一种基于自适应残差对抗网络的无监督轴承故障诊断方法技术

本发明专利技术公开了一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；步骤S3、基于目标轴承振动实测值进行轴承故障诊断。本发明专利技术采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和改进多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。的识别准确率及泛化性能。的识别准确率及泛化性能。

【技术实现步骤摘要】
一种基于自适应残差对抗网络的无监督轴承故障诊断方法


[0001]本专利技术涉及旋转机械设备中滚动轴承故障件检测领域，尤其是一种基于自适应残差对抗网络的无监督轴承故障诊断方法。

技术介绍

[0002]随着工业生产和科学技术水平的发展进步，旋转机械也不断朝着高速化、连续化、自动化方向发展，有效提高生产效率、保证产品质量、节约能源与人力。滚动轴承作为旋转机械的关键部件，其健康状态关乎整个设备的运行安全。然而轴承工作在恶劣的环境下，其在高负荷运行过程中不可避免的会出现异常。一旦发生故障，则有可能造成经济损失甚至发生重大安全事故。为保证旋转机械的平稳运行，有必要对滚动轴承进行早期故障诊断。
[0003]近年来，基于深度学习的轴承故障诊断方法得到了广泛应用，主要是因为深度学习具有强大的数据处理能力和特征学习能力，并且不再需要人力和先验知识就可以实现准确、高效的故障诊断。常见的基于深度学习的诊断方法有卷积神经网络和自动编码器，并且均已成功应用到了轴承故障诊断中。但大多数现有的研究取得理想的结果都基于一个前提，即训练数据和测试数据具有相同的分布。在实际的工程中，由于操作条件的变化、机械设备的磨损和环境噪声等因素的影响，即使同一设备的训练数据和测试数据也难以满足上述前提。因此针对轴承实际使用场景，研究泛化能力强，准确率高的无监督故障诊断方法是当前轴承故障诊断研究的迫切需要。
[0004]迁移学习可以将已习得的强大技能迁移到相关的问题上，现已广泛应用于应对复杂环境下的轴承故障诊断任务。无监督域适应方法作为迁移学习的热门分支，其具有弥合领域间分布差异和探索域不变特征的能力，在图像识别领域中的广泛应用，并已经被引入跨域轴承故障诊断领域。虽然无监督域适应方法已经应用到了故障诊断领域，但是目前大多数方法侧重于考虑源域和目标域之间的边缘概率分布差异，而忽略了条件概率分布差异。即使有研究者考虑到了跨域整体分布差异时，也只是直接将跨域边缘概率分布和条件概率分布相加，未考虑两者之间的关系而导致模型泛化能力受限，难以应用于实际工业环境中解决跨域轴承故障诊断问题。
[0005]通过上述分析可知，单一度量源域和目标域之间的边缘概率分布差异或简单将跨域边缘概率分布和条件概率分布相加都无法获得很好的模型泛化能力，更无法获得良好的轴承跨域故障诊断效果。

技术实现思路

[0006]本专利技术需要解决的技术问题是提供一种基于自适应残差对抗网络的无监督轴承故障诊断方法，采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。
[0007]为解决上述技术问题，本专利技术所采用的技术方案是：一种基于自适应残差对抗网
络的无监督轴承故障诊断方法，包括如下步骤：
[0008]步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；
[0009]步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；
[0010]步骤S3、基于目标轴承振动实测值进行轴承故障诊断。
[0011]本专利技术技术方案的进一步改进在于：所述步骤S1的具体过程如下：
[0012]步骤S11，构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进残差块作为特征提取器网络基础结构，结构上采用多个改进残差块连接，并在多个改进残差块之后应用全局平均池化层对特征进行进一步降维并压缩网络参数量；
[0013]步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；
[0014]步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；
[0015]步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。
[0016]本专利技术技术方案的进一步改进在于：所述步骤S11中一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数，SELU激活函数如下：
[0017][0018]其中α,λ为常数。
[0019]本专利技术技术方案的进一步改进在于：所述步骤S2的具体过程如下：
[0020]步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；
[0021]步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成；
[0022]步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；
[0023]步骤S24，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；
[0024]步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，二者归一化处理之后的数据作为训练模型的输入数据；
[0025]步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；
[0026]步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距，基于标签分类结果，利用交叉熵损失生成第一损失函数；基于得到领域分类结果，利用交叉熵损失生成第二损失函数，将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全连接层中的MK
‑
MMD损失生成第三损失函数；
[0027]步骤S28，将步骤S27中得到的第一损失函数、第二损失函数、第三损失函数根据相应的权重构建基于残差联合自适应网络的无监督模型的总体损失函数，并通过计算域和类别之间的MK
‑
MMD距离得到一个动态加权系数μ，动态加权系数μ将MK
‑
MMD距离与多个对抗领域损失定量和定性地结合在一起，形成一个联合分布距离动态更新权重系数；
[0028]步骤S29，重复步骤S25
‑
S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数，在达到最大训练次数或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；步骤S3、基于目标轴承振动实测值进行轴承故障诊断。2.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S1的具体过程如下：步骤S11，构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进残差块作为特征提取器网络基础结构，结构上采用多个改进残差块连接，并在多个改进残差块之后应用全局平均池化层对特征进行进一步降维并压缩网络参数量；步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。3.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S11中一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数，SELU激活函数如下：其中α,λ为常数。4.根据权利要求3所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S2的具体过程如下：步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成；步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；步骤S24，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，
二者归一化处理之后的数据作为训练模型的输入数据；步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距，基于标签分类结果，利用交叉熵损失生成第一损...

【专利技术属性】
技术研发人员：温江涛，雷鸣，孙洁娣，刘仲雨，张哲，丁泽行，
申请(专利权)人：燕山大学，
类型：发明
国别省市：