基于终身学习的齿轮箱增量故障诊断方法及系统技术方案

本发明专利技术公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet

【技术实现步骤摘要】
基于终身学习的齿轮箱增量故障诊断方法及系统


[0001]本专利技术涉及机械故障诊断
，具体涉及一种基于终身学习的齿轮箱增量故障诊断方法及系统。

技术介绍

[0002]随着现代工业化进程的快速发展，旋转机械设备的精密性和重要性越来越高。旋转机械设备已成为使用最广泛的工业机械设备之一，人们对其可靠性的要求越来越高。旋转机械被用于许多领域，如航空、航海、机械、化工、能源、电力等领域，其服役工况呈现愈加复杂的趋势，且在运行过程中不可避免地会发生性能衰退甚至发生故障，产生巨大的经济损失，导致其运维成本越来越高,甚至会导致灾难性的人员伤亡，给环境和社会造成无法挽回的恶劣影响。因此，以旋转机械设备为对象开展健康状态监测与故障诊断方法的研究，对保障机械设备的安全可靠运行、预防关键设备出现故障、避免巨额的经济损失和灾难性事故的发生具有重要意义。
[0003]当代旋转机械设备的高速、重载以及自动化程度要求不断提高，所表现出来的动态信号更加复杂，现代状态监测技术已经能够实现对复杂装备多测点、全寿命的数据采集，进而获得海量的数据，但同时导致对动态信号的处理和其中健康状态信息的特征提取带来较大难度。传统的故障诊断方法有基于振动信号提取故障特征频率、短时傅里叶变换、经验模式分解、稀疏表示方法等。这些方法已经较为成熟，但对目前的机械设备状态信号，基于信号处理的方法不具备处理大量信号数据中故障数据密度低，干扰强且在变工况下表现多样性的能力。
[0004]近年来，随着人工智能、机器学习领域的快速发展，越来越多的基于机器学习的旋转机械智能故障诊断方法被提出。基于机器学习的故障诊断一般包括信号采集，特征提取，故障识别与预测等步骤。这种方法大大简化了故障诊断过程，提高了诊断效率，但是由于多为浅层网络，结构简单，层次有限，其有效性取决于前期预处理提取特征的有效性，在面对大量结构复杂的设备状态信号时处理能力有限。
[0005]近年来，许多学者利用深度学习优秀的自适应特征学习与提取能力，克服了浅层模型难以表征信号与健康状况之间复杂的映射关系的不足，取得了不错的效果。然而，这些方法都是基于两个假设：训练数据与测试数据同分布且训练数据足够多。在实际工程中，机械设备运行工况多变且故障发生具有偶然性，获得的样本难以满足以上两个假设，直接影响故障诊断的结果。随着迁移学习的快速发展，借助其在跨领域、跨分布间的知识挖掘和迁移能力，针对标签样本受限(极小样本或无样本)问题或者变工况问题的迁移学习解决方案在机械故障诊断领域也得到了发展。但是迁移学习仅能满足单一目标任务的故障诊断，即源域和目标域给定条件下完成一次迁移即可，由于机械设备故障本身与运行工况的多样性，在面对新的任务时，模型的泛化能力大大下降，通用性较差；另一方面，迁移学习不涉及对知识的积累，在面对源域数据对应工况下的设备状态识别任务时，往往表现较差，与工程实际中的需求不符。
[0006]在实际情况中，由于运行工况的复杂多变，机器经常会产生意外故障，导致故障类型增加，使得通过预收集半完备的故障数据训练的深度诊断模型和深度迁移诊断模型失效，因此需要重新训练模型以识别新的故障类型。然而，使用新类型的数据直接训练深度模型将导致旧故障类的识别表现断崖式下降，这称为灾难性遗忘。灾难性遗忘一直是深度学习领域的一个重要问题，同样，在故障诊断领域，需要研究解决由意外故障引起的深度诊断模型的灾难性遗忘问题，以建立可靠性、泛化性和通用性更强的终身故障诊断模型。

