一种主轴轴承状态评估方法、系统、设备及可读存储介质技术方案

本发明专利技术公开了一种主轴轴承状态评估方法、系统、设备及可读存储介质，通过将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号；将振动信号通过小波变换得到二维时频谱，根据源域与目标域制成训练集与测试集；构建对抗迁移网络，利用训练集数据训练所述深度网络，得到训练完成的主轴轴承状态分类模型，利用主轴轴承状态分类模型对待测轴承信号进行健康状态评估；利用分支网络和域分类网络充分提取了源域与目标域振动数据的共有特征，能够得到表示轴承状态的更具有代表性的固有特征，且在训练时采用标签平滑正则化的方法，进一步的增强了网络模型的鲁棒性及泛化能力，提升对变工况主轴轴承状态的评估能力。升对变工况主轴轴承状态的评估能力。升对变工况主轴轴承状态的评估能力。

【技术实现步骤摘要】
一种主轴轴承状态评估方法、系统、设备及可读存储介质


[0001]本专利技术属于主轴轴承状态评估领域，具体涉及一种主轴轴承状态评估方 法、系统、设备及可读存储介质。

技术介绍

[0002]主轴轴承作为数控机床的关键零部件，其性能对于机床的加工精度及寿 命具有重要的影响。据统计，主轴系统中约有40％的故障是由于轴承引起。 主轴轴承一旦发生故障，如果不能及时地检测到，不仅会影响正常地生产周 期，而且可能会引发重大的机械事故。因此对主轴轴承的健康状态进行检测 以及评估很有必要。
[0003]传统的轴承状态评估诊断方法通常是通过人工提取信号中的数学统计特 征设定阈值来评估轴承的状态，通过对时域统计参数、频域统计参数以及无 量纲参数等进行组合实现滚动轴承的故障检测与状态评估。然而，提取出与 轴承状态相关的特征需要丰富的信号处理理论作为支撑，特征的筛选优化以 及评估指标的设定也需要大量的先验知识。此外，在实际的工业应用中，复 杂的环境和不断变化的加工条件会导致其状态评估效果较差。随着人工智能 技术的发展，由于其出色的特征提取能力以及非线性拟合能力，越来越多的 研究者开始关注人工智能技术在轴承状态评估方面的应用。人工智能方法不 需要复杂的信号处理理论，特征学习更加智能，模型也更简单。然而，这些 方法大都要求训练数据与测试数据的分布一致，且都需要大量的故障数据作 为训练集对网络进行训练，但在实际生产环境下，由于工况的复杂多变，机 器的状态信息数据往往分布是不一致的，并且故障数据远远少于正常数据， 难以满足训练的需要，进而影响对轴承状态评估的准确度和精度。
[0004]迁移学习理论为解决这些问题带来了新的途径。在图像识别领域，迁移 学习主要用来解决同分布训练集稀少的问题。其主要功能是将在某领域学习 的知识应用到不同但相关的其他领域中。迁移学习降低了传统机器学习对训 练数据量的要求，也放宽了训练数据与测试数据需要服从同分布且相互独立 的假设。为此，本申请提出一种基于对抗迁移学习的主轴轴承状态评估方法， 以期实现将迁移学习理论与深度学习模型进行有效结合，提高主轴轴承状态 评估模型的泛化能力，解决变工况下主轴轴承健康状态评估问题。

