一种基于特征融合和无监督域自适应的轴承故障诊断方法技术

本发明专利技术公开了一种基于特征融合和无监督域自适应的轴承故障诊断方法，该方法首先采集不同工况的振动信号，经过切分等预处理步骤，分别得到多个源域和目标域数据集。其次，建立轴承故障诊断模型的多源域自适应神经网络，包括域不变特征提取器、域增强特征提取器、特定域特征提取器、特定域分类器四个子模块。然后，建立轴承故障诊断模型的目标函数，并指定相应的模型训练策略。最后，将目标域数据集输入训练好的轴承故障诊断模型，实现轴承故障诊断。本发明专利技术不仅可以提高轴承故障诊断模型在目标域上的故障诊断性能，并具有更高的鲁棒性。并具有更高的鲁棒性。并具有更高的鲁棒性。

【技术实现步骤摘要】
一种基于特征融合和无监督域自适应的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于特征融合和无监督域自适应的轴承故障诊断方法。

技术介绍

[0002]轴承是减少摩擦、保证元件平稳运行的关键摩擦学部件，广泛应用于各种旋转机械。因为长时间暴露在恶劣的工作环境中，例如高温、高转速和高负荷，轴承容易出现故障。据统计，约45
‑
55％的机械故障是由轴承故障引起的，轴承故障的高占比反映了轴承故障诊断的重要性和必要性。为了降低维修成本，避免人员伤亡，有必要在发生难以估量的损失之前对故障进行及时、准确的诊断。
[0003]随着数据分析时代的到来，如小波分解、经验模态分解、变分模态分解等基于振动信号进行时频特征分析的传统故障诊断方法逐渐被基于机器学习和深度学习的数据驱动方法所代替。机器学习在特征提取步骤中，对数据属性进行分析，根据专家知识设计的预定义公式手动选取和提取特征。这种非自动的特征提取步骤可能会从数据中引入不相关或冗余的特征，且这类特征对分类模型的准确性没有贡献。此外，传统的基于机器学习的故障诊断方法依赖于人工选择有价值的特征进行故障分类，但要获得海量数据要建立在耗时费力的步骤之上。
[0004]深度学习多基于同分布假设，然而轴承应用场景往往要面对多个工况。现有故障诊断方法大部分针对单个源域而言，这使得现有故障诊断方法不足以综合多工况的故障信息，难以满足当前实际轴承故障诊断的需求。当前的多源域自适应故障诊断方法中，大多数方法只注重域决策边界的对齐却不注重类别的决策边界对齐，这导致虽然已经实现域决策边界的对齐，但无法实现更精细地将不同域之间的相同故障类别对齐并取得更好地分类性能。此外，多域自适应的目标是利用标记的多源域和未标记的目标域来挖掘单一源域和目标域之间的关系和域不变特征，但当前的方法都只注重于挖掘所有源域和目标域之间的域不变特征，而忽略了单一源域和目标域之间的关系。

