基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统技术方案

本发明专利技术提出了基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统，所述方法包括如下步骤：获取滚动轴承的源域训练样本集、目标域训练样本集和目标域测试样本集；构建第一一维多尺度卷积迁移模型；根据所述源域训练样本集，基于BP算法，对第一一维多尺度卷积迁移模型进行训练，获得第二一维多尺度卷积迁移模型；根据所述的第二一维多尺度卷积迁移模型，构建第三一维多尺度卷积迁移模型；根据所述目标域训练样本集，基于BP算法，对第三一维多尺度卷积迁移模型进行微调，获得第四一维多尺度卷积迁移模型；根据所述第四一维多尺度卷积迁移模型，采用目标域测试样本集对滚动轴承进行故障诊断。

【技术实现步骤摘要】
基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统
本专利技术属于旋转机械
，涉及一种滚动轴承状态监测方法与系统，具体涉及基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统。
技术介绍
作为现代机械装备的主要类型，旋转机械装备因其独特的优势在工业设备中占据重要地位，而滚动轴承作为保障旋转机械装备完成规定功能的重要零部件之一，其性能状态的优劣直接影响着旋转机械装备的稳定性和可靠性。然而，在实际运行工况下，滚动轴承往往因多种因素的影响而呈现出性能衰退及故障的产生，常见的影响因素包括运行条件、振动、温度等。随着滚动轴承故障的发生，往往会导致旋转机械针对相关任务的胜任力丧失，并会造成一定的经济损失乃至人员伤亡。因此，针对滚动轴承在服役过程中的故障诊断极为必要，其进一步地为滚动轴承的维修与保养工作提供必要的决策依据。滚动轴承的故障诊断主要是通过对滚动轴承运行时产生的一些动态信号进行分析处理，如温度、振动、压力等，进而获得表征滚动轴承健康状态的特征，从而实现故障的诊断。一般的，滚动轴承的故障诊断可以分为传统故障诊断和智能故障诊断两大类。针对传本文档来自技高网...

【技术保护点】
1.一种基于多尺度卷积迁移模型的滚动轴承故障诊断方法，其特征在于，包括如下步骤：/n（1）获取滚动轴承的源域训练样本集、目标域训练样本集和目标域测试样本集；/n（2）构建第一一维多尺度卷积迁移模型；/n（3）根据所述源域训练样本集，基于BP算法，对第一一维多尺度卷积迁移模型进行训练，获得第二一维多尺度卷积迁移模型；/n（4）根据所述的第二一维多尺度卷积迁移模型，构建第三一维多尺度卷积迁移模型；/n（5）根据所述目标域训练样本集，基于BP算法，对第三一维多尺度卷积迁移模型进行微调，获得第四一维多尺度卷积迁移模型；/n（6）根据所述第四一维多尺度卷积迁移模型，采用目标域测试样本集对滚动轴承进行故障...

【技术特征摘要】
1.一种基于多尺度卷积迁移模型的滚动轴承故障诊断方法，其特征在于，包括如下步骤：
（1）获取滚动轴承的源域训练样本集、目标域训练样本集和目标域测试样本集；
（2）构建第一一维多尺度卷积迁移模型；
（3）根据所述源域训练样本集，基于BP算法，对第一一维多尺度卷积迁移模型进行训练，获得第二一维多尺度卷积迁移模型；
（4）根据所述的第二一维多尺度卷积迁移模型，构建第三一维多尺度卷积迁移模型；
（5）根据所述目标域训练样本集，基于BP算法，对第三一维多尺度卷积迁移模型进行微调，获得第四一维多尺度卷积迁移模型；
（6）根据所述第四一维多尺度卷积迁移模型，采用目标域测试样本集对滚动轴承进行故障诊断。