技术实现思路

[0005]本专利技术的目的在于提供一种主轴轴承状态评估方法、系统、设备及可读 存储介质，以克服现有技术的不足。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种主轴轴承状态评估方法，包括以下步骤：
[0008]S1，将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号， 将子样本信号中未知故障类型数据划分为目标域数据，将子样本信号中已知 故障类型数据划分为源域数据；
[0009]S2，将源域数据和目标域数据采用小波变换方法得到低频时频谱信号， 并对低频时频谱信号进行归一化处理得到归一化处理后的子样本数据，对归 一化处理后的子样本数据中的源域数据以one
‑
hot编码形式添加相应的健康 状态标记，将归一化处理后的子样本数据中的目标域数据以及标记后的源域 数据划分为训练集；
[0010]S3，从训练集中提取源域数据和目标域数据的特征进行预训练主轴轴承 状态评估模型的训练，利用训练后的主轴轴承状态评估模型实现变工况下主 轴轴承的状态评估。
[0011]进一步的，原始信号数据包括多种工况下不同状态主轴轴承的振动信号， 采集原始信号数据时，采样频率40kHz以上。
[0012]进一步的，S2
‑
1，采用移动时窗对原始振动信号数据进行分割，得到子 样本信号u；
[0013]S2
‑
2，对所得子样本信号u应用小波变换获得时频谱图，并过滤高频成 分，获得低频时频谱信号U；
[0014]S2
‑
3，对所得低频时频谱信号U进行归一化处理：
[0015][0016]式中：为低频时频谱信号的均值，s为低频时频谱信号的标准差，为 归一化处理后的子样本信号；
[0017]S2
‑
4，对归一化处理后的源域子样本信号根据其对应的主轴轴承的 状态，以one
‑
hot编码的形式添加类别标签y；
[0018]S2
‑
5，采用标签平滑正则化方法更新添加的所有子样本信号的类别标 签y，得到更新后的类别标签
[0019][0020]式中：是平滑因子，q是人为引入的一个固定分布，目的是为概率分布 引入固定分布的噪声；
[0021]S2
‑
6，根据实际工况划分训练集T
train
与测试集T
test
，其中训练集T
train
中源 域样本数据与目标域样本数据的比例为4:1。
[0022]进一步的，给源域子样本信号添加一个n维的类别标签向量y，n为主 轴轴承健康状态种类数，并将该样本信号健康状态对应的标签向量第i位置 为1，其余位全部置为0。
[0023]进一步的，采用深度残差网络作为特征提取器F提取源域数据和目标域 数据的特征；利用分层解码器DE对每层网络提取的特征进行重构；采用特 征分离网络G分离源域本数据与目标域样本数据的私有特征和共有特征；采 用域分类器D判别样本来自源域还是目标域，并构建梯度反转层实现对抗学 习，并使用源域样本特征对标签预测器C进行训练。
[0024]进一步的，采用深度残差网络压缩输入数据的特征：
[0025][0026]式中：H
i
为第i层输出特征，X为输入样本数据，为第i层权重矩阵，为第i层偏置向量，为第i层恒等映射矩阵，*表示卷积操作，F(
·
)为激 活函数；
[0027]解码器将每个残差块得到的特征矩阵重构成与输入数据相同维度的矩阵：
[0028][0029]式中：X
i
′
为第i层重构得到的特征矩阵，为第i层解码操作的权重矩 阵，为第i层重构的偏置向量；
[0030]重构过程的损失函数为：
[0031]L
recon
＝∑L
si_mse
(X
s
,X
′
s
)+∑L
si_mse
(X
t
,X
′
t
)
[0032][0033]式中：X
s
为源域样本特征矩阵，X
′
s
为重构后的源域样本特征矩阵，X
t
目 标域样本特征矩阵，X
′
t
重构后的目标域样本特征矩阵，a
ij
、b
ij
为矩阵A、B 的元素，m、n为矩阵的行数和列数
[0034]通过全连接层将输出信号转变为特征向量：
[0035]h＝W
f
x
f
[0036]式中，h为全连接层的输出的特征向量，W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主轴轴承状态评估方法，其特征在于，包括以下步骤：S1，将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号，将子样本信号中未知故障类型数据划分为目标域数据，将子样本信号中已知故障类型数据划分为源域数据；S2，将源域数据和目标域数据采用小波变换方法得到低频时频谱信号，并对低频时频谱信号进行归一化处理得到归一化处理后的子样本数据，对归一化处理后的子样本数据中的源域数据以one
‑
hot编码形式添加相应的健康状态标记，将归一化处理后的子样本数据中的目标域数据以及标记后的源域数据划分为训练集；S3，从训练集中提取源域数据和目标域数据的特征进行预训练主轴轴承状态评估模型的训练，利用训练后的主轴轴承状态评估模型实现变工况下主轴轴承的状态评估。2.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，原始信号数据包括多种工况下不同状态主轴轴承的振动信号，采集原始信号数据时，采样频率40kHz以上。3.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，S2
‑
1，采用移动时窗对原始振动信号数据进行分割，得到子样本信号u；S2
‑
2，对所得子样本信号u应用小波变换获得时频谱图，并过滤高频成分，获得低频时频谱信号U；S2
‑
3，对所得低频时频谱信号U进行归一化处理：式中：为低频时频谱信号的均值，s为低频时频谱信号的标准差，为归一化处理后的子样本信号；S2
‑
4，对归一化处理后的源域子样本信号根据其对应的主轴轴承的状态，以one
‑
hot编码的形式添加类别标签y；S2
‑
5，采用标签平滑正则化方法更新添加的所有子样本信号的类别标签y，得到更新后的类别标签后的类别标签式中：是平滑因子，q是人为引入的一个固定分布，目的是为概率分布引入固定分布的噪声；S2
‑
6，根据实际工况划分训练集T
train
与测试集T
test
，其中训练集T
train
中源域样本数据与目标域样本数据的比例为4:1。4.根据权利要求3所述的一种主轴轴承状态评估方法，其特征在于，给源域子样本信号添加一个n维的类别标签向量y，n为主轴轴承健康状态种类数，并将该样本信号健康状态对应的标签向量第i位置为1，其余位全部置为0。5.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，采用深度残差网络作为特征提取器F提取源域数据和目标域数据的特征；利用分层解码器DE对每层网络提取的特征进行重构；采用特征分离网络G分离源域本数据与目标域样本数据的私有特征和共有特征；采用域分类器D判别样本来自源域还是目标域，并构建梯度反转层实现对抗学习，
并使用源域样本特征对标签预测器C进行训练。6.根据权利要求5所述的一种主轴轴承状态评估方法，其特征在于，采用深度残差网络压缩输入数据的特征：式中：H
i
为第i层输出特征，X为输入样本数据，W
ic
为第i层权重矩阵，为第i层偏置向量，W
il
为第i层恒等...

【专利技术属性】
技术研发人员：李小虎，刘金雨，万少可，张锦玉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：