【技术实现步骤摘要】
轴承故障智能诊断方法、诊断系统、计算机设备及介质
本专利技术属于故障诊断
，尤其涉及一种轴承故障智能诊断方法、诊断系统、计算机设备及介质。
技术介绍
目前，轴承是旋转机械、电机等设备的关键部件之一，在工作过程中承担应力、传递载荷、大多处于高转速、重负载、长期连续运行的工况中，广泛应用于各行中。对轴承的智能诊断研究关系到机械设备的使用于寿命具有重要的意义。近年来，许多研究者成功研究出来了许多智能轴承故障诊断方法。尤其是，基于深度学习的轴承故诊断方法并不需要很多先验专业知识，就能够快速有效地分析机械监测信号和精准对轴承进行故障诊断。然而，训练一个高性能的智能故障诊断模型往往需要满足以下两个条件：1)具有标签的故障数据；2)训练和测试数据满足相同的概率分布。事实上，许多文献中证明了机器智能故障诊断的成功取决于这两个条件。但是，在实际工业中，标记的故障数据很难获取到。因为意外故障通常会导致机器故障甚至灾难性事故，因此可能不允许机器发生故障。在这种情况下，无法获得故障数据。其次，机器通常要经历从健康状态到故障的漫...
【技术保护点】
1.一种基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述基于残差深度子域自适应网络的轴承故障智能诊断方法包括：/n选取一个带标签的源域与多个无标签的目标域数据，将一个源域数据和多个目标域数据分别转化为灰度图；/n将源域数据和多个目标域数据利用残差网络特征提取器提取出相应的高维特征张量；/n自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差；/n通过共享分类器对带有标签的源域数据进行预测，利用交叉熵损失函数测量预测值与真实值之间误差；/n将得到的局部最大均值差异误差以及得到的预测值与真实值之间的误差作为残差深度子域自适...
【技术特征摘要】
1.一种基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述基于残差深度子域自适应网络的轴承故障智能诊断方法包括：
选取一个带标签的源域与多个无标签的目标域数据，将一个源域数据和多个目标域数据分别转化为灰度图；
将源域数据和多个目标域数据利用残差网络特征提取器提取出相应的高维特征张量；
自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差；
通过共享分类器对带有标签的源域数据进行预测，利用交叉熵损失函数测量预测值与真实值之间误差；
将得到的局部最大均值差异误差以及得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络；
利用训练好的残差深度子域自适应故障诊断网络基于待测试的多个目标域数据进行轴承故障诊断。
2.如权利要求1所述基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述选取源域与目标域数据包括：
在机械轴承多工况下随机选取一种带有故障标签的工况进行一维振动数据采集，并将采集的振动数据分为源域；
采集剩余工况的振动数据，并将采集的剩余工况的振动数据分为目标域，；所述目标域数据为无故障标签数据，以及目标域是多个且每个目标域的数据分布不相同。
3.如权利要求1所述基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述于自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差包括：
于自适应层采用全连接将Resent34特征提取器提取的大小为1×512张量的高维特征缩小为具有代表性1×512张量的特征，采用LMMD自适应方法将源域的特征与目标的域特征映射到共同的特征子空间；计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差。
4.如权利要求3所述基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述局部最大均值差异的误差εd计算公式如下：
其中，k表示目标域的数目，γ表示值为0.3的系数，表示无偏估计算；表示源域的高维特征，表示第k个目标域的高维特征，Yis表示源域的实标记，表示第k个目标域的分类器输出；
α表示为：
其中，e表示模型训练的当前迭代次数；es表示模型训练的总迭代次数。
5.如权利要求1所述基于残差深度子域自适应网络的轴承故障智能诊断方法，其特征在于，所述将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应网络的优化对象训练残差深度子域自适应故障诊断网络...
【专利技术属性】
技术研发人员：吴军，陈作懿，邓超，程一伟，邵新宇，张道德，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42
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。