基于元迁移学习的复杂工况下的旋转机械故障诊断方法技术

基于元迁移学习的复杂工况下的旋转机械故障诊断方法，采集不同状态下机械设备原始传感器信号，并制作图像数据集；将数据集划分成训练集、验证集；选择深层卷积网络作为预训练模型，在ImageNet上完成训练学习；采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；利用VGG

【技术实现步骤摘要】
基于元迁移学习的复杂工况下的旋转机械故障诊断方法


[0001]本专利技术涉及能制造业
，尤其涉及基于元迁移学习的复杂工况下的旋转机械故障诊断方法。

技术介绍

[0002]在智能制造、工业大数据、工业4.0融合创新的驱动下，现代产业正在经历一场从传统制造业到法智能制造业的新革命。而机械设备作为这场革命中最重要的角色之一，对其的退化和故障做出准确的判断和及时的响应是至关重要的。最近几年，深度学习也掀起了智能故障诊断的浪潮。目前流行的基于深度学习的诊断模型包括深度自动编码器、深度置信网络、递归神经网络和卷积神经网络(CNN)。
[0003]但是目前深度学习的成功依赖于大量故障样本数据来训练模型。但是在故障诊断领域，大量的数据采集和标记数据需要大量的人力，从而导致成本太高；机械设备所处环境(例如有毒，高温和高压)下的数据收集会导致操作人员存在生命风险；设备出现故障所需时间较长，导致故障数据有限且获得周期太长。
[0004]此外，在故障诊断或预测中，基于CNN的大多数方法都需要假设训练数据和测试数据具有相同的数据分布。在实际工业场景中，由于设备的自然磨损、运行条件的变化、环境和人为的干扰等原因，数据分布的差异是不可避免的。因此，当训练集(源域)和测试集(目标域)之间的数据分布不同时，上述大多数模型的性能都会严重下降。
[0005]因此需要研究在数据分布不同和小样本情况下的旋转机械故障诊断方法，以降低深度学习模型对故障样本数据的数量及质量依赖。

