轴承的跨工况条件对抗诊断方法技术

本发明专利技术公开了一种轴承的跨工况条件对抗诊断方法，所述方法中，采集轴承在运行状态下的振动数据，分割所述振动数据生成信号样本，所述样本划分为用于测试的测试集和训练的训练集；构建训练模块，其包括提取信号特征的特征提取器、对轴承故障分类的分类器和区分特征的工况和故障的鉴别器；所述训练模块基于训练集训练，其中，利用BP方法根据损失函数更新所述特征提取参数和分类器参数；固定所述特征提取器参数，利用所述损失函数更新鉴别器参数；固定鉴别器参数，利用对抗损失函数更新特征提取器参数；基于更新后的分类器和特征提取器构建测试模块，输入测试集和/或目标域工况样本到测试模块中以进行故障诊断。到测试模块中以进行故障诊断。到测试模块中以进行故障诊断。

【技术实现步骤摘要】
轴承的跨工况条件对抗诊断方法


[0001]本专利技术属于轴承故障智能诊断
，特别是一种轴承的跨工况条件对抗诊断方法。

技术介绍

[0002]滚动轴承是旋转机械中重要关键零件，而里面的轴承是否安全直接关系到机械能否正常运行。传统的智能诊断依赖于专家提取特征与复杂信号处理，由于高度依赖专家知识，导致传统方法无法大范围运用。
[0003]传统基于深度学习的人工智能故障诊断方法在变工况(训练集转速与载荷与测试集转速或载荷不同)领域依赖新工况领域样本参与训练，实际运行中当新工况产生时需要重新训练，浪费大量的时间和资源。
[0004]西安交通大学基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法中，首先利用振动轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型：然后对稀疏滤波网络进行训练，利用训练后的稀疏滤波网络从振动信号中自动提取故障特征，最后基于提取的故障特征，训练Softmax分类器，对轴承进行故障诊断。该方法依赖专家知识并利用复杂的信号处理方法提取筛选特征，并采用分类器基于提取的特征进行故障分类。由于该方法需要人工提取特征，而特征提取的好坏特别依赖专家的经验与信号处理方法，对于该技术的运用造成了一定的阻碍。
[0005]山东科技大学的一种基于深度对抗迁移网络的轴承故障诊断方法中，首先获取轴承在不同工况下(不同转速、载荷)的振动信号，通过傅里叶变换得到频谱信号，以某一工况下有标签的数据为源域数据，其它工况下无标签的数据为目标域数据；采用两个生成器作为源域与目标域的特征提取网络，Softmax交叉熵作为故障分类器，另外采用判别器做为域判别网络，添加梯度反转层进行域判别训练，提高特征提取网络的性能。深度学习在数据挖掘和特征提取上有巨大的优势，可以解决依赖专家经验的问题，但是工况发生改变时需要采用基于迁移学习的半监督方法结合新工况无标签故障数据进行训练。这种方法有一个致命缺点，当遇到新的工况时，需要重新结合源域工况数据重新训练，以适应新工况。但是这样做会浪费大量时间和资源，同时有些情况下获得新工况故障数据非常困难。
[0006]上述的方法在实际机械运行中，其所采用的方法可靠性和准确率比较低且无法快速适应新工况。尤其在复杂多变工况环境下，需要不断的调整提取特征的方法和不断重新训练模型。这些缺点导致智能诊断方法轴承故障诊断领域运用。
[0007]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0008]针对现有技术中存在的问题，本专利技术提出一种轴承的跨工况条件对抗诊断方法，无需人工提取特征减少对专家知识的依赖，同时克服了传统人工智能半监督变工况训练的
缺点，即需要无标注目标领域数据用于训练，一旦目标领域发生变化就需要重新训练。该方法利用改进条件对抗训练训练方法，训练模型学习领域不变特征，摆脱工况信息对模型的干扰。因此，它可以在目标域中表现良好。
[0009]本专利技术的目的是通过以下技术方案予以实现，一种轴承的跨工况条件对抗诊断方法包括以下步骤：
[0010]第一步骤中，采集滚动轴承在多个不同工况下的振动数据，其中，所述多个工况划分为源域工况和目标域工况；以及，将源域工况下的振动数据分割以生成第一信号样本，所述信号样本按预定比例取出作为用于训练的训练集；并将目标域工况下的振动数据分割以生成第二信号样本后作为测试的测试集样本；
[0011]第二步骤中，构建训练模块，其包括提取信号特征的特征提取器、对轴承故障分类的分类器和区分特征的工况和故障的鉴别器，其中，特征提取器具有特征提取参数，分类器具有分类器参数，鉴别器具有鉴别器参数；
[0012]第三步骤中，基于训练集训练所述训练模块，包括：
[0013]利用BP方法根据损失函数更新所述特征提取参数和分类器参数；
