基于自监督学习的滚动轴承跨域故障诊断方法技术

本发明专利技术属于滚动轴承故障诊断技术，具体公开了一种基于自监督学习的滚动轴承跨域故障诊断方法，包括以下步骤：S1：将从不同工况下采集到的原始振动信号构建标签源域与无标签目标域，并随机划分训练集与测试集；S2：将训练集数据输入到网络模型中，并通过反向传播算法依次对网络整体参数、分类器参数以及特征提取器的参数进行更新；S3：重复步骤S2至最大迭代次数，生成泛化性能良好的域适应网络；S4：输出在不同工况下的诊断结果。本发明专利技术综合了分类器的个体分类准确性以及分类器间的联合分类准确性，进一步提升了样本的可鉴别性。同时，增强了域适应模型对目标域数据的关注度，并进行自监督学习来引导目标域的优化。督学习来引导目标域的优化。督学习来引导目标域的优化。

【技术实现步骤摘要】
基于自监督学习的滚动轴承跨域故障诊断方法


[0001]本专利技术属于滚动轴承故障诊断
，具体涉及一种基于自监督学习的滚动轴承跨域故障诊断方法。

技术介绍

[0002]滚动轴承是现代机械设备中不可或缺的基础传动件之一，其健康状态与否将会直接影响机械设备的正常运行。在复杂机械系统中，滚动轴承的状态监测与故障诊断对于提高工业生产效率与降低事故发生率有着重大意义。传统的故障诊断方法大致可分为两类：基于模型的方法和基于信号处理的方法。由于在实际设备工作环境中的随机因素和噪声难以提前估测，基于模型的方法往往难以构建有效的数学模型。而基于信号处理的方法依赖于一定的专家先验知识，并且难以处理大量的数据。
[0003]近年来，由于人工智能技术的快速发展和大量监测数据的不断积累，基于数据驱动的智能故障诊断技术成为研究热点。以深度学习(DL)为代表的滚动轴承故障诊断方法能够从采集到的数据中自动提取特征，实现端到端的诊断模式，现已取得了显著的效果。然而，基于DL的故障诊断方法具有良好表现的前提是需满足两项关键的条件：丰富的标签数据以及训练与测试数据间的独本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，包括以下步骤：S1：将从不同工况下采集到的原始振动信号构建标签源域与无标签目标域，并随机将其按8：2的比例划分训练集与测试集；S2：将训练集数据输入到网络模型中，依次计算三次网络的总体损失函数，并通过反向传播算法依次对网络整体参数、分类器参数以及特征提取器的参数进行更新；S3：重复步骤S2至最大迭代次数，停止训练，生成泛化性能良好的域适应网络；S4：将步骤S1中的测试集数据输入训练好的网络模型中，输出在不同工况下的诊断结果。2.根据权利要求1所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，所述域适应网络结构包括：基于五层卷积块的特征提取器以及两个结构相同的分类器，所述特征提取器从源域与目标域数据中提取可迁移特征，两个所述分类器能够获取特征提取器生成的深度特征，输出相应的预测概率。3.根据权利要求2所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，步骤S1中的域适应网络模型构建方法为：首先，将从源域和目标域采样的原始振动信号引入特征提取器；然后，两个双分类器采用交叉熵损失对源样本进行分类，同时嵌入一个基于目标聚类的自监督学习损失；最后，构造一个极大极小博弈，引入双分类器联合与个体分类准确性损失来引导双分类器的输出。4.根据权利要求2所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，步骤S1具体包括：S11：采集不同工况下的滚动轴承振动数据，构建标签源域与无标签目标域，随机将目标域数据的80％划分为训练集，剩余的20％划分为测试集；S12：设置网络的最大迭代次数、卷积层中的卷积核的大小和步长，设置池化层中池化核的大小和步长，初始化卷积层和全连接层的权重参数。5.根据权利要求4所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，步骤S2具体包括：S21:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算所对应的目标域样本伪标签，基于此计算此时网络的总损失函数域样本伪标签，基于此计算此时网络的总损失函数利用反向传播算法对网络整体参数进行更新；S22:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数利用反向传播算法对分类器参数进行更新；S23：输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数L
cd
，利用反向传播算法对特征提取器参数进行更新。6.根据权利要求...

【专利技术属性】
技术研发人员：蒋全胜，林筱山，沈晔湖，吴石磊，姚琴，朱其新，谢鸥，王报祥，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：