一种基于多层复合域适配的稀疏分类的轴承故障诊断方法技术

本发明专利技术提供了一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，属于机械故障诊断领域，包括采集不同工况下已知故障和未知故障的滚动轴承的振动数据，对得到的源域和目标域滚动轴承振动数据进行小波变换得到二维时频图；构建包括深度特征提取模块、域分布差异模块和标签一致稀疏分类模块的Coral

【技术实现步骤摘要】
一种基于多层复合域适配的稀疏分类的轴承故障诊断方法


[0001]本专利技术涉及机械设备维护
，尤其是一种基于多层复合域适配的稀疏分类的轴承故障诊断方法。

技术介绍

[0002]旋转机械是工业上应用最为广泛的机械，从小到汽车、发电机、风机，大到运输船，航母宇宙飞船等，都有旋转机械的身影。滚动轴承是旋转机构的主要组成部分，约30％的机械故障是与轴承损伤有关联的，当滚动轴承出现故障时，设备就会停运需要检修，因此建立有效的轴承状态监测和故障诊断系统从而保证轴承健康工作对现代工业生产具有重要意义。由于滚动轴承运行工况的多变，工作环境的复杂，故滚动轴承故障的发生率会随着使用时间增加而逐渐增大。滚动轴承的故障诊断技术是以预报和诊断设备故障为目的的较为完善的综合性技术，对滚动轴承的故障预警和故障识别起到至关重要的作用。轴承振动信号作为轴承状态信息的重要载体，由于各种故障引起的振动信号各不相同，如何从大量复杂的振动信号中提取有价值的特征信息来评价设备的健康状况一直是学术界和工业界研究的重点。
[0003]传统的故障诊断技术采用：人工特征提取和选择+分类器的模式，这种模式需依靠专家经验和知识，大大限制了模型在工业界的推广，随着“大数据云计算时代”到来，海量的数据也给传统故障诊断技术带来了大的挑战，在此背景下深度学习技术为滚动轴承故障诊断领域带来了新的希望。深度学习技术能够从原始信号中自适应的提取出有价值的特征，从而摆脱人为提取特征对专家知识和经验的依靠，实现模型的自学习诊断过程。然而深度学习技术在故障诊断领域的研究和应用还处于早期阶段，尤其是如何把模型从实验室环境下推广到工业环境中一直是难题，因为主要面临两个原因：1.如何依据滚动轴承故障的特性找到使用范围或者适用环境比较广的模型，避免模型的多样性；2.如何才能提升模型的迁移能力，保证模型从实验室环境到工业环境迁移且不降低精度。目前本领域采用的深度学习方法存在的问题是：1.模型的特征提取网络太浅造成模型的特征提取模块适应性差。2.深度学习模型采用较多的是SVM、Softmax分类器等，适应性比较差且对迁移效果有影响。
[0004]基于以上问题，有必要研发一种基于多层复合域适配的稀疏分类的轴承故障诊断方法。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，通过自定义比较深的特征提取网络来提取特征使网络适应性更强，并通过采用LC
‑
ksvd模型来自学习一个字典和一个分类器，从而能够根据数据分布不同找到最优的分类器，提升模型的迁移能力和适应能力，可以实现变工况下的滚动轴承故障诊断，有效的提升了不同工况下轴承故障的诊断精度。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，包括以下步骤：
[0008]S1，采集不同运行工况下的不同故障状态的滚动轴承的振动时域信号，并把对采集到的时域信号进行滤波处理去除所述时域信号中的噪声，对去噪后的时域信号进行小波变换，获得与时域信号对应的二维时频图；
[0009]已知运行工况下采集的已知故障状态的滚动轴承的时域信号构成源域，其他运行工况下采集的未知故障状态的滚动轴承的振动时域信号构成目标域；
[0010]S2，构建Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络；所述Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络包括深度特征提取模块、域分布差异模块和标签一致稀疏分类模块；
[0011]S3，将S1中得到的已知故障状态的源域数据和一部分未知故障状态的目标域数据作为输入，将源域数据中每个二维时频图对应的故障状态作为标签一致稀疏分类模块的期望输出，通过每个二维时频图对应的故障状态标签及预测标签确定状态分类损失值以及分类精度；
[0012]通过计算源域和目标域的特征的分布均值的最大差异及特征协方差之间的距离确定域分类损失值；
[0013]通过所述状态分类损失值和域分类损失值对S2中构建的Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络参数进行多次迭代调整，从而得到训练好的Coral
‑
MMD多层复合域差异标签一致稀疏分类网络模型；
[0014]S4，将S1中得到的目标域中其余数据输入到训练好的Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络，由所述标签一致稀疏分类模块得到所述输入数据对应的状态标签，实现不同工况下滚动轴承故障诊断。
[0015]本专利技术技术方案的进一步改进在于：步骤2中，
[0016]所述深度特征提取模块用于对源域和目标域的二维时频图进行特征提取，
[0017]所述域分布差异模块用于衡量提取到的源域和目标域的特征的分布均值的最大差异以及特征协方差之间的距离；
[0018]所述标签一致稀疏分类模块用于对提取到的源域的特征学习一个具有稀疏判别能力的字典和一个线性分类器，对提取到的源域和目标域的特征进行分类。
[0019]本专利技术技术方案的进一步改进在于：所述深度特征提取模块采用自定义的多层卷积残差块：包括第一卷积模块、第二卷积模块、第一池化层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、第二池化层；
[0020]所述第一卷积模块和所述第二卷积模块均包括一个卷积层、一个BN层、一个ReLu层；所述卷积层的输出通道数为64，卷积核为3*3，步长为1；
[0021]所述第一卷积模块和第二卷积模块的输出计算如下：
[0022][0023]其中，y表示经过卷积层操作后的特征张量，f表示非线性激活函数，x表示输入特征张量，W表示卷积核的权重，B表示偏置系数；
[0024]所述第一池化层为3*3的最大池化层，所述第一池化层步长为2；
[0025]所述第一残差模块包括3个输出通道数为64的残差块；所述第二残差模块包括6个
输出通道数为128的残差块；所述第三残差模块包括6个输出通道数为256的残差块；所述第四残差模块包括3个输出通道数为512的残差块；
[0026]其中，每个残差块由带有自身映射的一个1*1的卷积层、一个3*3的卷积层和一个1*1的卷积层构成；经过第i个残差块后输出的特征表示为：
[0027]X
i+1
＝H
i
(X
i
)+X
i
[0028]其中，X
i
表示第i个残差块的输入特征，X
i+1
表示第i个残差块的输出特征，H
i
为第i层特征提取的复合函数，包括BN、Relu、1*1Conv2d，3*3Conv2d；
[0029]所述第二池化层为平均值池化层。
[0030]本专利技术技术方案的进一步改进在于：所述域分布差异模块采用Coral和MMD的复合域差异损失；
...