技术实现思路

[0007]本专利技术的目的是提供一种基于终身学习的齿轮箱增量故障诊断方法及系统，以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
[0008]为了解决上述技术问题，本专利技术提供了一种基于终身学习的齿轮箱增量故障诊断方法，包括以下步骤：
[0009]S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；
[0010]S102：利用原始ResNet
‑
32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型，并选取初始阶段故障诊断任务数据的典例；
[0011]S103：利用初始阶段诊断模型初始化ResNet
‑
32双分支聚合网络，所述ResNet
‑
32双分支聚合网络采用余弦标准化分类器，并根据新增的故障类型数量增加分类层神经元数量；
[0012]S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；
[0013]其中，训练过程中利用聚合权重表示不同残差块层的迁移能力，结合知识蒸馏损失函数缩小新旧阶段诊断模型在旧阶段故障诊断任务数据上表现的差异，并通过双层优化方案优化聚合权重和模型参数；
[0014]S105：在后续增量阶段重复步骤S103
‑
S104，得到最终故障诊断模型，进行故障诊断。
[0015]作为本专利技术的进一步改进，所述步骤S101具体包括以下步骤：
[0016]利用加速度传感器采集齿轮箱振动信号构建增量健康状态数据集D；
[0017]若共有N+1个故障诊断任务，则有N+1个学习阶段，即初始阶段的故障诊断任务0和N个增量阶段，在此期间诊断任务的数量逐渐增加；
[0018]在第n阶段，任务n的训练数据为其中，P
n
是任务n的故障数据样本的数量；
[0019]若J
n
表示旧故障类C
0:n
‑1＝{C0,C1,
…
,C
n
‑1}的数量，K
n
表示新故障类C
n
的数量，那么J
n+1
＝K
n
+J
n
，表示第i个样本，
[0020]作为本专利技术的进一步改进，所述步骤S102具体包括以下步骤：
[0021]利用任务0的数据训练原始的ResNet
‑
32学习故障类C0得到初始阶段诊断模型Θ0，所述初始阶段诊断模型的损失函数为分类交叉熵损失函数：
其中，δ是真实标签；
[0022]完成训练后，利用分类层前的特征提取器F0通过herding算法选取一定数量的典例ε0。
[0023]作为本专利技术的进一步改进，利用分类层前的特征提取器F0通过herding算法选取一定数量的典例，包括：
[0024]用表示故障类c的训练样本，则c的类平均为其中，P
c
是类c的训练样本的数量；
[0025]或选取的典例数量为t，则每个典例通过计算得到ε＝(e1,e2,
…
,e
t
)。
[0026]作为本专利技术的进一步改进，所述步骤S103具体包括以下步骤：
[0027]利用ResNet
‑
32双分支聚合网络替换原始的ResNet
‑
32网络，其中，ResNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于终身学习的齿轮箱增量故障诊断方法，其特征在于：包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet
‑
32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型，并选取初始阶段故障诊断任务数据的典例；S103：利用初始阶段诊断模型初始化ResNet
‑
32双分支聚合网络，所述ResNet
‑
32双分支聚合网络采用余弦标准化分类器，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；其中，训练过程中利用聚合权重表示不同残差块层的迁移能力，结合知识蒸馏损失函数缩小新旧阶段诊断模型在旧阶段故障诊断任务数据上表现的差异，并通过双层优化方案优化聚合权重和模型参数；S105：在后续增量阶段重复步骤S103
‑
S104，得到最终故障诊断模型，进行故障诊断。2.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法，其特征在于：所述步骤S101具体包括以下步骤：利用加速度传感器采集齿轮箱振动信号构建增量健康状态数据集D；若共有N+1个故障诊断任务，则有N+1个学习阶段，即初始阶段的故障诊断任务0和N个增量阶段，在此期间诊断任务的数量逐渐增加；在第n阶段，任务n的训练数据为其中，P
n
是任务n的故障数据样本的数量；若J
n
表示旧故障类C
0:n
‑1＝{C0,C1,
…
,C
n
‑1}的数量，K
n
表示新故障类C
n
的数量，那么J
n+1
＝K
n
+J
n
，表示第i个样本，3.如权利要求2所述的基于终身学习的齿轮箱增量故障诊断方法，其特征在于：所述步骤S102具体包括以下步骤：利用任务0的数据训练原始的ResNet
‑
32学习故障类C0得到初始阶段诊断模型Θ0，所述初始阶段诊断模型的损失函数为分类交叉熵损失函数：其中，δ是真实标签；完成训练后，利用分类层前的特征提取器F0通过herding算法选取一定数量的典例ε0。4.如权利要求3所述的基于终身学习的齿轮箱增量故障诊断方法，其特征在于：利用分类层前的特征提取器F0通过herding算法选取一定数量的典例，包括：用表示故障类c的训练样本，则c的类平均为其中，P
c
是类c的训练样本的数量；或选取的典例数量为t，则每个典例通过计算得到ε＝(e1,e2,
…
,e
t
)。
5.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法，其特征在于：所述步骤S103具体包括以下步骤：利用ResNet
‑
32双分支聚合网络替换原始的ResNet
‑
32网络，其中，ResNet
‑
32双分支聚合网络包含动态分支和稳态分支；所述动态分支为常规参数级微调，即...

【专利技术属性】
技术研发人员：沈长青，陈博戬，孔林，陈良，丁传仓，申永军，庄国龙，张艳华，李林，张爱文，祁玉梅，石娟娟，江星星，黄伟国，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：