【技术实现步骤摘要】
一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法
[0001]本专利技术涉及故障诊断领域，尤其涉及一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法。
技术介绍
[0002]行星滚柱丝杠以其承载能力强、精度高、极限转速高等优点，在航空、航天、航海等领域以及一些要求精密伺服传动场合的应用逐渐增多，但是行星滚柱丝杠通常以机械单余度的形式存在，其可靠性决定了整个系统的可靠工作，所以迫切需要对行星滚柱丝杠的故障诊断模型构建方法进行研究。
[0003]相比齿轮和轴承成熟的加工工艺，行星滚柱丝杠的加工工艺复杂，故障植入难度大，故障实验成本高，故障数据采集周期长，所以面临缺乏行星滚柱丝杠故障数据和缺乏针对行星滚柱丝杠故障诊断模型构建方法的问题，而且数据具有隐私性，所以各个机构并不会选择公开已获得的故障数据，形成了数据壁垒，进一步阻碍了行星滚柱丝杠的故障诊断模型构建方法研究。
[0004]联邦学习利用分散在各个客户端的数据来建模，然后上传模型至云端，各客户端模型在云端聚合，最终得到一个全局模型，然后...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习及轻量化模型的行星滚柱丝杠故障诊断模型构建方法，其特征在于，包括以下步骤：步骤1、数据采集；采集的数据包括行星滚柱丝杠正常、润滑失效、滚柱一侧断齿三种状态运行时X、Y、Z三个方向的振动数据，振动传感器安装在行星滚柱丝杠的螺母上；步骤2、数据预处理；具体包括如下子步骤：步骤2.1、原始数据划分为训练集和测试集，并设置不同类型标签；步骤2.2、对步骤2.1所述的训练集随机划分，构成联邦学习中各客户端(Host和Guest)的训练集，其中Host和Guest的训练集不重叠且数据量不同；步骤2.3、对步骤2.2所述的Host和Guest客户端的训练集和测试集按式(1)作归一化处理得到x*；其中，x
i
为当前样本数据值，min(x)为当前样本的最小值，max(x)为当前样本的最大值，M为归一化后数据的最大值，m为归一化后数据的最小值，利用式(1)可以将数据归一化到任意范围，本发明考虑到行星滚柱丝杠运行时振动数据具有方向性的特点，同时为了缩小数据跨度，将数据归一化到[
‑
1,1]，即M为1，m为
‑
1；步骤2.4、为了增加训练集样本的数量，对步骤2.3所述的归一化后的数据通过窗口裁剪的方式进行数据增强，获得的样本数量p如公式(2)所示：其中，n为数据点的数量，w为采样信号长度，s数据采样间隔；步骤2.5、行星滚柱丝杠的振动信号为非平稳信号，所以对步骤2.4所述的数据通过公式(3)进行小波包变换，得到高频信号的细节系数W
i+1,2j
和低频信号的近似系数W
i+1,2j+1
，然后最后一层各频段的近似系数和细节系数按行排列构成64
×
64的系数矩阵，之后将X、Y、Z三个方向的系数矩阵堆叠得到64
×
64
×
3的矩阵，作为神经网络的输入；其中，h(
·
)为高通正交滤波器，g(
·
)为低通正交滤波器，W
i,j
(k),k＝1,2,
…
,N/2
i
为第i层，第j个子节点处的小波包系数，τ为平移量。步骤3、对传统的卷积层进行改造，称为对称卷积层，使空间上各个位置进行乘加运算的核不同，但是不同通道使用一组权重完全相同的核，以对称卷积层为主要网络层，通过用对称卷积层替换传统18层残差神经网络中的卷积层，搭建轻量化神经网络模型SResNet18，包括对称卷积层、Batch Normalization、ReLU激活函数、最大池化层、卷积层、对称卷积残差层1、对称卷积残差层2、全局平局池化层、全连接层、Softmax函数：
①
对称卷积层：对称卷积层在空间中有多个权重不同的核，与空间中不同位置的输入进行乘加运算，所有通道共享一组核，在每个通道上的计算过程由式(4)定义：
其中，X为输入，I为对称卷积核，所有通道共享一组权重相同的对称卷积核，u、v为对称卷积核和输入的中心位置的邻域偏移量，K为对称卷积核大小，C
i
为第i个通道；所述对称卷积核在空间中有多个，且不同位置对称卷积核的权重不同，通过瓶颈层生成对称卷积核，通过一个池化层来减小输入的高度H0和宽度W0，经过一个池化层之后，高度W1和宽度W1分别变为H1＝H0/s...
【专利技术属性】
技术研发人员：马尚君，牛茂东，付晓军，刘更，
申请(专利权)人：西北工业大学，
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。