基于深度可分迁移学习网络的跨轴承迁移诊断方法技术

本发明专利技术涉及一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，属于机械设备故障诊断技术领域。该方法包括：S1：采集轴承原始振动信号，并进行样本扩充；S2：构建基于IJDA域适应损失和I

【技术实现步骤摘要】
基于深度可分迁移学习网络的跨轴承迁移诊断方法


[0001]本专利技术属于机械设备故障诊断
，涉及一种基于深度可分迁移学习网络的跨轴承迁移诊断方法。

技术介绍

[0002]轴承作为一个基础机械通用零件，广泛应用在轨道交通、能源动力、航空航天等重要领域。一旦轴承发生故障，将会造成难以承受的经济损失。因此，近年来对于轴承的智能故障诊断吸引了大批的专家学者进行研究，特别以考虑数据分布差异的迁移学习技术为代表的轴承智能迁移故障诊断方法已经取得了很大的成功。但现有智能迁移故障诊断方法仍然有以下几点局限性：1)模型所用的分类损失函数均为Softmax损失，虽然该损失在大多数情况下能够取得很好的效果，但是在轴承信号受噪音污染比较大的时候，其可分特征学习能力较差；2)局限于同台机器不同负载、不同转速以及不同测点的迁移诊断任务；3)选用的分布度量距离未考虑真实信号的分布特性；4)且现有基于联合分布对齐的迁移学习技术存在大量的近似估计，无法保证其理论的可靠性。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，提高现有智能迁移诊断方法的精度和泛化能力。
[0004]为达到上述目的，本专利技术提供如下技术方案：
[0005]一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，包括以下步骤：
[0006]S1：通过加速度传感器采集机械设备上的轴承原始振动信号，以便于构建后续的迁移诊断任务。然后，将采集到的原始振动信号利用滑动采样技术扩充样本数据集；
[0007]S2：构建基于IJDA域适应损失和I
‑
Softamx分类损失的DDTLN，其中，IJDA表示改进联合分布对齐，DDTLN表示深度可分迁移学习网络；
[0008]S3：将划分好的的训练样本输入到步骤S2构建的DDTLN中，利用源域有标签样本的I
‑
Softamx分类损失函数L
y
和源域与目标域之间的IJDA域适应损失函数L
IJDA
对迁移模型进行迭代更新训练；
[0009]S4：经过多次迭代训练，误差曲线趋于稳定，迁移模型训练完成，训练好的迁移模型将用于跨轴承故障迁移诊断。
[0010]进一步，步骤S2中，所述DDTLN采用卷积神经网络作为主干网络去自适应提取特征，该网络由五个“Conv1D”卷积块、一个全局平均池化层和两个全连接层组成；每个“Conv1D”卷积块由一个卷积层、一个批次归一化层和最大池化层组成；其中，全局平均池化层和批次归一化层可以加速网络收敛和有效抑制网络的过拟合现象。为了节约计算资源，将IJDA域适应损失加在最后全连接层上；同样，I
‑
Softmax分类损失也作用在最后的全连接层上。
[0011]进一步，步骤S2中，I
‑
Softamx分类损失函数L
y
的表达式为：
[0012][0013]其中，F
i
表示对应于样本X
i
的特征提取器的输出向量；c和j是对应于特征向量F
i
的元素索引；n表示特征向量的个数，即当前输入批次的大小；k≥0和m≥1被定义为两个超参数去控制决策边界，同时当m＝1和k＝0时，I
‑
Softmax分类损失函数等同于原始Softmax函数。
[0014]进一步，步骤S2中，IJDA域适应损失函数L
IJDA
的表达式为：
[0015][0016]其中，分布差异指标DDM(A,B)＝MMD(A,B)+CORAL(A,B)，其中A和B分别代表源域和目标域的特征表述，MMD(
·
)和CORAL(
·
)分别为最大平均差异和协方差差异；X
S
和X
T
分别代表源域和目标域的特征样本，Y
S
和Y
T
分别代表源域和目标域特征样本的标签，T(
·
)为特征表示，c和C分别代表第c类和类别数，P(
·
)表示分布概率，(T(X)|Y＝c)表示第c类的特征向量。
[0017]进一步，步骤S3中，IJDA域适应损失函数L
IJDA
通过梯度下降优化网络参数Θ
fe
，其梯度表达式为：
[0018][0019]其中，n
S
和n
T
分别代表源域和目标域的样本批次大小，F
S
和F
T
分别表示源域和目标域的特征向量。
[0020]本专利技术的有益效果在于：本专利技术从整体上提高了现有智能迁移诊断方法的精度和泛化能力，具体体现在以下两方面：
[0021]1)本专利技术设计了I
‑
Softmax分类损失函数，解决现有迁移诊断方法中常用的Softmax函数导致的诊断模型可分效果差的问题。
[0022]2)本专利技术设计了改进联合分布对齐(IJDA)机制，并设计了一个新的分布差异指标(DDM)去实现该IJDA机制，从而更好的适配机械振动信号的高斯分布特性。
[0023]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和
获得。
附图说明
[0024]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0025]图1为本专利技术提出的深度可分迁移学习网络(DDTLN)的结构示意图；
[0026]图2为四种轴承健康状态的概率密度函数；
[0027]图3为公式(2)的原理图；
[0028]图4为I
‑
Softmax的原理解释示意图；
[0029]图5为CWRU试验台示意图；
[0030]图6为RDS试验台示意图；
[0031]图7为SWJTU试验台示意图。
具体实施方式
[0032]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0033]请参阅图1～图7，本专利技术设计了一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，具体包括以下步骤：
[0034]步骤1：通过加速度传感器采集机械设备上的轴承原始振动信号，以便于构建后续的迁移诊断任务。然后，将采集到的原始振动信号利用滑动采样技术扩充样本数据集。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，其特征在于，该方法包括以下步骤：S1：采集机械设备上的轴承原始振动信号，然后将采集到的原始振动信号利用滑动采样技术扩充样本数据集；S2：构建基于IJDA域适应损失和I
‑
Softamx分类损失的DDTLN，其中，IJDA表示改进联合分布对齐，DDTLN表示深度可分迁移学习网络；S3：将划分好的的训练样本输入到步骤S2构建的DDTLN中，利用源域有标签样本的I
‑
Softamx分类损失函数L
y
和源域与目标域之间的IJDA域适应损失函数L
IJDA
对迁移模型进行迭代更新训练；S4：经过多次迭代训练，误差曲线趋于稳定，迁移模型训练完成，训练好的迁移模型将用于跨轴承故障迁移诊断。2.根据权利要求1所述的跨轴承迁移诊断方法，其特征在于，步骤S2中，所述DDTLN采用卷积神经网络作为主干网络去自适应提取特征，该网络由五个“Conv1D”卷积块、一个全局平均池化层和两个全连接层组成；每个“Conv1D”卷积块由一个卷积层、一个批次归一化层和最大池化层组成；将IJDA域适应损失加在最后全连接层上；同样，I
‑
Softmax分类损失也作用在最后的全连接层上。3.根据权利要求1或2所述的跨轴承迁移诊断方法，其特征在于，步骤S2中，I
‑
Softamx分类损失函数L
y
的表达式为：其中，F
i
表示对应于样本X
i...

【专利技术属性】
技术研发人员：秦毅，钱泉，涂天佳，蒲华燕，鲁安卫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：