一种基于并行集成优化和迁移学习的轴承智能故障诊断方法技术

本发明专利技术公开了一种基于并行集成优化和迁移学习的轴承智能故障诊断方法，首先，基于信号解调方法，构建自适应输入模块，从原始振动信号中自动选择输入长度；其次，构建具有低维特征重用的

【技术实现步骤摘要】
一种基于并行集成优化和迁移学习的轴承智能故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于并行集成优化和迁移学习的轴承智能故障诊断方法
。

技术介绍

[0002]迁移学习
(TL)
是跨域准确识别轴承健康状态，保证机械安全运行的重要方法
。
随着研究的深入，选择不同的神经网络或优化函数重新建模来提高故障诊断性能将成为一种趋势
。
然而，这些方法和模型并未显著提高相关性能，特别是一旦数据集发生变化，模型的泛化能力就会下降
。
集成学习的理念解决了泛化能力低的问题
。
，因此亟需一种能解决源域和目标域未知分布差异问题，从而提高优化目标的泛化能力的轴承智能故障诊断方法
。

技术实现思路

[0003]为解决现有技术中存在的问题，本专利技术提供了一种基于并行集成优化和迁移学习的轴承智能故障诊断方法，首先，基于信号解调方法，构建自适应输入模块，从原始振动信号中自动选择输入长度；其次，构建具有低维特征重用的
TL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于并行集成优化和迁移学习的轴承智能故障诊断方法，其特征在于，包括如下步骤：
S1、
采集源域和目标域的振动信号；
S2、
自适应长度输入预处理：构建自适应输入长度模块对源域和目标域的振动信号进行预处理，得到振动信号的输入长度；
S3、
构建基于
CNN
的迁移学习网络，通过源域样本预训练获得参数，并与目标域样本共享训练参数，采用五个卷积网络和一个反卷积网络构建特征提取模块，并利用密集块使前面所有卷积层和后面卷积层密集链接，重用低维特征，用于提取特征并获得不同层的分层判别；采用两个全连接层
FC1
和
FC2
构建以分类器为代表的输出层，全连接层以
Conv4
和
Conv5
提取高级特征作为输入，全连接层中嵌入多个非线性的实例归一化
IN
和
Dropout
用于缓解过拟合，各层网络之间采用前向传播方法逐层进行非线性映射，采用反向传播方法对各层参数进行更新，并使交叉熵误差最小化；
S4、
构建由并行集成优化
、
分类误差和权衡函数组成最终的优化损失函数
L
，并通过反向传播更新参数，得到最优基于
CNN
的迁移学习网络，将经步骤
S2
预处理后的数据输入到最优网络，完成轴承智能健康状态识别与诊断
。2.
根据权利要求1所述的基于并行集成优化和迁移学习的轴承智能故障诊断方法，其特征在于：在步骤
S2
中，具体包括如下：对振动信号利用重叠数据分割技术将振动信号分成长度为
L
i
的若干部分，采用基于包络谱的信号解调方法对每个信号进行计算，提取低频特征；故障特征频率最大值
f
与带宽
B
ω
之间的关系公式表达如下：
B
ω
＝
t
×
f
，其中
t∈(1
，2，3，
4)
代表故障特征频率的倍数；振动信号的输入长度
L
a
，公式表达如下：其中，
f
为轴承故障特征频率最大值，
B
ω
为带宽
、L
i
为信号长度，
f
s
为采样频率
。3.
根据权利要求1所述的基于并行集成优化和迁移学习的轴承智能故障诊断方法，其特征在于：所述基于
CNN
的迁移学习网络包括分别为
Conv1
，
Conv2
，
Conv3
，
Conv4
和
Conv5
的五个卷积模块
、
一个反卷积模块
Tconv、
和...

【专利技术属性】
技术研发人员：易彩，汤贵庭，王靖元，张维浩，汪煜坤，林建辉，陶冶，李奕璠，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：