[0014]固定所述特征提取器参数，利用所述损失函数更新鉴别器参数；
[0015]固定鉴别器参数，利用对抗损失函数更新特征提取器参数；
[0016]第四步骤中，基于更新后的分类器和特征提取器构建测试模块，并将测试集样本输入到所述测试模块中进行故障诊断。
[0017]所述的方法中，第一步骤中，分割所述振动数据生成长度为1024个数据点的信号样本，并随机按照预定比例划分用于测试的测试集和训练的训练集，其中，每一个来自测试集和训练集的信号样本经过归一化处理，x
i
是振动数据生成的信号样本，是x
i
的均值，是x
i
的标准差。
[0018]所述的方法中，第二步骤中，所述训练集为已知故障标签和工况信息的源域数据集D
S
，其中，源域数据集D
S
有N个样本、K类和N
sd
个源域工况，n为源域工况序号；是第i个样本，其来自第n个源域工况属于第k类，其标签为对于鉴别器标签其表达式为：K
×
(n
‑
1)+k，对于分类器(C)输出为：
[0019][0020]其中其中是样本属于第j类，鉴别器实际输出为：
[0021][0022]if
[0023]其中其中，代表样本属于第n个域的第k个类的概率，特征提取器要求鉴别器的理想输出为：
[0024][0025]if
[0026]代表鉴别器理想输出状态下样本属于第n个域的第k个类的概率。
[0027]所述的方法中，第三步骤中，以交叉熵为损失函数，利用BP方法根据损失函数更新所述特征提取参数和分类器参数，所述损失函数为交叉熵，其表达式为
[0028]所述的方法中，第三步骤中，固定所述特征提取器参数，利用所述损失函数更新鉴别器参数，所述损失函数表达式为
[0029][0030]所述的方法中，第三步骤中，所述损失函数基于均方误差，其表达式为
[0031]所述的方法中，第三步骤中，对于样本x
i
定义新的变量
[0032][0033]其中
是将进行变换得到的，相对于进行变换得到的，相对于中只包含了故障类别的信息而不包括工况类别的信息，为了实现分辨故障类别，采用交叉熵作为优化函数，其表达式为：
[0034][0035]单个样本其熵正则定义为：其中A是类别数，g
a
是样本为第a类的概率，构建熵正则损失函数为：
[0036]为了实现鉴别器的理想输出，所述损失函数为：
[0037]loss
step3_2
＝loss
cl_cross_entropy
‑
loss
entropy
。
[0038]8.根据权利要求3所述的方法，其中，第三步骤中，类交叉熵损失函数为：
[0039][0040]域的交叉熵为
[0041]其中是条件概率所述损失函数表达式为：
[0042]loss
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承的跨工况条件对抗诊断方法，所述方法包括以下步骤：第一步骤中，采集滚动轴承在多个不同工况下的振动数据，其中，所述多个工况划分为源域工况和目标域工况；以及，将源域工况下的振动数据分割以生成第一信号样本，所述信号样本按预定比例取出作为用于训练的训练集；并将目标域工况下的振动数据分割以生成第二信号样本后作为测试的测试集样本；第二步骤中，构建训练模块，其包括提取信号特征的特征提取器、对轴承故障分类的分类器和区分特征的工况和故障的鉴别器，其中，特征提取器具有特征提取参数，分类器具有分类器参数，鉴别器具有鉴别器参数；第三步骤中，基于训练集训练所述训练模块，包括：利用BP方法根据损失函数更新所述特征提取参数和分类器参数；固定所述特征提取器参数，利用所述损失函数更新鉴别器参数；固定鉴别器参数，利用对抗损失函数更新特征提取器参数；第四步骤中，基于更新后的分类器和特征提取器构建测试模块，并将测试集样本输入到所述测试模块中进行故障诊断。2.根据权利要求1所述的方法，其中，优选的，第一步骤中，分割所述振动数据生成长度为1024个数据点的信号样本，并随机按照预定比例划分用于测试的测试集和训练的训练集，其中，每一个来自测试集和训练集的信号样本经过归一化处理，x
i
是振动数据生成的信号样本，是x
i
的均值，是x
i
的标准差。3.根据权利要求1所述的方法，其中，第二步骤中，所述训练集为已知故障标签和工况信息的源域数据集D
S
，其中，源域数据集D
S
有N个样本、K类和N
sd
个源域工况，n为源域工况序号；是第i个样本，其来自第n个源域工况属于第k类，其标签为对于鉴别器标签其表达式为：K
×
(n
‑
1)+k，对于分类器(C)输出为：其中其中是样本属于第...

【专利技术属性】
技术研发人员：张兴武，张启旸，刘一龙，孙闯，李明，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：