一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法技术

一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域。本发明专利技术是针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题而提出的。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图；选择多种不同规格和工况下已知标签数据作为多源域，其他规格和工况下少量已知标签数据作为目标域；使用多个源域数据训练多个ResNet

【技术实现步骤摘要】
一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法


[0001]本专利技术涉及基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，涉及滚动轴承故障诊断


技术介绍

[0002]滚动轴承在工业生产中应用广泛，对其进行故障诊断可预防重大事故发生
[1]。滚动轴承规格和工况多变且工作环境恶劣难以拆卸，导致在工业生产中无法获取足够的带标签数据
[2]。同时，不同规格和工况下滚动轴承数据存在差异，并且在实际应用时，往往拥有多个相似的滚动轴承数据资源。因此，有效利用多个源域振动数据来实现不同规格和工况下滚动轴承的状态识别具有重要的意义。
[0003]传统故障诊断方法采用人工提取信号的特征，特征提取的情况会直接决定整个模型的诊断效果
[3]。近年来深度学习应用于故障诊断技术并显示出其优越性，通过自适应提取特征，在某种程度上可以避免人工提取故障特征造成的操作误差。文献[4]提出了首层多尺度卷积核的深度卷积神经网络，利用不同大小的一维卷积核从轴承原始振动信号中提取多尺度特征，实现了轴承健康状态的智能诊断。文献[5]将滚动轴承原始振动信号直接输入到双向长短期记忆网络中，通过双向长短期记忆网络自动提取滚动轴承的故障特征并进行诊断。文献[6]提出一种新的卷积深度置信网络与压缩感知方法相结合的故障诊断模型，并取得了较好的效果。文献[7]提出一种基于深度学习的多信号故障诊断方法，并且在感应电机故障识别方面取得了有效的诊断。
[0004]上述基于深度学习的方法需要大量的有标签数据来训练故障诊断模型，但由于滚动轴承工作条件复杂而无法获取足够有标签数据，因此基于深度学习的故障诊断方法存在局限性。
[0005]针对深度学习故障诊断方法存在的问题，迁移学习受到学术界的广泛关注。文献[8]构建深度自动编码器，利用目标域少量样本微调目标域模型提高迁移分类效果，且在不同轴承上验证了其有效性。文献[9]提出利用有标记数据的源域来训练改进的卷积神经网络，将训练好的模型参数迁移至目标域网络并微调，在公共数据集上取得了较好的分类效果。文献[10]利用格拉姆角差场方法将一维原始振动信号转化为二维图谱输入ResNet
‑
34网络中，通过模型迁移方法实现了变速轴承的故障诊断。
[0006]上述方法的源域和目标域模型均使用同一种网络模型，若使用相同网络模型对不同分布数据提取特征时，可能会漏掉相关特征信息。并且传统参数传递方法直接固定源域浅层网络迁移至目标域，容易迁移无用知识甚至负样本，导致负迁移。
[0007]文献[11]通过不同的自动编码器网络将源域与目标域特征映射到相同的空间，引入域中心距离评估不同域之间分布的相似性，通过支持向量机实现轴承故障诊断，具有较好的效果。文献[12]将ResNet
‑
20作为源域模型，ResNet
‑
32作为目标域网络，通过元学习(Meta Learning，ML)传递模型参数，并在多个数据集上取得了较好的效果。
[0008]上述迁移学习均为单个源域的迁移，忽略了多个不同相似数据集作为多源域时对目标域诊断的作用，并且在实际的工业生产中，往往拥有多个相似数据集的带标签数据。为了充分利用多个相似源域数据集资源以提高目标域诊断的准确率，多源域迁移方法受到了广泛的关注。
[0009]文献[13]提出一种基于多源域深度迁移学习的故障诊断方法，通过锚适配器的构建，获得多源域与目标域适配器数据对，再建立深度域适应的迁移学习网络模型获得每个数据对的分类器和预测结构，并在一个滚动轴承数据集上取得了良好的效果。文献[14]提出一种多源域迁移学习网络框架，通过将多个部分分布适应子网络和多源域诊断知识融合模块相结合，达到迁移和聚合多源域诊断知识，在两个数据集上获得了较好的效果。文献[15]利用核最大均值差异构造多个深度迁移学习网络，实现单个源域目标域自适应，再统一度量作为奖励，提出一种强化学习方法，为多领域多模型提供了有效的集成策略，在多个数据集上验证了方法的有效性。
[0010]针对不同规格和工况下滚动轴承故障诊断问题，现有方法大多建立在恒定规格或者不同规格但不涉及工况的条件下，并且在实际工业生产中，往往拥有多个相似的滚动轴承数据集资源，但传统模型迁移学习只有一个源域，忽略了多个相似源域数据集对目标域诊断的贡献。针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题，亟待解决。

