跨工况的滚动轴承故障靶向迁移诊断方法及系统技术方案

本发明专利技术提供了一种跨工况的滚动轴承故障靶向迁移诊断方法及系统，解决了传统滚动轴承故障诊断算法难以提取源域和目标域中网络深层特征信息、无法实现有效的跨域故障诊断的问题。本发明专利技术利用特征编码器从输入的滚动轴承振动信号中精确地提取信号的高维映射特征；将该特征进一步输入到图构建层，挖掘数据的深层特征，并利用多通道核图卷积网络对实例图建模；利用基于差异和对抗的训练来最小化源域和目标域分布之间的距离，分类器则使用提取的域不变特征来完成跨域故障识别。本发明专利技术与其他方法相比较，在滚动轴承跨工况条件下，可以更好的提取深层特征用于跨域传递，极大的提高了诊断准确率。准确率。准确率。

【技术实现步骤摘要】
跨工况的滚动轴承故障靶向迁移诊断方法及系统


[0001]本专利技术涉及轴承故障诊断
，特别涉及一种跨工况的滚动轴承故障靶向迁移诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]滚动轴承作为大多数旋转机械设备的关键部位，由于工作环境恶劣、工况发生变化、超负荷运转时间长等特点，经常发生故障，进而带来整机机械故障并造成一定的经济损失。因此，对跨工况下滚动轴承的运行状态进行监测具有重要意义。
[0004]近年来，伴随着海量数据的出现，基于深度学习的数据驱动方法备受关注。它不同于传统的浅层网络架构，而是通过堆叠多层非线性处理单元来实现的，并且提供了一种端到端的解决方式，众多学者也进行了相应的研究。Jia等人提出了一种基于SAE的深度神经网络DNN，用于识别电机和齿轮箱中的故障。Ding等人提了使用卷积神经网络从小波包能量图像中挖掘能量波动的多尺度特征，用于主轴轴承的故障诊断。Chen等人提出了一种利用原始振动信号作为输入的自动特征学习神经网络，并使用两个具有不同核大小的CNN从原始数据中自动提取不同频率信号特征，然后根据学习到的特征，使用LSTM来识别故障类型。上述的深度学习算法已经在恒定工况下滚动轴承的故障诊断领域取得了良好的效果，然而在复杂的跨工况条件下却很难提取域间差异特性，使得模型的泛化性能有所下降。
[0005]迁移学习作为一种减少跨域特征分布差异的方法，为建立从源域标记数据到目标域未标记数据之间的知识迁移提供了新的思路，有效的解决了跨工况下域间分布差异的问题。在智能故障诊断领域，已经提出了许多迁移学习方法来解决跨域诊断问题，它们基本可以分为基于实例的，基于模型的和基于特征的。Xiao等人使用TrAdaBoost来调整每个训练样本的权重因子，以此来增强故障分类器的诊断性能。Wang等人提出了一种基于估计伪标签的条件MMD，以缩短轴承故障诊断的分布距离。通过最小化MMD损失，在多个层中同时对齐边缘分布和条件分布。Han等人提出了一种深度对抗卷积神经网络DACNN，利用基于对抗的损失函数来缩小域间差异，用于提高齿轮箱和电机故障诊断的泛化性能。Li等人将具有拓扑结构的图数据作为输入，采用对数据关系挖掘更有效，特征表示更强大的图卷积网络GCN建模用于机械故障诊断，取得了优异的性能。可以看出，类别标签、领域标签和数据结构的信息在减少源域和目标域差异之间起着重要的作用，并且它们应该是互相完善，互相增强的。
[0006]然而，专利技术人发现，现有的方法仅仅考虑了源域和目标域的两种信息，未把数据结构融入深度神经网络模型之中，不同工况下数据分布差异较大，导致故障识别准确率低和泛化性能不足。

