一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法技术

本发明专利技术公开了一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法，其设计了基于柯西核诱导的最大均值差异评价指标来度量源域与目标域分布之间的差异大小，并采用无偏估计技术提升计算效率；设计了一种分段可调节的平衡因子来权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度，并用于构建总体损失函数。该方法能够准确提取出源域与目标域之间的可迁移特征，提高了域自适应过程的鲁棒性，有效地提高了计算效率，节省了大量的计算成本，且在稳定速度到时变速度进行跨域故障迁移任务下实现了更高的诊断精度，优于现有技术。现有技术。现有技术。

A cross domain data-driven unsupervised domain shared network method for fault diagnosis of variable speed bearings

【技术实现步骤摘要】
一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法


[0001]本专利技术涉及跨域故障诊断
，具体涉及一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法。

技术介绍

[0002]近年来，随着现代工业的快速发展，对智能和集成机器系统的可靠性和安全性要求大幅提高。在恶劣条件下长期运行后，轴承这一关键旋转传动部件会发生各种故障，可能对机器设备造成损害，甚至造成重大事故。研发先进的基于数据驱动的智能轴承故障诊断识别技术，准确的对轴承的各类故障模式进行分类诊断，可以有效地提高机器设备的运行可靠性和经济维护性。然而，在工业场景中，获取大量有标签信息的同设备故障轴承样本非常困难，此外，工况的多变性和机器系统的复杂性使得收集的故障样本之间产生一定的分布差异，其轴承故障诊断诊断具有较大挑战性。
[0003]部分学者采用基于特征的无监督迁移学习方法进行故障识别，将现有的源域数据知识进行跨域迁移，来解决目标域中有标签轴承样本量不足的问题，例如基于高斯核或多项式核诱导的最大均值差异的领域自适应迁移方法、域对抗迁移学习方法等，均已已广泛应用于轴承故障诊断识别研究，但仍存在以下一些问题需要改进：(1)目前研究中绝大部分的轴承故障源域数据来自实验室的故障模拟试验台，这些数据更适用于研究故障现象的一般规律，且针对性地搭建具有一定精度的模拟试验台非一朝一夕可实现，需要持久大量的资源投入，难以灵活满足众多工况下的故障数据需求。借助数值仿真技术，可建立反映机械系统真实运行状况的故障仿真模型，获取大量故障信息丰富，标签数据充足的轴承故障样本，从而解决训练样本不足的难题，降低对模拟试验台的资源依赖。(2)基于高斯核诱导的最大均值差异领域自适应迁移方法其诊断性能对高斯核的宽度这一参数很敏感，且计算复杂度高，使得模型难以有效地实现最优收敛。基于多项式核诱导的最大均值差异领域自适应迁移方法需要同时调节三个参数，且高阶次计算时间相对较长；(3)现有的方法研究主要集中在稳定转速下的跨域迁移诊断上，但为了满足实际工业场景中启动、制动等生产任务的要求，通常需要考虑时变转速下的跨域故障迁移诊断。与稳定转速相比，时变速度下的信号与故障类别之间的关系要复杂得多。
[0004]因此，需引入新技术来准确的，快速的对轴承部件从稳定速度到时变速度进行无监督跨域迁移故障诊断。

