一种基于迁移学习的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于迁移学习的滚动轴承故障诊断方法。针对无标记数据滚动轴承故障诊断方法不考虑细粒度信息导致故障诊断精度低的问题，提出一种基于迁移学习和残差网络的TL－ResNet故障诊断模型。首先，采用残差网络提取源域数据和目标域数据深层特征；其次，应用迁移学习中的领域自适应方法，计算已标记源域数据和未标记目标域数据的局部最大均值差异，并将该差异和源域样本分类误差作为损失函数，使用反向传播算法对网络进行训练；最后，基于CWRU轴承数据进行了变负载迁移实验，实验结果表明该方法大幅提升了故障诊断模型诊断精度，更加符合实际工程应用需求。更加符合实际工程应用需求。更加符合实际工程应用需求。

【技术实现步骤摘要】
一种基于迁移学习的滚动轴承故障诊断方法


[0001]本专利技术涉及基于数据驱动的滚动轴承(Rolling element bearings，REBs)故障诊断
，针对现有的滚动轴承无标记故障诊断方法忽略了样本的细粒度信息，造成诊断精度低的问题，提出一种基于迁移学习(Transfer learning，TL)和残差网络(Residual network，ResNet)的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为旋转机械的重要组成部分，其任何意外故障都有可能导致机器、甚至整个系统的突然故障，进而造成巨大的经济损失甚至是人员伤亡。因此，REBs的故障诊断是一个主要问题，并已引起国内外研究人员的广泛关注。
[0003]随着工业大数据的蓬勃发展，基于深度学习(Deep learning，DL)的REBs故障诊断方法得到了广泛应用。应用于REBs故障诊断的流行DL算法包括自动编码器(Auto encoder，AE)、递归神经网络(Recursive neural network，RNN)和卷积神经网络(Convolutiona本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的滚动轴承故障诊断方法，其特征在于，具体包括以下步骤：1)基于残差网络的特征提取本模型特征提取器结构由1个核大小为7
×
1的卷积层、8个残差块和1个全连接层组成；在模型每个卷积层的后面都添加有批标准化；特征提取器的输入是长度为1024的原始振动序列，经过残差网络提取特征后，由全连接层输出长度为256的特征向量；2)基于LMMD的特征对齐MMD是用来度量两种数据分布距离的一种函数；给定源域数据集和目标域数据集则X
S
与X
T
之间的MMD度量由下式描述：其中，n和m分别代表源域和目标域样本数，H表示再生核希尔伯特空间RKHS，φ( )表示将原始特征空间映射到高维Hilbert空间H的非线性映射；指定RKHS对应的核函数为高斯核函数，并计算MMD2(X
S
,X
T
)以简化计算，式(1)变为：LMMD是基于MMD的一种改进算法，其定义由下式给出：其中，与分别代表源域和目标域样本，C表示样本的类别数，与ω
itc
分别代表样本与属于类别C的权重；样本x
i
属于某一类别C的权重可由下式进行计算：其中，y
ic
指标签向量Y
i
的第C类标签；为所有样本中属于第C类的总和；对于源域样本，可直接采用标签的one－hot向量来计算对于目标域，由于是没有标签的，...

【专利技术属性】
技术研发人员：高学金，李虎，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：