技术实现思路

[0011]本专利技术要解决的技术问题是：
[0012]针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题，进而提出一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法(一种基于多源域异构模型迁移的滚动轴承故障诊断方法)。
[0013]本专利技术为解决上述技术问题所采用的技术方案为：
[0014]一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，所述方法适于不同规格不同工况下的滚动轴承故障诊断，其实现过程为：
[0015]1)数据选取及预处理
[0016]选取N种不同规格不同工况下滚动轴承的所有状态振动信号作为多个源域数据，记为源域一数据、源域二数据、
……
源域N数据，对多个源域数据作短时傅里叶变换得到多状态二维图像数据集，作为多源域网络的输入；
[0017]获取与所述多源域数据规格和工况均不同的少量已知标签振动信号，将其作为目标域数据；对目标域数据分别作短时傅里叶变换得到多状态二维图像数据集，作为目标域网络的输入；
[0018]2)构建多源域异构模型
[0019]利用多个相似源域数据迭代训练多个ResNet
‑
34网络构建多源域预训练模型，通过整合多个相似源域数据集中的相关信息来辅助目标域的分类识别任务，从而提升目标域的分类效果；
[0020]3)模型参数迁移及目标域网络模型训练
[0021]多个源域分类模型导出，利用基于ES
‑
MAML传递参数达到模型迁移的目的，通过ES
‑
MAML自适应决定迁移知识的层级及知识的内容到目标域，将处理好的目标域数据输入VGG
‑
16网络，通过不断交替更新目标网络模型参数与元网络参数，建立参数迁移后的目标域网络诊断模型；
[0022]4)模型集成及多状态识别
[0023]根据第3节将多个目标域网络模型提取到的特征输入ELM，结合这些特征信息实现模型集成过程，并利用目标域少量带标签数据对ELM进行微调，通过ELM分类器输出分类结果，最终建立最优的滚动轴承故障诊断模型。
[0024]进一步地，利用基于ES
‑
MAML传递参数进行模型迁移，提出一种基于进化策略的与模型无关元学习的新型参数传递策略，学习传递规则，自动考虑源域网络模型与目标域网络模型结构的差异、源域与目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，其特征在于，所述方法适于不同规格不同工况下的滚动轴承故障诊断，其实现过程为：1)数据选取及预处理选取N种不同规格不同工况下滚动轴承的所有状态振动信号作为多个源域数据，记为源域一数据、源域二数据、
……
源域N数据，对多个源域数据作短时傅里叶变换得到多状态二维图像数据集，作为多源域网络的输入；获取与所述多源域数据规格和工况均不同的少量已知标签振动信号，将其作为目标域数据；对目标域数据分别作短时傅里叶变换得到多状态二维图像数据集，作为目标域网络的输入；2)构建多源域异构模型利用多个相似源域数据迭代训练多个ResNet
‑
34网络构建多源域预训练模型，通过整合多个相似源域数据集中的相关信息来辅助目标域的分类识别任务，从而提升目标域的分类效果；3)模型参数迁移及目标域网络模型训练多个源域分类模型导出，利用基于ES
‑
MAML传递参数达到模型迁移的目的，通过ES
‑
MAML自适应决定迁移知识的层级及知识的内容到目标域，将处理好的目标域数据输入VGG
‑
16网络，通过不断交替更新目标网络模型参数与元网络参数，建立参数迁移后的目标域网络诊断模型；4)模型集成及多状态识别根据第3节将多个目标域网络模型提取到的特征输入ELM，结合这些特征信息实现模型集成过程，并利用目标域少量带标签数据对ELM进行微调，通过ELM分类器输出分类结果，最终建立最优的滚动轴承故障诊断模型。2.根据权利要求1所述的一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，其特征在于，利用基于ES
‑
MAML传递参数进行模型迁移，提出一种基于进化策略的与模型无关元学习的新型参数传递策略，学习传递规则，自动考虑源域网络模型与目标域网络模型结构的差异、源域与目标域任务的差异，无需手动调整参数传递配置，元学习会自适应匹配并产生对应权重。3.根据权利要求2所述的一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法，其特征在于，模型迁移具体为：(1)迁移知识的内容使用加权特征匹配损失确定迁移的内容，根据在目标任务上的效果决定迁移什么，加权特征匹配损失定义为：其中，H表示源域网络第m层的特征图大小，W表示目标域网络第n层的特征图大小，i∈(1,2,
…
,H)，j∈(1,2,
…
,W)，是通道c的非负权重，r
θ
是待训练模型参数θ的线性变换，为目标域网络的第n层的特征图，S
m
(x)是源域网络的第m层的特征图。将通道权重设为：
通过匹配源域第m层和目标...

【专利技术属性】
技术研发人员：王玉静，夏林，康守强，孙宇林，谢金宝，王庆岩，兰朝凤，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：