技术实现思路

[0007]为了解决现有技术的不足，本专利技术提供了一种跨工况的滚动轴承故障靶向迁移诊
断方法及系统，在滚动轴承跨工况条件下，可以更好的提取深层特征用于跨域传递，极大的提高了诊断准确率。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术第一方面提供了一种跨工况的滚动轴承故障靶向迁移诊断方法。
[0010]一种跨工况的滚动轴承故障靶向迁移诊断方法，包括以下过程：
[0011]获取滚动轴承的振动信号；
[0012]通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；
[0013]根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；
[0014]其中，根据源域训练集结合分类器得到的深层高维特征得到分类损失，根据源域训练集和目标域训练集得到的深层高维特征得到结构差异损失，根据源域训练集和目标域训练集得到的深层高维特征以及对抗网络，得到对抗损失；
[0015]以分类损失、第一参数与结构差异损失的乘积、第二参数与对抗损失的乘积三者的加和为总体损失函数，根据总体目标函数，通过反向传播算法优化特征提取器、分类器和判别器的参数。
[0016]作为本专利技术第一方面可选的一种实现方式，图构建层用于获取邻接矩阵，包括：
[0017]根据特征编码器网络，从样本数据中获得高维特征映射，即X＝G(x)；
[0018]提取的高维特征映射，输入到线性层中，经过Softmax后表示为
[0019]通过线性层的特征与其转置之间进行矩阵相乘计算，获得邻接矩阵A，
[0020]通过KNN算法，构造边关系：
[0021]作为本专利技术第一方面进一步的限定，多通道核图卷积网络，包括：
[0022][0023][0024]其中，X代表输入，A代表邻接矩阵，代表可训练权值矩阵，G代表多通道核图卷积操作，代表第k
i
个通道在第L层的高维特征表示，[
·
]代表特征拼接，H表示经过多通道核图卷积网络后的输出特征。
[0025]作为本专利技术第一方面可选的一种实现方式，交叉熵损失L
C
，包括：
[0026][0027]其中，表示分类器的预测结果，E表示数学期望值，为源域样本，为其标签。
[0028]作为本专利技术第一方面可选的一种实现方式，结构差异损失L
s
，包括：
[0029][0030]其中，和分别表示第i个源域样本和第j个目标域样本经过特征提取器后的特征映射，φ表示非线性特征映射，Ω
k
表示嵌入提取的特征到再生核希尔伯特空间RKHS中的距离度量，采用m个核的凸组合k
u
来对映射进行有效地估计：其中，α
u
是不同核的加权参数，且E表示数学期望值，为源域样本，为目标域样本。
[0031]作为本专利技术第一方面可选的一种实现方式，对抗损失L
AD
，包括：
[0032][0033]其中，D(
·
)为经过判别器后的特征输出，和分别表示第i个源域样本和第j个目标域样本经过特征提取器后的特征映射，E表示数学期望值，为源域样本，为目标域样本。
[0034]作为本专利技术第一方面可选的一种实现方式，通过反向传播算法优化特征提取器、分类器和判别器的参数，包括：
[0035][0036]其中，代表偏微分算子，η代表学习率，θ
F
代表特征提取器的参数，θ
C
代表分类器的参数，θ
D
代表判别器的参数，L
C
为交叉熵损失，L
s
为结构差异损失，L
AD
为对抗损失。
[0037]本专利技术第二方面提供了一种跨工况的滚动轴承故障靶向迁移诊断系统。
[0038]一种跨工况的滚动轴承故障靶向迁移诊断系统，包括：
[0039]数据获取模块，被配置为：获取滚动轴承的振动信号；
[0040]特征提取模块，被配置为：通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；
[0041]故障诊断模块，被配置为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下过程：获取滚动轴承的振动信号；通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；其中，根据源域训练集结合分类器得到的深层高维特征得到分类损失，根据源域训练集和目标域训练集得到的深层高维特征得到结构差异损失，根据源域训练集和目标域训练集得到的深层高维特征以及对抗网络，得到对抗损失；以分类损失、第一参数与结构差异损失的乘积、第二参数与对抗损失的乘积三者的加和为总体损失函数，根据总体目标函数，通过反向传播算法优化特征提取器、分类器和判别器的参数。2.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，图构建层用于获取邻接矩阵，包括：根据特征编码器网络，从样本数据中获得高维特征映射，即X＝G(x)；提取的高维特征映射，输入到线性层中，经过Softmax后表示为通过线性层的特征与其转置之间进行矩阵相乘计算，获得邻接矩阵A，通过KNN算法，构造边关系，即3.如权利要求2所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，多通道核图卷积网络，包括：多通道核图卷积网络，包括：其中，X代表输入，A代表邻接矩阵，代表可训练权值矩阵，G代表多通道核图卷积操作，代表第k
i
个通道在第L层的高维特征表示，[
·
]代表特征拼接，H表示经过多通道核图卷积网络后的输出特征。4.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，交叉熵损失L
C
，包括：其中，表示分类器的预测结果，E表示数学期望值，为源域样本，为其标签。5.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，结构差异损失L
s
，包括：其中，和分别表示第i个源域样本和第j个目标域样本经过特征提取器后的
特征映射，φ表示非线性特征映射，Ω
k
表示嵌入提取的特征到再生核希尔伯特空间RKHS中的距离度量，采用m个核的凸组合k
u
来对映射进行有效地估计：其中，α
u
...

【专利技术属性】
技术研发人员：张法业，刘福政，姜明顺，张雷，隋青美，贾磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：