一种基于子域适应对抗网络的变负载下轴承故障诊断方法技术

本发明专利技术公开了一种基于子域适应对抗网络的变负载下轴承故障诊断方法，属于旋转机械故障诊断领域。本发明专利技术利用一维卷积子域适应对抗网络模型，提取域不变特征，建立了一个有效的跨负载滚动轴承故障诊断模型，实现了目标域上的无监督故障诊断，缓解了实际应用中故障数据标记信息稀少的问题，提高了滚动轴承故障诊断的有效性和准确性，从而保障了现代旋转机械运行的安全与可靠性以及设备部件供应的快速与准确性。准确性。准确性。

【技术实现步骤摘要】
一种基于子域适应对抗网络的变负载下轴承故障诊断方法


[0001]本专利技术属于旋转机械故障诊断领域，尤其涉及一种基于子域适应对抗网络的变负载下轴承故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械的常用零部件，在恶劣环境下长期工作容易遭受磨损从而发生故障。研究滚动轴承故障识别，有助于及时发现故障位置与程度，保障设备安全平稳运转，同时向制造企业提出明确且快速的需求。
[0003]滚动轴承运行状态信息往往通过其振动信号反映，并且随着数据驱动故障诊断方法的发展，基于滚动轴承振动信号的研究成为热点。基于传统信号处理方法的诊断已经存在大量研究，利用时频域分析技术对振动数据进行处理，从而提取出能反映故障的微弱信号，主要方法有自适应模态分解、傅里叶变换、短时傅里叶变换、小波变换、包络谱分析等，但此类方法有其局限性，需要得到故障特征频率的先验信息。机器学习已在故障诊断领域得到广泛应用，传统机器学习方法主要建立在人工选择并构建振动信号特征向量的基础上，用选择到的特征训练诊断模型，主要使用模型有支持向量机、K近邻、决策树等，从作用机制上可以看出，这类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于子域适应对抗网络的变负载下轴承故障诊断方法，其特征在于，包括以下步骤：(1)采集滚动轴承不同运行负载下的多健康状态振动信号，作为轴承故障振动信号数据库，将已知故障信息的负载下的振动信号作为源域信号，未知故障信息的负载下的振动信号作为目标域信号；(2)对源域和目标域的多健康状态信号进行不重叠等长划分；(3)对划分后的源域信号和目标域信号分别进行变分模态分解，分解得到的本征模态函数组构成源域数据集D
S
与目标域数据集D
T
；(4)建立基于一维卷积子域适应对抗网络的故障诊断模型；该模型包含特征提取器G
F
、标签分类器G
Y
和域判别器G
D
；特征提取器G
F
用于隐式地提取数据特征，采用一维卷积神经网络；标签分类器G
Y
用于对源域数据进行分类，连接特征提取器G
F
；域判别器G
D
用于判别数据来自源域还是目标域，同样连接特征提取器G
F
；特征提取器G
F
与域判别器G
D
之间存在一个梯度反转层；(5)将已知故障信息的源域信号和未知故障信息的目标域信号输入一维卷积子域适应对抗网络中进行模型训练，并固定模型参数；(6)在线诊断过程中，采集一段目标域负载下的振动信号并进行变分模态分解，输入训练好的模型中，输出故障诊断结果。2.根据权利要求1所述的基于子域适应对抗网络的变负载下轴承故障诊断方法，其特征在于，步骤(1)中所述健康状态振动信号包括轴承具有正常、内圈故障、外圈故障、滚动体故障以及不同退化程度多种健康状态的振动加速度信号。3.根据权利要求1所述的基于子域适应对抗网络的变负载下轴承故障诊断方法，其特征在于，步骤(3)中，对划分后的源域信号和目标域信号分别进行变分模态分解，设置VMD参数，为保证数据维度一致，对不同健康状态下信号进行VMD时，分解个数取相同值；分解得到的本征模态函数(IMFs)作为样本构成源域数据集D
S
与目标域数据集D
T
：：其中和分别表示第i个源域样本和目标域样本，表示源域的样本数据标签，n
s
和n
t
分别表示源域和目标域中的样本个数；两个域的特征空间相同与类别空间相同，即X
S
＝X
T
与Y
S
＝Y
T
，但两个域数据分布不同，即P(X
S
)≠P(X
T
)。4.根据权利要求1所述的基于子域适应对抗网络的变负载下轴承故障诊断方法，其特征在于，步骤(4)中，建立基于一维卷积子域适应对抗网络的故障诊断模型具体为：(4
‑
1)特征提取器由三个卷积池化模块构成，前两个池化层采用最大池化操作，最后一个池化层采用平均池化；为防止网络过拟合，引入dropout层；源域样本和目标域样本共享特征提取器；(4
‑
2)标签分类器包含两个全连接层，最后一层神经元数目与类别数相同，采用softmax函数将最后一个全连接层的输出映射到(0,1)区间，可表示为：
其中μ
i
为第i个节点的输出值，C为输出节点的个数，即类别个数；(4
‑
3)域判别器混淆源域和目标域数据，特征提取器与域判别器之间存在一个梯度反转层(GRL)，表达如下：R
λ
(x)＝xR
λ
(x)是定义梯度反转层的伪函数，x为网络参数，λ为常数参数，控制域判别器在网络中作用的比重，一般按照经验选取，I为单位矩阵，在反向传播过程中，域判别器的损失传播到特征提取器之前参数自动取反，使特征提取器与域判别器的训练目标相反，从而两者之间形成一种对抗关系；域判别器包含两个全连接层，最后一层神经元数目为1，判断样本来自源域还是目标域。5.根据权利要求1所述的基于子域适应对抗网络的变负载下轴承故障诊断方法，其特征在于，步骤(5)中，同时输入已知故障信息源域样本和未知故障信息目标域样本，设置迭代次数、优化器、学习率、样本批尺寸等超参数，进行模型训练；训练过程中的模型优化...

【专利技术属性】
技术研发人员：宋执环，张敏，杨春节，何川，
申请(专利权)人：浙江大学，
类型：发明
国别省市：