技术实现思路

[0005]本专利技术的目的在于提供一种基于特征融合和无监督域自适应的轴承故障诊断方法，该方法有效利用多个已知数据域，解决现有故障诊断模型难以综合多个数据域的问题，有效提高了故障诊断模型的诊断性能和稳定性。
[0006]本专利技术为解决技术问题采用如下技术方案：一种基于特征融合和无监督域自适应的轴承故障诊断方法，包括以下步骤：
[0007](1)采集不同工况的振动信号，经过预处理步骤，分别得到多个源域和目标域数据集；
[0008](2)建立轴承故障诊断模型的网络，包括域不变特征提取器、域增强特征提取器、特定域特征提取器和特定域故障分类器四个子模块；
[0009](3)建立轴承故障诊断模型的目标函数，并指定相应的模型训练策略；
[0010](4)将训练数据集输入轴承故障诊断模型，并训练轴承故障诊断模型的网络结构；
[0011](5)将目标域数据集输入训练好的轴承故障诊断模型，实现轴承故障诊断。
[0012]进一步地，步骤(1)中的源域数据集和目标域数据集具体表示为：
[0013](1.1)源域数据集表示为：
[0014][0015]目标域数据集表示为：
[0016][0017]其中，D
s
表示源域，表示第i个源域样本，X
s
表示所有源域样本的集合，表示所有源域样本的集合，表示第i个源域样本的标签，其中k表示故障类别的数量，Y
s
表示所有源域样本标签的集合，n
s
表示源域的样本数量；D
t
表示目标域，表示第i个目标域样本，X
t
表示所有目标域样本的集合，n
t
表示目标域的样本数量；
[0018](1.2)所述源域大于等于两个，即n
s
≥2；包括源域和目标域在内的所有域中，故障种类大于等于三种，且所有域下的故障种类相同；所述源域为已收集不同轴承故障种类数据集且数据集故障种类已知的历史工况；所述目标域为需要进行轴承故障诊断的工况，且由不同于所有历史工况的一种新工况样本构成，新工况下的故障种类与历史故障种类相同；源域和目标域分别遵循P
s,i
和Q的概率分布，且P
s,i
≠Q；P
s,i
表示第i个源域服从的概率分布，Q表示目标域服从的概率分布。
[0019]进一步地，步骤(1)中对于振动信号预处理的具体过程为：
[0020]不同工况下的振动信号预处理方式相同，均是将振动信号以不采取任何重叠的方式切分为样本，表示为x
i
(t)，每个样本的长度为l，总样本个数为n；对切分好的数据集进行数据标准化，然后以7
‑
8:3
‑
2对数据集划分训练集和测试集，将组成的训练集和测试集均构成单通道的三维数据集，其形式为(N,1,l)；N表示某一工况训练集或测试集的样本数。
[0021]进一步地，步骤(2)建立轴承故障诊断模型的网络操作如下：
[0022](2.1)所述域不变特征提取器表示为：g
s
(
·
)：X
→
Z
s
；
[0023]所述域增强特征提取器表示为：g
e
(
·
)：X
→
D
e
；
[0024]所述特定域特征提取器表示为：g
d
(
·
)：Z
s
→
D
d
；
[0025]所述特定域故障分类器表示为：f
c
(
·
)：D
→
S；
[0026]其中，X表示包括所有源域和目标域的样本；Z
s
表示X经过g
s
(
·
)后针对所有源域和目标域的共同特征空间；D
e
表示X经过g
e
(
·
)后针对单一源域和目标域的共同特征空间；D
d
表示X在g
s
(
·
)的基础上经过g
d
(
·
)后针对单一源域和目标域的共同特征空间；S表示经过模型预测后的故障种类概率空间；
[0027](2.2)所述域不变特征提取器由深度残差网络组成，网络深度不包括池化层和批归一化层；域不变特征提取器将来自于所有域的样本映射到共同特征空间Z
s
中提取下游任务特征向量；
[0028](2.3)所述域增强特征提取器由由深度残差网络组成，网络深度不包括池化层和批归一化层；域增强特征提取器将来自于单个源域和目标域的样本映射到共同特征空间D
e
中提取下游任务特征向量，因此，共有源域数量n
s
个域增强特征提取器；
[0029](2.4)所述特定域特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合和无监督域自适应的轴承故障诊断方法，其特征在于，包括以下步骤：(1)采集不同工况的振动信号，经过预处理步骤，分别得到多个源域和目标域数据集；(2)建立轴承故障诊断模型的网络，包括域不变特征提取器、域增强特征提取器、特定域特征提取器和特定域故障分类器四个子模块；(3)建立轴承故障诊断模型的目标函数，并指定相应的模型训练策略；(4)将训练数据集输入轴承故障诊断模型，并训练轴承故障诊断模型的网络结构；(5)将目标域数据集输入训练好的轴承故障诊断模型，实现轴承故障诊断。2.根据权利要求1所述的一种基于特征融合和无监督域自适应的轴承故障诊断方法，其特征在于，步骤(1)中的源域数据集和目标域数据集具体表示为：(1.1)源域数据集表示为：目标域数据集表示为：其中，D
