【技术实现步骤摘要】
一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法
[0001]本专利技术涉及机械设备中的智能故障诊断技术,具体涉及一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法。
技术介绍
[0002]目前,以火箭炮、火箭、装甲车辆等为代表的高速化、高精化、智能化的发射系统被广泛应用到民用工业服务、国防军工建设等各个领域。其中,伺服电机轴承作为发射系统传动与驱动链上十分重要的一环,扮演着关键的能源与动力传递或转换角色。其中,圆柱滚子轴承由于具有径向承载能力大的特点而广泛应用于高速旋转及冲击载荷下的伺服电机系统中,其在工作中发生的各种故障将直接影响发射系统的控制精度,其工作环境异常恶劣且复杂,且常处于高转速、高温升、变载荷等持续复杂工况,一旦伺服电机轴承系统发生故障或损伤,轻则会导致装备系统振动或噪音等信号异常增大,重则会导致不可逆转的灾难性事故。为此,需要对复杂工况下(如变工况、波动工况等)高端装备的核心零部件如轴承等进行有效的状态监测与故障诊断,这对提高伺服电机系统的稳定性与安全性具有积极的意义。
[0003]具体而言,由于伺服电机轴承系统的运行状况一般是轴承、转子等零部件相互作用、相互耦合为装备提供支撑、旋转等运动服务,其工作状况也时常表现出非线性、非平稳的耦合运动趋势。即复杂工况下伺服电机系统故障诊断带来的问题主要有:(1)复杂工况下轴承故障的频域信号会产生频移和幅变问题,使得传统的信号处理方法无法进行精确区分;(2)工况变化引起相邻两次冲击的时间间隔波动,导致工况波动剧烈;(3)样本之间分布存在显著差异 ...
【技术保护点】
【技术特征摘要】
1.一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法,其特征在于,包括以下步骤:步骤1:采集发射系统伺服电机轴承处的振动信号,将采集到的振动信号构建为训练样本集与测试样本集,再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广,得到增广后的多源域数据集,并将其分为增广的训练样本集的和增广的测试样本集;步骤2:将增广的训练样本集输入到设计的领域泛化图自编码算法中进行训练与学习:先对增广的训练样本集进行图表示学习,然后输入到图自编码网络中进行解码与编码,接着分别计算其图自编码故障分类损失与领域判别损失,利用多核最大均值差异损失及梯度反转层来缩小多源域分布差距,学习到能适应于未知目标域的泛化知识,利用训练好的领域泛化图自编码算法得到足够泛化的高维对齐特征;步骤3:将获得的高维对齐特征输入到故障分类器与领域判别器中进行诊断模型的训练,得到训练好的诊断模型;步骤4:将增广的测试样本集输入到训练好的诊断模型中进行发射系统伺服电机轴承系统未知域状态样本的测试与诊断。2.根据权利要求1所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法,其特征在于:步骤1中对发射系统伺服电机的关键零部件轴承处进行振动信号采集是指对火箭炮发射装置的伺服电机轴承位置处设置振动传感器采集不同工况下振动信号,再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广。3.根据权利要求2所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法,其特征在于:所述步骤1中将采集到的振动信号构建为训练样本集与测试样本集,再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广,得到增广后的多源域数据集,并将其分为增广的训练样本集与测试样本集,具体如下:步骤1.1:利用传感器技术对不同工况下、不同位置的伺服电机进行多源域的轴承信号采集,不同源域具有不同的标签集且服从不同分布,即每个领域都包含其独有的知识,同时又缺乏其他领域中特有的领域分布及标签知识,将所采集的多源域的轴承信号分为测试样本集与训练样本集;步骤1.2:定义狄利克雷混合,生成增广后的数据及其标签;狄利克雷分布由一组多元超参数α确定,采样得到多次狄利克雷混合过程中对各条数据的权重λ
(s)
;在特征层面进行混合叠加,狄利克雷混合计算为:λ~Dirichlet(α)其中,S表示源域个数,z
s
表示第s个源域的数据样本集,y
s
表示第s个源域的标签集;z
D
‑
mix
表示增广后的数据样本,y
D
‑
mix
表示增广后的标签集;步骤1.3:对于第s个源域从数据标签层对其进行增广,引入模型蒸馏思想,从其他领域中迁移与该领域数据相关的软标签知识,对第s个源域的数据增广后得到的标签为:
其中,y
distill
表示蒸馏后的样本标签,j表示第j维特征,F
j
(x
s
)表示对x
s
的特征提取器,G
j
(F
j
(x
s
))表示对F
j
所做的分类器;通过混合上述两种数据增广操作,得到一个增广后的多源域数据集,并将其分为增广的训练样本集与增广的测试样本集。4.根据权利要求3所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法,其特征在于:步骤2中将增广后的训练样本集输入到设计的领域泛化图自编码算法中进行模型训练与学习,具体如下:步骤2.1:利用图表示方法实现分布数据的表征,组合成多源域的增广后的训练数据集,设计领域泛化图自编码进行图表示学习,使用图卷积网络作为编码器Encoder,采用内积作为解码器Decoder来重构原始图,输出重构之后的混淆矩阵,计算表示为:积作为解码器Decoder来重构原始图,输出重构之后的混淆矩阵,计算表示为:其中,GCN为卷积神经网络,Z表示编码数据,X表示原始数据,A为权重数据集,Q(X
s
)表示对第s个源域数据进行编码,σ表示激活函数,H表示隐藏层输...
【专利技术属性】
技术研发人员:赵孝礼,姚建勇,邓文翔,孙宇昕,朱炜,杨玉磊,胡健,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。