一种基于深度迁移学习的多模态齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于深度迁移学习的多模态齿轮箱故障诊断方法，解决无标签样本情况下的齿轮箱故障诊断能力较差的问题，属于齿轮箱故障诊断技术领域；包括：采集不同工况下的原始振动信号，设定为源域和目标域；将采集的信号用数据级融合方式对时域和频域进行多模态信息融合并进行样本划分；构建深度多模态对抗迁移网络模型，通过该模型提取源域和目标域的故障信息特征进行迭代对抗训练，适配源域和目标域的联合概率分布，再利用源域大量丰富的故障标签信息来保证故障类别的精准判别；最后得到训练好的针对目标域的迁移诊断模型。本方法应用于不同工作条件下齿轮箱的故障诊断中，即不同工况或不同故障类型之间的迁移诊断，准确率高、泛化性能好。泛化性能好。泛化性能好。

【技术实现步骤摘要】
一种基于深度迁移学习的多模态齿轮箱故障诊断方法


[0001]本专利技术涉及一种齿轮箱故障诊断方法，具体涉及一种基于深度迁移学习的多模态齿轮箱故障诊断方法，属于齿轮箱故障诊断


技术介绍

[0002]随着现代工业技术的快速发展，人们对齿轮传动系统的运行提出了愈高的可靠性要求，机械设备正朝着高精度、高效率、自动化、智能化的方向发展。但在实际运行时，通常齿轮箱工作条件往往较为复杂和恶劣，齿轮、轴承等关键零部件极易在设备运行过程中发生故障，因此以齿轮箱的齿轮、轴承为主要实验对象，研究其有效的故障诊断模型，进而保证其安全可靠地运行至关重要。
[0003]目前，随着人工智能的不断发展，基于深度学习的智能诊断方法正在越来越多应用到齿轮箱故障诊断领域里，然而在实际工程中，往往以正常数据样本居多，典型故障标签数据较少，且大多振动数据没有标注，而人工标注数据费时费力。
[0004]因此，无标签样本下的故障诊断模型是亟需解决的重要问题。研究无标签样本下的齿轮箱智能故障诊断方法，这对减少传动系统故障，提高工作可靠性和工作效率，预防非计划停机，具有的重要的理论价值和工程价值。

