不平衡样本多任务自优化的滚动轴承故障迁移诊断方法技术

不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，首先利用源滚动轴承振动信号对用深度稠密卷积神经网络建立的基础分类器进行预训练，将特征提取模块参数结合随机初始化的重构健康状态识别模块参数构建多任务学习器；从健康状态已知的目标滚动轴承振动信号随机挑选构成更新数据集，并从中随机挑选构成任务组合，对多任务学习器参数进行更新；利用健康状态已知的目标滚动轴承振动信号中未输入多任务学习器的样本建立微调数据集，微调诊断模型；以健康状态未知的目标滚动轴承振动信号样本为输入，利用诊断模型输出诊断结果，实现滚动轴承健康状态的智能识别；本发明专利技术提高了监测数据不平衡约束下滚动轴承故障的迁移诊断精度。精度。精度。

【技术实现步骤摘要】
不平衡样本多任务自优化的滚动轴承故障迁移诊断方法


[0001]本专利技术属于滚动轴承故障诊断
，具体涉及一种不平衡样本多任务自优化的滚动轴承故障迁移诊断方法。

技术介绍

[0002]滚动轴承以其效率高、摩擦小、装配方便等优点，在各类旋转机械装备中得到了广泛应用，然而滚动轴承在高转速、大负荷的恶劣条件下工作时，易发生故障，影响机械装备的整体性能，造成严重的经济损失甚至灾难性事故，因此亟需研究滚动轴承故障诊断技术。智能故障诊断依靠先进的机器学习方法，能够实现滚动轴承健康状态的自动高效识别，已成为保障滚动轴承安全平稳运行的重要手段。然而工程实际中获取的数据往往是大量健康状态未知的样本，这些健康状态未知的样本无法有效地训练诊断模型，限制了智能故障诊断的工程应用。迁移学习可从源滚动轴承故障信息中提取知识经验，并将其应用于目标滚动轴承的故障诊断中，弱化了诊断模型对充足健康状态已知的工程数据的依赖。
[0003]工程实际中，目标滚动轴承在全寿命服役周期内长时间工作于正常状态，获取的故障状态监测数据远远少于正常状态监测数据，这将造成目标滚动轴承监测数据严重不平衡。现有的大多数滚动轴承故障迁移诊断技术将各类健康状态样本同等看待，并以提高整体的分类准确率作为目标，然而在严重不平衡的目标滚动轴承监测数据下，多数类健康状态样本将主导诊断模型的分类准确率，使得模型难以从少数类健康状态的样本中充分学习诊断知识，导致多数类健康状态样本的诊断精度高而少数类健康状态样本的诊断精度很低，难以在实际应用中实现对滚动轴承故障的有效准确识别。<br/>
技术实现思路

