基于强化学习的域自适应轴承声纹故障诊断方法及系统技术方案

本发明专利技术提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出；本发明专利技术考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。转。转。

【技术实现步骤摘要】
基于强化学习的域自适应轴承声纹故障诊断方法及系统


[0001]本专利技术涉及轴承故障诊断
，特别涉及一种基于强化学习的域自适应轴承声纹故障诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]在当今的工业化生产流程中，机械设备运行状态的正常与否是制约生产效率的主要因素。旋转机械是工业化机械设备的一种并应用广泛，诊断作为其关键部件的滚动轴承的健康有着极其重要的意义。由于机械设备工作状态的连续性、工作环境的恶劣性，滚动轴承故障时有发生。因此，在事故发生前进行故障诊断可以提高工业生产的可信性。
[0004]声音是获取信息的重要途径，通过声音可以判断事物的某种状态。声音信号相比于其它信号来说，具有绕射能力强、易于采集的特点。轴承的声波源于旋转运动引起的空气振动，基于声纹的故障诊断系统具有全天候、检测延时小、采集设备简单、高效节能等优点。因此，利用滚动轴承的声纹信号进行故障诊断具有巨大的发展潜力。
[0005]智能故障诊断技术是最近发展迅猛的研究热点，是基于数据驱动的提取特征的高效方法，已经做了大量有力的研究和成功的使用，比如混合神经网络和遗传算法技术、支持向量机、决策树和随机森林等算法。但是遗传算法的编程实现较为复杂，参数选取大部分依靠经验，支持向量机对大规模训练样本难以实施，对缺失的数据及其敏感，决策树的稳定性较差，泛化能力不强，出现过拟合的现象。深度学习是更为有效的逼近复杂函数的一种网络架构，同时具有可以直接利用原始数据进行故障诊断的优点，通过创建深层网络模型，对数据中大量的隐含信息进行抽象描述，从而高效的进行特征的提取。比如利用深度信念网络建立故障诊断模型，既可以确定轴承故障类型，同时还可以将每个轴承故障类型下轴承受损的严重程度进行区分。残差学习算法，改善大容量的深度学习模型，解决梯度消失和梯度爆炸，优化网络的信息流，提高旋转机械可变顺序长度信号处理的精度等
[0006]专利技术人发现，上述方法在滚动轴承的故障诊断结果中体现了较为可靠的分类精度；但是在测试网络分类性能的时候，一般情况都会采用与训练集相对应的测试集，也就是在同一个域中进行测试集和训练集的划分，没有将测试集和训练集处于不同的域的情况考虑进来；如果将其他运行工况下测得的原始信号输入故障诊断模型进行分类训练，分类精度可能并不令人满意；传统方法依靠在滚动轴承上安装振动传感器来提取信号，某些设备的安装空间有限，安装过程复杂，操作不易。

技术实现思路

[0007]为了解决现有技术的不足，本专利技术提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术第一方面提供了一种基于强化学习的域自适应轴承声纹故障诊断方法。
[0010]一种基于强化学习的域自适应轴承声纹故障诊断方法，包括以下过程：
[0011]获取待测滚动轴承的声纹信号；
[0012]根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
[0013]其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
[0014]进一步的，稀疏自编码器网络的隐藏层中设有KL散度的约束。
[0015]进一步的，采用域自适应网络的损失函数和分类网络的损失函数的加和进行特征提取网络的参数更新。
[0016]进一步的，将目标域的训练结果作为测试数据的虚假标签与目标域数据特征提取网络的输出一同作为分类网络的输入，将得到的分类损失函数加到原有的分类损失函数中，得到新的分类损失函数。
[0017]进一步的，域自适应网络的目标函数为最小化训练集和测试集之间的差异，所述训练集为源域数据，所述测试集为目标域数据，使用最小绝对值偏差实现最小化训练集和测试集之间的差异。
[0018]进一步的，声纹信号为通过麦克风阵列采集到的声纹信号。
[0019]进一步的，稀疏自编码器的损失函数为使用均方误差得到的损失函数与KL散度项的加和。
[0020]本专利技术第二方面提供了一种基于强化学习的域自适应轴承声纹故障诊断系统。
[0021]一种基于强化学习的域自适应轴承声纹故障诊断系统，包括：
[0022]数据获取模块，被配置为：获取待测滚动轴承的声纹信号；
[0023]故障诊断模块，被配置为：根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
[0024]其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
[0025]本专利技术第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
[0026]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1、本专利技术所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，考虑了源域数据集和目标域数据集不一致的问题，并且结合稀疏自编码器，在数据样本不充足时，
利用已知的特征信号可以对未知的故障诊断进行较为高精度的分类，减少了安全事故发生的次数，避免造成更为严重的损失。
[0029]2、本专利技术所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，训练稀疏自编码器，学习有用的特征信息，通过域自适应缩小不同域之间的特征差异，利用模型输出重新进行分类网络的训练，具有利用已知的特征信息来对未知的故障信号进行可靠分类的优点。
[0030]3、本专利技术所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，通过声学传感器阵列进行滚动轴承的信号采集来提取设备的状态信息，避免了传统接触式传感器复杂的安装过程。
[0031]4、本专利技术所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，利用源域数据训练稀疏自编码器网络，缩小源域数据和目标域数据之间的特征差异进行网络的域自适应，利用模型获得的目标域的输出重新进行分类网络的训练，在保证分类网络的训练精度的同时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：包括以下过程：获取待测滚动轴承的声纹信号；根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。2.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：稀疏自编码器网络的隐藏层中设有KL散度的约束。3.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：采用域自适应网络的损失函数和分类网络的损失函数的加和进行特征提取网络的参数更新。4.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：将目标域的训练结果作为测试数据的虚假标签与目标域数据特征提取网络的输出一同作为分类网络的输入，将得到的分类损失函数加到原有的分类损失函数中，得到新的分类损失函数。5.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：域自适应网络的目标函数为最小化训练集和测试集之间的差异，所述训练集为源域数据，所述测试集为目标域数据，使用最小绝对值偏差实现最小化训练集和测试集之间的差异...

【专利技术属性】
技术研发人员：姜明顺，刘明慧，张艺蓝，张法业，张雷，隋青美，
申请(专利权)人：山东大学，
类型：发明
国别省市：