技术实现思路

[0005]本专利技术的目的是：针对实际工程中齿轮箱关键零部件齿轮、轴承的待诊断数据样本均无任何标记的分类，解决无标签样本情况下的齿轮箱故障诊断能力较差的问题，提供一种基于深度迁移学习的多模态齿轮箱故障诊断方法，采用多模态信息融合和迁移学习理论应用于故障诊断，构建一种基于无监督学习的深度多模态对抗迁移网络，具有良好的准确率和泛化性能。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种基于深度迁移学习的多模态齿轮箱故障诊断方法，包括以下步骤：
[0007]S1、采集原始振动信号：
[0008]采集不同工况条件下齿轮箱的原始振动信号，将其设定为源域和目标域数据，其中源域为带标签数据，目标域为不带标签数据；
[0009]S2、多模态信息融合：
[0010]对步骤S1中采集并设定的原始振动信号提取时域波形序列，获取时域振动信号，并对时域振动信号进行快速傅里叶变换FFT得到频域振动信号，将最后得到的时域样本x
i
和频域样本x
t
进行Z
‑
分数标准化处理，进行时域和频域的数据级融合，并将处理后的源域和目标域的数据样本均划分为训练集和测试集，训练集和测试集两部分数据采样不重叠；
[0011]S3、构建多模态对抗迁移网络模型：
[0012]多模态对抗迁移网络模型由特征提取器G
f
(θ
f
)、类别分类器G
y
(θ
y
)和域判别器G
d
(θ
d
)构成，特征提取器G
f
(θ
f
)利用一维卷积神经网络接收源域或目标域的数据样本，并对其
进行故障信息的提取；类别分类器G
y
(θ
y
)通过全连接层对接收好的特征进行任务故障分类，并通过Softmax函数映射为概率输出；域判别器G
d
(θ
d
)判断输入为源域或目标域；模型构建采用1D
‑
CNN作为特征提取器的网络结构，模型训练采用Adam优化器作为随机梯度下降优化方法，修正一阶动量和二阶动量的偏差来对网络参数进行更新；
[0013]多模态对抗迁移网络模型的目标损失函数的表达式为：
[0014]式中，为类别分类器的传统交叉熵损失，λ为超参数，为域判别器的域对抗分类损失，θ
f
、θ
d
、θ
y
分别表示特征提取器、域判别器和类别分类器的网络参数；
[0015]的表达式为：
[0016]的表达式为：
[0017]上式中，n
s
表示源域样本数目，n
t
表示目标域样本数目，G
y
表示类别分类器，G
f
表示特征提取器，x
i
表示特征提取器的输入，φ(θ
f
，θ
y
)为模型参数正则项，为数据i的域判别器损失；
[0018]S4、利用融合处理后源域和目标域的数据样本输入训练得到针对目标域的迁移诊断模型：
[0019]将步骤S2中处理后源域的训练集和目标域的训练集数据输入到步骤S3中构建的多模态对抗迁移网络模型中，根据步骤S3中构建的目标损失函数用随机梯度下降算法对该网络进行迭代对抗训练优化网络参数，训练完成后保存模型最优网络参数和得到训练后的针对目标域的迁移诊断模型；
[0020]S5、输入目标域待测样本到训练后的迁移诊断模型中得到故障诊断结果：
[0021]在步骤S4中训练后的迁移诊断模型中输入步骤S2中处理后的目标域数据样本进行故障检测，最终得出故障诊断结果。
[0022]所述步骤S1中，标签数据包括正常标签数据和故障类型标签数据。
[0023]所述步骤S2中，频域样本x
t
的表达式为：x
t
＝FFT(x
i
)，FFT(x
i
)表示为由每个时域样本x
i
进行快速傅里叶变换到频域，并由于频谱的对称性取频域数据结果的前半部分；
[0024]Z
‑
分数标准化的计算公式为：式中，为Z分数值，x
m
为时域样本x
i
的平均值，x
s
为时域样本x
i
的标准偏差。
[0025]所述步骤S3中，由于特征提取器G
f
(θ
f
)和域判别器G
d
(θ
d
)之间是以对抗机制进行迭代优化网络参数的，因此在全连接层和域判别器之间构建梯度反转层GRL，使得域判别器损失反向传播至特征提取器G
f
(θ
f
)时反转梯度，进行前向或反向传播的不同操作，实现G
f
(θ
f
)和G
d
(θ
d
)的对抗训练；
[0026]在前向传播时，梯度反转层作为一个恒等映射，R
λ
(x)＝x，R
λ
为梯度反转层，x为输入的数据；在反向传播时，通过乘以一个负单位的单位矩阵I将梯度方向自动取反，
λ为超参数，I为单位矩阵。
[0027]所述步骤S4中，将处理后源域的训练集和目标域的训练集数据输入到步骤S3中构建的多模态对抗迁移网络模型中，在训练过程时，源域和目标域的数据样本都需要经过特征提取器的一维卷积神经网络进行特征的提取，因此两者共享特征提取器的结构和权重。
[0028]所述步骤S4中，在训练过程中通过反向传播最小化特征提取器G
f
(θ<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的多模态齿轮箱故障诊断方法，其特征在于：包括以下步骤：S1、采集原始振动信号：采集不同工况条件下齿轮箱的原始振动信号，将其设定为源域和目标域数据，其中源域为带标签数据，目标域为不带标签数据；S2、多模态信息融合：对步骤S1中采集并设定的原始振动信号提取时域波形序列，获取时域振动信号，并对时域振动信号进行快速傅里叶变换FFT得到频域振动信号，将最后得到的时域样本x
i
和频域样本x
t
进行Z
‑
分数标准化处理，进行时域和频域的数据级融合，并将处理后的源域和目标域的数据样本均划分为训练集和测试集，训练集和测试集两部分数据采样不重叠；S3、构建多模态对抗迁移网络模型：多模态对抗迁移网络模型由特征提取器G
f
(θ
f
)、类别分类器G
y
(θ
y
)和域判别器G
d
(θ
d
)构成，特征提取器G
f
(θ
f
)利用一维卷积神经网络接收源域或目标域的数据样本，并对其进行故障信息的提取；类别分类器G
y
(θ
y
)通过全连接层对接收好的特征进行任务故障分类，并通过Softmax函数映射为概率输出；域判别器G
d
(θ
d
)判断输入为源域或目标域；模型构建采用1D
‑
CNN作为特征提取器的网络结构，模型训练采用Adam优化器作为随机梯度下降优化方法，修正一阶动量和二阶动量的偏差来对网络参数进行更新；多模态对抗迁移网络模型的目标损失函数的表达式为：式中，为类别分类器的传统交叉熵损失，λ为超参数，为域判别器的域对抗分类损失，θ
f
、θ
d
、θ
y
分别表示特征提取器、域判别器和类别分类器的网络参数；的表达式为：的表达式为：的表达式为：上式中，n
s
表示源域样本数目，n
t
表示目标域样本数目，G
y
表示类别分类器，G
f
表示特征提取器，x
i
表示特征提取器的输入，φ(θ
f
，θ
y
)为模型参数正则项，为数据i的域判别器损失；S4、利用融合处理后源域和目标域的数据样本输入训练得到针对目标域的迁移诊断模型：将步骤S2中处理后源域的训练集和目标域的训练集数据输入到步骤S3中构建的多模态对抗迁移网络模型中，根据步骤S3中构建的目标损失函数用随机梯度下降算法对该网络进行迭代对抗训练优化网络参数，训练完成后保存模型最优...

【专利技术属性】
技术研发人员：雷文平，李沁远，高丽鹏，李晨阳，陈宏，陈磊，李凌均，王丽雅，梁川，闫灏，
申请(专利权)人：郑州大学，
类型：发明
国别省市：