【技术保护点】

【技术特征摘要】
1.一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：包括以下步骤：S1，采集不同运行工况下的不同故障状态的滚动轴承的振动时域信号，并把对采集到的时域信号进行滤波处理去除所述时域信号中的噪声，对去噪后的时域信号进行小波变换，获得与时域信号对应的二维时频图；已知运行工况下采集的已知故障状态的滚动轴承的时域信号构成源域，其他运行工况下采集的未知故障状态的滚动轴承的振动时域信号构成目标域；S2，构建Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络；所述Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络包括深度特征提取模块、域分布差异模块和标签一致稀疏分类模块；S3，将S1中得到的已知故障状态的源域数据和一部分未知故障状态的目标域数据作为输入，将源域数据中每个二维时频图对应的故障状态作为标签一致稀疏分类模块的期望输出，通过每个二维时频图对应的故障状态标签及预测标签确定状态分类损失值以及分类精度；通过计算源域和目标域的特征的分布均值的最大差异及特征协方差之间的距离确定域分类损失值；通过所述状态分类损失值和域分类损失值对S2中构建的Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络参数进行多次迭代调整，从而得到训练好的Coral
‑
MMD多层复合域差异标签一致稀疏分类网络模型；S4，将S1中得到的目标域中其余数据输入到训练好的Coral
‑
MMD多层复合域适配的标签一致稀疏分类网络，由所述标签一致稀疏分类模块得到所述输入数据对应的状态标签，实现不同工况下滚动轴承故障诊断。2.根据权利要求1所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：步骤2中，所述深度特征提取模块用于对源域和目标域的二维时频图进行特征提取，所述域分布差异模块用于衡量提取到的源域和目标域的特征的分布均值的最大差异以及特征协方差之间的距离；所述标签一致稀疏分类模块用于对提取到的源域的特征学习一个具有稀疏判别能力的字典和一个线性分类器，对提取到的源域和目标域的特征进行分类。3.根据权利要求2所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：所述深度特征提取模块采用自定义的多层卷积残差块：包括第一卷积模块、第二卷积模块、第一池化层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、第二池化层；所述第一卷积模块和所述第二卷积模块均包括一个卷积层、一个BN层、一个ReLu层；所述卷积层的输出通道数为64，卷积核为3*3，步长为1；所述第一卷积模块和第二卷积模块的输出计算如下：其中，y表示经过卷积层操作后的特征张量，f表示非线性激活函数，x表示输入特征张
量，W表示卷...

【专利技术属性】
技术研发人员：赵兴涛，李强，
申请(专利权)人：燕山大学，
类型：发明
国别省市：