技术实现思路

[0006]有鉴于此，本专利技术目的是提供基于元迁移学习的复杂工况下的旋转机械故障诊断方法，包括以下步骤：
[0007]S1、采集不同状态下机械设备原始传感器信号，并制作图像数据集；
[0008]S2、将数据集按照1：1比例划分成训练集、验证集；
[0009]S3、选择深层卷积网络VGG
‑
16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；
[0010]S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；
[0011]S5、利用VGG
‑
16网络参数并采用S4提出的元学习优化方法初始化Meta
‑
TCNN故障诊断模型；
[0012]S6、对Meta
‑
TCNN故障诊断模型参数采用微调策略进行更新；
[0013]S7、使用训练集对Meta
‑
TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；
[0014]S8、用验证集对完成训练的Meta
‑
TCNN模型进行验证，将参数优化完全的模型应用
到故障诊断的任务中。
[0015]本专利技术提供的技术方案带来的有益效果是：(1)采用预训练模型迁移至新的故障诊断模型，大大减少了模型训练时间，同时降低了对样本数据量的需求，提高了故障诊断方法的精度及泛化性能；
[0016](2)在迁移过程中，创新地采用了元学习实现了优化多情况下的参数初始化问题。因此可选择更多更优秀的预训练模型实现迁移而不考虑其与实际诊断问题的相关性。降低了对源域模型选择的限制，使得故障诊断模型可以利用现有的优秀网络实现更好的诊断性能，同时降低了成本。
附图说明
[0017]图1是本专利技术诊断过程流程图；
[0018]图2是本专利技术原始数据拼接法图；
[0019]图3是本专利技术中参数迁移策略示意图；
[0020]图4是预训练模型迁移与从零训练模型准确率对比图；
[0021]图5是预训练模型迁移与从零训练模型训练时间对比图。
具体实施方式
[0022]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0023]请参考图1，本专利技术提供了基于元迁移学习的复杂工况下的旋转机械故障诊断方法，包括以下步骤：
[0024]S1、采集不同状态下机械设备原始传感器信号，使用原始数据拼接法将一维原始信号转换成二维时频分布图像再通过数据扩充得到对应的三通道时频图像，作为本专利技术中故障诊断模型的输入图像数据集；请参考图2，
[0025]通过原始信号叠加的方式得到样本图像，假设序列X为一组振动信号序列，假设需要图片大小为n
×
m，那么就设定宽度等于n，长度等m，那么我们期望转化后的信号形式为：
[0026][0027]其中，a为像素点，处理的过程如下：
[0028]将信号序列分割成步长为n的子序列p＝[l1,l2,...,ln]，将信号进行组合形成新二维矩阵，最后将得到的序列数据归一化即可。
[0029]S2、将数据集按照1：1比例划分成训练集、验证集；
[0030]在本专利技术中，采用的是驱动端振动信号，采样频率为12kHz，轴承有三个故障类型，它们由滚子故障(RF)、外座圈表示故障(OF)和内圈故障(IF)；每种故障类型都有三种不同的损伤大小，损伤大小为0.18，0.36和0.54毫米。因此，一共有十个工况包括9种故障工况和正常工况，实验数据集是在四种工作负载条件下收集的，并且工作负载条件和近似速度如下：
[0031]表1 工作负载条件和近似速度
[0032]工作负载近似速度01797117722175031730
[0033]每种运行状态包含500个训练样本，那么10种不同运行状态对应于5000个训练样本。测试数据的样本数量与训练数据相同，即每种运行状态含有500个测试样本，10类运行状态总共含有5000个测试样本。
[0034]为了验证本专利技术所提出的微调预训练网络的迁移学习故障诊断模型在不同运行环境下的故障诊断性能，将所有的数据划分为以下6种不同的数据子集，分别针对这些数据子集进行模型的训练与验证：
[0035]A.训练数据和测试数据均来自于负载为0hp的运行工况；
[0036]B.训练数据和测试数据均来自于负载为1hp的运行工况；
[0037]C.训练数据和测试数据均来自于负载为2hp的运行工况；
[0038]D.训练数据和测试数据均来自于负载为3hp的运行工况；
[0039]E.训练数据和测试数据均分别来自于负载为0
‑
3hp的运行工况，且每种工况下的样本数量是相同的；
[0040]F.训练数据分别来自于负载为0
‑
2hp的运行工况，而测试数据则来自于负载为3hp的运行工况。
[0041]S3、选择深层卷积网络VGG
‑
16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；
[0042]VGG
‑
16是一个16层的网络结构，隐含层由五个卷积模块和一个全连接模块组成，表2为VGG
‑
16详细参数；
[0043]表2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1、采集不同状态下机械设备原始传感器信号，并制作图像数据集；S2、将数据集按照1：1比例划分成训练集、验证集；S3、选择深层卷积网络VGG
‑
16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；S5、利用VGG
‑
16网络参数并采用S4提出的元学习优化方法初始化Meta
‑
TCNN故障诊断模型；S6、对Meta
‑
TCNN故障诊断模型参数采用微调策略进行更新；S7、使用训练集对Meta
‑
TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；S8、用验证集对完成训练的Meta
‑
TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。2.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，所述S1具体如下：使用原始数据拼接法将一维原始信号转换成二维时频分布图像，再通过数据扩充得到对应的三通道时频图像，得到图像数据集。3.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，S6所述参数微调策略为：锁定Meta
‑
TCNN故障诊断模型的低层三个卷积模块不参与更新，只对高层两个卷积模块以及全连接模块进行参数更新。4.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，优化初始条件的元学习问题是一个双层优化问题，描述为：其中，表示基本任务特定算法在其训练集上的标准损失，表示当从外部优化设置的初始条件开始时，优化后的验证集损失，为元测试域，为元训练域。5.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，S4中所述针对多源域自适应问题的参数初始化优化方法为：(a)在多源域自适应设置中，将可用的源域分成不相交的元训练和元测试域两者都具有标签，DS为源域，为元训练域，为元测试域；(b)让成为无监督的定义域方法，并要求它从元训练领域调整到未
标记的元测试领域，模型损失记为(c)在外环中...

【专利技术属性】
技术研发人员：李忠燚，王雷敏，万雄波，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：