2.根据权利要求1所述的一种基于多尺度卷积迁移模型的滚动轴承故障诊断方法，其特征在于，所述获取滚动轴承的源域训练样本集、目标域训练样本集和目标域测试样本集，其具体包括：
（2a）根据第一加速度传感器获取源域中的滚动轴承在C1个健康状态下的第一时域振动信号；
（2b）根据所述源域中的滚动轴承在C1个健康状态下的第一时域振动信号，通过在每种健康状态下获取至少200个样本，共同构成源域训练样本集；
（2c）根据第二加速度传感器获取目标域中的滚动轴承在C2个健康状态下的第二时域振动信号；
（2d）根据所述目标域中的滚动轴承在C2个健康状态下的第二时域振动信号，通过在每种健康状态下获取至少50个样本，共同构成目标域训练样本集，其余样本构成目标域测试样本集；
所述源域训练样本集、目标域训练样本集和目标域测试样本集的维度均为400；
所述源域和目标域是指不同的工作条件或不同的机械装备，且所述C2小于或等于C1；
所述源域训练样本集包括源域训练样本和期望的健康状态标签；
所述目标域训练样本集包括目标域训练样本和期望的健康状态标签。


3.根据权利要求1所述的一种基于多尺度卷积迁移模型的滚动轴承故障诊断方法，其特征在于，所述第一一维多尺度卷积迁移模型包括是样本输入层、第一卷积层、第一池化层、多尺度模块层、第二卷积层、第二池化层、第三卷积层、全局均值池化层、Softmax层；
所述第一卷积层用于对所述样本输入层中的样本数据进行卷积操作，获得第一卷积特征，其中所述第一卷积层采用范围为较大的卷积核实现对所述样本输入层中的样本数据的噪声抑制；
所述第一池化层用于对所述第一卷积层得到的第一卷积特征进行最大值池化操作，获得第一池化特征；
所述多尺度模块层中包含第一尺度层、第二尺度层和第三尺度层，所述第一尺度层、第二尺度层和第三尺度层之间为并列关系，所述第一尺度层、第二尺度层和第三尺度层均根据膨胀卷积网络构建，其膨胀率分别为2、3和4；
所述第一尺度层、第二尺度层和第三尺度层分别用于对所述第一池化特征进行卷积操作，获得第一尺度特征、第二尺度特征和第三尺度特征，所述第一尺度特征、第二尺度特征和第三尺度特征按照通道方向进行合并，获得多尺度模块输出特征；
所述第二卷积层用于对所述多尺度模块层得到的多尺度模块输出特征进行卷积操作，获得第二卷积特征；
所述第二池化层用于对所述第二卷积层得到的第二卷积特征进行最大值池化操作，获得第二池化特征；
所述第三卷积层用于对所述第二池化层得到的第二池化特征进行卷积操作，获得第三卷积特征，其中所述第三卷积层中的通道数量等于所述滚动轴承的健康状态的种类数；
所述全局均值池化层用于对所述第三卷积层得到的第三卷积特征进行全局均值池化操作，获得全局均值池化输出；
所述Softmax层用于对全局均值池化输出进行概率转换；
根据批量正则化（BatchNormalization算法）对第一一维多尺度卷积迁移模型中第一卷积层、第二卷积层、第三卷积层的输出进行批量归一化。


4.根据权利要求1所述的一种基于多尺度卷积迁移模型的滚动轴承故障诊断方法，其特征在于，所述根据所述源域训练样本集，基于BP算法，对第一一维多尺度卷积迁移模型进行训练，获得第二一维多尺度卷积迁移模型，包括以下步骤：
（4a）随机的从所述源域训练样本集中选取预先设定批量大小个数的样本，构成源域批量样本集；
（4b）将所述源域批量样本集的训练样本输入到第一一维多尺度卷积迁移模型中，得到训练样本的实际输出；
（4c）根据所述实际输出和期望的健康状态标签获取偏差，所述偏差由交叉损失函数度量；
（4d）根据随机梯度下降法对所述第一一维多尺度卷积迁移模型的参数进行更新；
（4e）当所述偏差小于阈值或更新次数达到预先的设定值，停止训练，获得第二一维多尺度卷积迁移模型。


5.根据权利要求1所述的一种基于多尺度卷积迁移...

【专利技术属性】
技术研发人员：张宪民，赵博，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44