s
表示源域，表示第i个源域样本，X
s
表示所有源域样本的集合，表示所有源域样本的集合，表示第i个源域样本的标签，其中k表示故障类别的数量，Y
s
表示所有源域样本标签的集合，n
s
表示源域的样本数量；D
t
表示目标域，表示第i个目标域样本，X
t
表示所有目标域样本的集合，n
t
表示目标域的样本数量；(1.2)所述源域大于等于两个，即n
s
≥2；包括源域和目标域在内的所有域中，故障种类大于等于三种，且所有域下的故障种类相同；所述源域为已收集不同轴承故障种类数据集且数据集故障种类已知的历史工况；所述目标域为需要进行轴承故障诊断的工况，且由不同于所有历史工况的一种新工况样本构成，新工况下的故障种类与历史故障种类相同；源域和目标域分别遵循P
s，i
和Q的概率分布，且P
s，i
≠Q；P
s，i
表示第i个源域服从的概率分布，Q表示目标域服从的概率分布。3.根据权利要求1所述的一种基于特征融合和无监督域自适应的轴承故障诊断方法，其特征在于，步骤(1)中对于振动信号预处理的具体过程为：不同工况下的振动信号预处理方式相同，均是将振动信号以不采取任何重叠的方式切分为样本，表示为x
i
(t)，每个样本的长度为l，总样本个数为n；对切分好的数据集进行数据标准化，然后以7
‑
8：3
‑
2的比例对数据集划分训练集和测试集，将组成的训练集和测试集均构成单通道的三维数据集，其形式为(N，1，l)；N表示某一工况训练集或测试集的样本数。4.根据权利要求1所述的一种基于特征融合和无监督域自适应的轴承故障诊断方法，其特征在于，步骤(2)建立轴承故障诊断模型的网络操作如下：(2.1)所述域不变特征提取器表示为：g
s
(
·
)：X
→
Z
s
；所述域增强特征提取器表示为：g
e
(
·
)：X
→
D
e
；所述特定域特征提取器表示为：g
d
(
·
)：Z
s
→
D
d
；所述特定域故障分类器表示为：f
c
(
·
)：D
→
S；其中，X表示包括所有源域和目标域的样本；Z
s
表示X经过g
s
(
·
)后针对所有源域和目标域的共同特征空间；D
e
表示X经过g
e
(
·
)后针对单一源域和目标域的共同特征空间；D
d
表示X
在g
s
(
·
)的基础上经过g
d
(
·
)后针对单一源域和目标域的共同特征空间；S表示经过模型预测后的故障种类概率空间；(2.2)所述域不变特征提取器由深度残差网络组成，网络深度不包括池化层和批归一化层；域不变特征提取器将来自于所有域的样本映射到共同特征空间Z
s
中提取下游任务特征向量；(2.3)所述域增强特征提取器由深度残差网络组成，网络深度不包括池化层和批归一化层；域增强特征提取器将来自于单个源域和目标域的样本映射到共同特征空间D
e
中提取下游任务特征向量，因此，共有源域数量n
s
个域增强特征提取器；(2.4)所述特定域特征提取器由一个卷积模块、两个混合注意力模块、一个拼接层和一个自适应平均池化层组成，卷积模块由一个一维卷积层、一个批归一化层和一个激活函数层组成；特定域特征提取器将经过域不变特征提取器的特征表示和经过域增强特征提取器的特征表示拼接后映射到共同特征空间D
d
中提取下游任务特征向量，因此，共有源域数量n
s
个特定域特征提取器；(2.5)所述特定域故障分类器由三个全连接层组成，输出节点为故障种类的数量；特定域故障分类器将来自于上游特定域特征提取器的单个源域和目标域的特征表示映射到故障种类概率空间S中，其输出特征向量维度与故障种类数量一致，表示属于某一类故障的概率，因此，共有源域数量n
s
个特定域故障分类器。5.根据权利要求4所述的一种基于特征融合和无监督域自适应的轴承故障诊断方法，其特征在于，步骤(2.4)中的混合注意力模块的具体描述为：所述混合注意力模块由通道注意力模块和空间注意力模块组成，最终得到改进特征表示，其中，...

【专利技术属性】
技术研发人员：金怀平，刘志泳，陶海波，王彬，杨彪，钱斌，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：