什么知识到目标域，辅助目标域网络进行训练；/n(4)、目标域网络模型训练及多状态识别/n将处理好的目标域数据放入ResNet-152网络中，通过不断交替更新目标模型参数与元网络参数，建立参数迁移后的多状态识别模型，并获得目标域最终标注的标签，与目标域数据真实标签进行对比，获得多状态识别的准确率，以此衡量模型的识别性能。/n

【技术特征摘要】
1.一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：
(1)、数据选取及处理
获取已知某种型号的滚动轴承的所有状态振动信号，将其作为源域数据；将未知具体状态的其他型号滚动轴承振动信号作为目标域数据；对源域与目标域数据作小波变换并构建二维图像数据集，作为源域网络与目标域网络的输入；
(2)、源域网络模型训练
将处理好的源域数据输入到ResNet-34网络中，经过多次迭代训练得到源域分类模型；
(3)、模型迁移之参数传递
源域分类模型导出，利用隐式渐变元学习进行参数传递来实现模型迁移进行改进模型迁移策略；
利用隐式渐变元学习传递参数达到模型迁移的目的，通过网络每层权重决定迁移哪一层的知识及什么知识到目标域，辅助目标域网络进行训练；
(4)、目标域网络模型训练及多状态识别
将处理好的目标域数据放入ResNet-152网络中，通过不断交替更新目标模型参数与元网络参数，建立参数迁移后的多状态识别模型，并获得目标域最终标注的标签，与目标域数据真实标签进行对比，获得多状态识别的准确率，以此衡量模型的识别性能。


2.根据权利求1所述的一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，利用隐式渐变元学习传递参数进行模型迁移的过程基于隐式渐变元学习的模型迁移策略来实现的，隐式渐变元学习的模型迁移策略：学习传递规则，自动考虑源域与目标域之间的架构和任务的差异，无需手动调整传递配置，元网络会与目标网络一起为每个特征及每对源网络层与目标网络层之间产生相应权重，主要目的是：(1)自动决定源域模型的哪些特征映射对于学习目标域任务是有用的；(2)加快内循环过程。


3.根据权利求2所述的一种改进模型迁移策略的滚动轴...

【专利技术属性】
技术研发人员：王庆岩，吕海岩，王玉静，康守强，谢金宝，梁欣涛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23