[0004]为了克服上述现有技术存在的缺陷，本专利技术的目的在于提出一种不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，提高监测数据不平衡下的滚动轴承故障迁移诊断精度，推动智能故障诊断技术的实际应用。
[0005]为达到上述目的，本专利技术采取的技术方案为：
[0006]不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，包括以下步骤：
[0007]步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的振动信号样本，由N个振动数据点组成，其样本标签为M
s
为源滚动轴承振动信号样本总数，上标/下标s表示源滚动轴承；获取目标滚动轴承的振动信号样本集其中，健康状态已知的目标滚动轴承振动信号样本集为健康状态未知的目标滚动轴承振动信号样本集为健康状态未知的目标滚动轴承振动信号样本集为为
第n个目标滚动轴承的振动信号样本，为第u个健康状态已知的目标滚动轴承振动信号样本，其样本标签为动信号样本，其样本标签为为第v个健康状态未知的目标滚动轴承振动信号样本，每个样本由N个振动数据点组成，M
t
为目标滚动轴承振动信号样本总数，U
t
为健康状态已知的目标滚动轴承振动信号样本总数，V
t
为健康状态未知的目标滚动轴承振动信号样本总数，且存在关系M
t
＝U
t
+V
t
，上标/下标t代表目标滚动轴承；
[0008]步骤2：构建深度稠密卷积神经网络，作为基础分类器，利用源滚动轴承振动信号样本集对基础分类器进行预训练，待训练参数为特征提取模块参数φ和健康状态识别模块参数训练过程即最小化如下目标函数，并对基础分类器的待训练参数φ，进行更新：
[0009][0010]式中，为样本被预测为第r种健康状态的概率；I(
·
)为指示函数；
[0011]步骤3：应用步骤2中完成预训练的特征提取模块参数φ结合全新随机初始化的重构健康状态识别模块参数构建多任务学习器F
meta
；
[0012]步骤4：从健康状态已知的目标滚动轴承振动信号样本集中随机挑选出样本数据组成更新数据集用更新数据集中的样本组成不同的学习任务组合T，从任务组合T中选取j个组成梯度更新任务组合每个任务T
i
由支持集和查询集组成，其中为任务T
i
下第p个支持集样本，其样本标签为P为任务T
i
下的支持集样本总数，为任务T
i
下第q个查询集样本，其样本标签为Q为任务T
i
下的查询集样本总数；
[0013]步骤5：利用步骤4构造的梯度更新任务组合中每个任务T
i
的支持集样本一次训练更新多任务学习器F
meta
的参数，分别得到每个任务T
i
下多任务学习器F
meta
的一次更新参数：
[0014][0015]式中，为任务T
i
的支持集下的损失函数；
φ
i
'，分别为在每个任务T
i
的支持集下一次更新后的特征提取模块参数和健康状态识别模块参数；β为一次更新的学习率；
[0016]步骤6：分别计算每个任务T
i
的查询集在相应一次更新参数后模型的损失函数并求和，得到多任务学习器目标函数L
meta
：
[0017][0018]利用得到的多任务学习器目标函数L
meta
二次更新多任务学习器F
meta
的参数，得到多任务学习器F
meta
更新的健康状态识别模块参数：
[0019][0020]式中，为更新的健康状态识别模块参数；γ为二次更新的学习率；
[0021]步骤7：利用健康状态已知的目标滚动轴承振动信号样本集中未输入多任务学习器F
meta
的数据组成微调数据集用微调数据集中的样本对多任务学习器的参数进行微调：
[0022][0023]式中，为微调数据集下的损失函数；λ为微调模型时的学习率；φ
Final
、为最终滚动轴承故障迁移诊断模型的特征提取模块参数和健康状态识别模块参数；
[0024]步骤8：将第v个健康状态未知的目标滚动轴承振动信号样本输入训练好的最终滚动轴承故障迁移诊断模型中，取输出的目标滚动轴承振动样本健康状态概率分布中最大概率值所对应的健康标记作为第v个健康状态未知的目标滚动轴承振动信号样本的健康状态。
[0025]本专利技术的有益效果为：本专利技术提出了一种监测数据不平衡下多任务自优化的滚动轴承故障迁移诊断方法，该方法克服了实际应用中监测数据不平衡因素对现有滚动轴承故障迁移诊断技术的限制，提高了监测数据不平衡约束下滚动轴承故障的迁移诊断精度和性能。
附图说明
[0026]图1为本专利技术的流程图。
[0027]图2为本专利技术基础分类器的结构示意图。
[0028]图3为本专利技术多任务学习器的参数更新过程示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术进一步详细描述。
[0030]如图1所示，不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，包括以下步骤：
[0031]步骤1：获取源滚动轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，其特征在于，包括以下步骤：步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的振动信号样本，由N个振动数据点组成，其样本标签为M
s
为源滚动轴承振动信号样本总数，上标/下标s表示源滚动轴承；获取目标滚动轴承的振动信号样本集其中，健康状态已知的目标滚动轴承振动信号样本集为健康状态未知的目标滚动轴承振动信号样本集为健康状态未知的目标滚动轴承振动信号样本集为为第n个目标滚动轴承的振动信号样本，为第u个健康状态已知的目标滚动轴承振动信号样本，其样本标签为为第v个健康状态未知的目标滚动轴承振动信号样本，每个样本由N个振动数据点组成，M
t
为目标滚动轴承振动信号样本总数，U
t
为健康状态已知的目标滚动轴承振动信号样本总数，V
t
为健康状态未知的目标滚动轴承振动信号样本总数，且存在关系M
t
＝U
t
+V
t
，上标/下标t代表目标滚动轴承；步骤2：构建深度稠密卷积神经网络，作为基础分类器，利用源滚动轴承振动信号样本集对基础分类器进行预训练，待训练参数为特征提取模块参数φ和健康状态识别模块参数训练过程即最小化如下目标函数，并对基础分类器的待训练参数φ，进行更新：式中，为样本被预测为第r种健康状态的概率；I(
·
)为指示函数；步骤3：应用步骤2中完成预训练的特征提取模块参数φ结合全新随机初始化的重构健康状态识别模块参数构建多任务学习器F
meta
；步骤4：从健康状态已知的目标滚动轴承振动信号样本集中随机挑选出样本数据组成更新数据集用更新数据集中的样本组成不同的学习任务组合T，从任务组合T中选取j个组成梯度更新任务组合每个任务T
i
由支持集和查询集组成，其中为任务T
i
下第p个支持集样本，其样本标签为...

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