一种滚动轴承诊断知识的跨设备可迁移性度量方法技术

一种滚动轴承诊断知识的跨设备可迁移性度量方法，先获取源轴承与目标轴承的振动信号，利用含健康标签的源轴承振动信号训练领域共享深度残差网络，提取源轴承与目标轴承振动信号的故障特征；再利用目标轴承振动信号的故障特征拟合高斯混合模型，生成样本故障特征的健康簇标签；然后利用少量含健康标签的目标轴承振动信号求解健康簇标签

【技术实现步骤摘要】
一种滚动轴承诊断知识的跨设备可迁移性度量方法


[0001]本专利技术属于滚动轴承故障诊断
，具体涉及一种滚动轴承诊断知识的跨设备可迁移性度量方法。

技术介绍

[0002]滚动轴承是机械设备的核心零部件之一，其健康状态直接关系到设备能否安全、高效且可靠地运行，因此滚动轴承的故障诊断至关重要。故障智能诊断通过先进的机器学习技术建立了滚动轴承监测数据与健康状态之间的映射关系，实现了故障的自动识别，成为滚动轴承安全运行保障的重要手段。近年来，随着迁移学习理论与方法的兴起与蓬勃发展，逐渐形成了滚动轴承故障迁移智能诊断技术，它通过建立迁移诊断模型，从源设备滚动轴承(源轴承)的监测数据中自适应学习诊断知识，并将其应用于相关的目标设备滚动轴承(目标轴承)的故障识别，降低了传统智能诊断方法对健康标签监测数据的依赖，在一定程度上推动了滚动轴承故障智能诊断技术在工程实际中的应用。然而，由于缺乏有效的滚动轴承诊断知识跨设备可迁移性的度量方法，导致现有的迁移智能诊断技术实施存在盲目性，限制了迁移智能诊断技术的实际应用。
[0003]滚动轴承诊断知识可迁移性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承诊断知识的跨设备可迁移性度量方法，其特征在于，包括以下步骤：步骤1：获取源轴承R种健康状态时的振动信号样本集其中，为源轴承的第m个振动信号样本，由N个振动数据点组成，其健康标签为M
s
为源轴承振动信号样本总数，上标/下标s代表源轴承；获取目标轴承的无健康标签振动信号样本集其中，为目标轴承的第n个无健康标签振动信号样本，由N个振动数据点组成，M
t
为目标轴承的无健康标签振动信号样本总数，上标/下标t代表目标轴承；获取目标轴承的含健康标签振动信号样本集其中，为目标轴承的第n'个含健康标签振动信号样本，由N个振动数据点组成，M
′
t
为目标轴承的含健康标签振动信号样本总数，且M
′
t
＜＜M
t
；步骤2：构建领域共享深度残差网络，网络的待训练参数为θ
ResNet
，并最小化如下目标函数更新待训练参数θ
ResNet
，即：式中，为领域共享深度残差网络F3层预测的源轴承第m个振动信号样本的健康状态概率分布，上标F3代表领域共享深度残差网络的输出层F3层；步骤3：利用步骤2中训练完成的领域共享深度残差网络同时从源轴承与目标轴承的振动信号样本集中提取故障特征动信号样本集中提取故障特征其中，为源轴承第m个振动信号样本的故障特征，为目标轴承第n个无健康标签振动信号样本的故障特征，为目标轴承第n'个含健康标签振动信号样本的故障特征，上标F2代表领域共享的深度残差网络的F2层；步骤4：将无健康标签与含健康标签的目标轴承振动信号样本的故障特征和合并为目标轴承振动信号样本的故障特征集并拟合高斯混合模型：其中，Φ＝{α
k
,μ
k
,σ
k
|k＝1,2,
…
K}为高斯混合模型的待拟合参数，K为组成高斯混合模型的高斯分量个数，α
k
为第k个高斯分量的权重，μ
k
为第k个高斯分量的期望，σ
k
为第k个高斯分量的协方差；通过赤池信息量最小准则确定K，通过期望极大算法拟合参数Φ；步骤5：利用步骤4拟合完成的高斯混合模型为无健康标签与含健...

【专利技术属性】
技术研发人员：雷亚国，杨彬，李熹伟，李乃鹏，武通海，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：