技术实现思路

[0005]本专利技术的目的在于提供一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法，其用于对轴承进行稳定速度到时变速度的有效，快速的跨域故障迁移诊断；解决了目前基于最大均值差异的特征迁移诊断方法计算复杂度高，难以有效地实现最优收敛和现有迁移方法在稳定速度到时变速度进行故障迁移任务下诊断精度低的问题，准确提取
出源域与目标域之间的可迁移特征，提高了域自适应过程的鲁棒性，有效地提高了计算效率，节省了大量的计算成本，且在稳定速度到时变速度进行故障迁移任务下实现了更高的诊断精度，实现可靠的轴承故障迁移诊断，从而可以解决
技术介绍
中涉及的技术问题。
[0006]本专利技术的技术方案为：
[0007]一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法，该故障诊断方法包括如下步骤：
[0008]步骤S1、构建转子
‑
滚动轴承耦合系统动力学模型，获取轴承不同故障模式下的仿真数据样本以作为源域数据集，同时将该仿真数据样本作为源域的训练样本；
[0009]步骤S2、收集时变转速下无标签的轴承实验数据样本作为目标域数据集，并划分目标域训练样本与测试样本；
[0010]步骤S3、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小，并采用无偏估计技术提升计算效率；
[0011]步骤S4、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度，并构建总体损失函数；
[0012]步骤S5、构建基于柯西核诱导的最大均值差异评价指标与分段可调节的平衡因子的无监督领域共享网络，将源域数据集与目标域数据集中的训练样本同时输入无监督领域共享网络以提取可迁移特征，训练得到轴承迁移故障诊断模型，并用目标域数据集中的测试样本检验轴承迁移故障诊断模型的故障分类效果；
[0013]步骤S6、采用训练好的轴承迁移故障诊断模型识别时变速度工况下的轴承故障类型。
[0014]作为本专利技术的一种优选改进，步骤S3具体包括如下步骤：
[0015]步骤S31、将柯西核作为最大均值差异的非线性映射函数核函数，将源域数据集与目标域数据集映射至再生核希尔伯特高维内积空间上以度量两域分布差异大小；
[0016][0017]其中，是源域数据集，包含n1个源域样本个源域样本是目标域数据集，包含n2个目标域样本个目标域样本是基于柯西核诱导的最大均值差异评价指标，H是再生核希尔伯特高维内积空间，σ
C
为柯西核宽度；
[0018]步骤S32、在源域数据集和目标域数据集的样本数相等的前提条件下，采用无偏估计技术降低柯西核诱导的最大均值差异评价指标的计算复杂度；
[0019][0020]作为本专利技术的一种优选改进，步骤S4具体包括如下步骤：
[0021]步骤S41、采用分段可调节的平衡因子，其值随迭代次数增加而动态改变；
[0022][0023]其中，λ
C
为分段可调节的平衡因子，epoch为当前迭代次数；max
‑
epoch为预设的最大迭代次数；mid
‑
epoch为预设的超参数；
[0024]步骤S42、将分段可调节的平衡因子引入模型总体损失函数以权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度：
[0025][0026]其中，L表示总体损失函数，表示第i个样本经过Softmax分类层的输出值，表示第i个样本的标签。
[0027]作为本专利技术的一种优选改进，在步骤S5中，无监督领域共享网络的分类层激活函数为Softmax，池化层激活函数为ReLu。
[0028]本专利技术提供的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法的有益效果如下：
[0029]1、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小，提升了域自适应过程的鲁棒性；
[0030]2、采用无偏估计技术改进基于柯西核诱导的最大均值差异评价指标的计算过程，提升计算效率，节省了大量的计算成本；
[0031]3、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度，并构建总体损失函数，经过迭代训练的模型能准确提取出源域与目标域之间的可迁移特征；
[0032]4、解决了目前基于最大均值差异的特征迁移诊断方法计算复杂度高，难以有效地实现最优收敛和现有迁移方法在稳定速度到时变速度进行故障迁移任务下诊断精度低的问题，能够在稳定速度到时变速度进行故障迁移任务下实现了更高的诊断精度，实现可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法，其特征在于，该故障诊断方法包括如下步骤：步骤S1、构建转子
‑
滚动轴承耦合系统动力学模型，获取轴承不同故障模式下的仿真数据样本以作为源域数据集，同时将该仿真数据样本作为源域的训练样本；步骤S2、收集时变转速下无标签的轴承实验数据样本作为目标域数据集，并划分目标域训练样本与测试样本；步骤S3、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小，并采用无偏估计技术提升计算效率；步骤S4、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度，并构建总体损失函数；步骤S5、构建基于柯西核诱导的最大均值差异评价指标与分段可调节的平衡因子的无监督领域共享网络，将源域数据集与目标域数据集中的训练样本同时输入无监督领域共享网络以提取可迁移特征，训练得到轴承迁移故障诊断模型，并用目标域数据集中的测试样本检验轴承迁移故障诊断模型的故障分类效果；步骤S6、采用训练好的轴承迁移故障诊断模型识别时变速度工况下的轴承故障类型。2.根据权利要求1所述的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法，其特征在于：步骤S3具体包括如下步骤：步骤S31、将柯西核作为最大均值差异的非线性映射函数核函数，将源域数据集与目标域数据集映射至再生核希尔伯特高维内积...

【专利技术属性】
技术研发人员：邵海东，曹鸿儒，邓乾旺，钟翔，
申请(专利权)人：湖南大学，
类型：发明
国别省市：