【技术实现步骤摘要】
变工况下动态联合分布对齐网络的轴承故障诊断方法
本专利技术涉及机械故障诊断和计算机人工智能领域，具体涉及一种变工况下动态联合分布对齐网络的轴承故障诊断方法。
技术介绍
近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。滚动轴承作为旋转机械的关键部件之一，其健康状态直接影响着整个旋转机械的稳定性。但同时滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下，容易发生磨损、裂纹、断裂等故障，严重危害整个旋转系统的安全运行。因此研究滚动轴承的状态信息和相应的故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。大量研究表明轴承振动数据是进行故障诊断的有效依据，传统的故障诊断方法有基于振动信号提取故障特征频率、短时傅...
【技术保护点】
1.一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，包括以下步骤：/nS1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；/n其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；/nS2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；/nS3、将源域样本和目标域样本同时送入参数初始化的深度...
【技术特征摘要】
1.一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，包括以下步骤：
S1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；
其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；
S2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；
S3、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；
所述分类器对所述高层次特征进行处理，生成源域样本的预测标签和目标域样本的软伪标签，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失；
运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离；
S4、根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；
S5、利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型，获得优化后的深度卷积神经网络模型；
S6、将目标域样本输入优化后的深度卷积神经网络模型，获得目标域的预测标签；将所述目标域的预测标签与所述目标域的真实标签进行对比，获得诊断精度。
2.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S1包括：
建立不同工作负载的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，其中，数据集为源域或目标域；
以连续N个采样点为一个样本长度切割样本制作数据集，获得源域样本和目标域样本；
其中，源域样本表示C种不同标签的样本组成的源域，表示源域中第i个样本，表示源域中第i个样本的标签，ns为源域样本总数；
目标域样本表示目标域中第j个样本，nt为目标域中所有的样本数；源域的数据在概率分布Ps下采集，目标域的数据在概率分布Pt下采集，Ps≠Pt；源域和目标域的数据服从不同的分布。
3.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2包括：
修改深度卷积神经网络模型的ResNet-50的结构，修改最后一层完全连接层输出的神经元数量等于标签总数。
...
【专利技术属性】
技术研发人员：刘双劼，王旭，沈长青，王冬，冯毅雄，申永军，陈再刚，张爱文，江星星，石娟娟，黄伟国，王俊，杜贵府，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。