一种基于两阶段迁移的齿轮箱故障诊断方法技术

本发明专利技术属于机械设备故障诊断的技术领域，更具体地，涉及一种基于两阶段迁移的齿轮箱故障诊断方法

【技术实现步骤摘要】
一种基于两阶段迁移的齿轮箱故障诊断方法


[0001]本专利技术属于机械设备故障诊断的
，更具体地，涉及一种基于两阶段迁移的齿轮箱故障诊断方法
。

技术介绍

[0002]齿轮作为机械旋转设备中的关键传动部件，齿轮箱在传输运动和动力的过程中发挥着重要作用
。
由于工作条件往往较为复杂恶劣，齿轮箱容易发生齿轮
、
轴承内外圈和滚动体等故障
。
一旦发生故障，就会造成设备停机，延误工期，给生命财产安全造成不可估量的损失
。
因此，对齿轮箱进行故障诊断研究具有重要意义
。
目前，针对故障诊断的模型大多受两个条件限制：
(1)
训练数据集要含有足够的标记信息；
(2)
训练数据和测试数据在同一分布中
。
而在实际生活中机械运行时的转速和负载经常变化，每种工况的标记也难以完全获得，有时在运行过程中还会出现新的故障
。
因此，利用现有的齿轮箱标记数据诊断未知的齿轮箱健康状态成为当前实际工程中的切实需求
。
[0003]中国专利文献
CN115753103A
公开了一种基于标准自学习数据增强的故障诊断方法及系统，该方法包括：基于一维卷积神经网络，构建故障诊断模型；通过标准自学习与数据增强的交叉对抗训练方式，对故障诊断模型进行训练，得到完备数据集和强非平稳工况下的智能故障诊断模型；将采集的待诊断振动信号，输入到训练好的智能故障诊断模型中，得到轴承故障诊断结果
。
[0004]综上，迁移学习成为智能故障诊断中一种广泛应用的方法，迁移学习能够根据带有标记的源域知识来诊断相似领域的故障类型
。
在机械故障诊断领域中，学者们已经提出了各种方法和扩展的迁移学习的生成模型，但大多数迁移学习模型只适用于源域和目标域故障类型相同的情况，当目标域出现源域中没有出现的故障类型时，以前的模型对这种状况应用效果不佳，无法达到理想中的结果
。
此外，有些模型虽然可以分出源域中未出现的故障，但无法检测出新出现的故障类型个数，以及待诊断齿轮箱目标数据诊断精度较低
。

技术实现思路

[0005]本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于两阶段迁移的齿轮箱故障诊断方法，以解决现有技术无法检测出新出现的故障类型个数，导致待诊断齿轮箱目标数据诊断精度较低等问题
。
[0006]本专利技术详细的技术方案如下：
[0007]S1.
用加速度计采集齿轮箱在不同运行工况下的原始振动信号；
[0008]S2.
将采集的数据进行预处理后设定为源域数据集和目标域数据集，并划分为训练集和测试集；
[0009]所述源域数据集包括带标记的已知故障类样本，目标域数据集包括未标记的已知故障类样本和未标记的新出现的故障类样本；
[0010]S3.
构建基于两阶段迁移的齿轮箱故障诊断模型；
[0011]所述第一阶段模型为对抗训练模块，所述对抗训练模块包括特征提取器
、
辅助分类器和分类器；
[0012]所述特征提取器包括卷积层
、
最大池化层
、n
层残差块和平均池化层；
[0013]所述辅助分类器包括两个全连接层和输出层，辅助分类器的第一层全连接层使用
Relu
激活函数，辅助分类器的第二层全连接层使用
leaky
‑
softmax
函数；
[0014]所述分类器包括两层全连接层和分类层，分类器的第一层全连接层使用
Tanh
激活函数，分类器的第二层全连接层使用
sigmoid
激活函数，所述分类层使用
softmax
函数；
[0015]所述第二阶段模型为卷积自编码器模块，所述卷积自编码器模块包括编码器
、
解码器和
K
‑
means
算法；
[0016]所述编码器包括三层卷积层
、
池化层，所述解码器包括三层卷积层
、
上采样层
。
[0017]S4.
将训练集样本输入构建的基于两阶段迁移的齿轮箱故障诊断模型；
[0018]所述
S4
具体包括：
[0019]S41、
将训练集经对抗训练模块中的特征提取器里的第一层卷积处理后经归一化和
relu
激活函数优化得到卷积特征图；
[0020]S42、
将卷积特征图输入对抗训练模块中的特征提取器里的最大池化层，提取卷积滤波器大小
β
和最大池的步幅大小
Ipl
的最大特征值；
[0021]S43、
将最大特征值输入到对抗训练模块中的特征提取器里的
n
层残差块后，再输入到平均池化层，得到特征提取器提取的特征；
[0022]所述特征提取器用于从标记的源域样本中提取特征，并采用标准的交叉熵损失，源域样本的损失函数可以定义为：
[0023][0024]其中：
[0025][0026]式中，表示输入样本被分类为类别的概率，
y
表示输入样本
、
被分类为类别代表归一化项，其中
z
为1～
k
，
K
表示已知故障类型的数量
。
[0027]S44、
辅助分类器对接收的特征提取器提取的特征赋予权重值，计算未标记的目标域样本和带有标记的源域样本之间的相似性并用权重表示；
[0028]S45、
分类器通过全连接层对
S43
中的特征提取器提取的特征进行故障分类，并通过
softmax
函数映射为概率输出；
[0029]在分类器中，新故障类型的概率为：
[0030][0031]其中
K+N
表示新类故障类型，表示目标域特征；
[0032]由于已知类别的数据更容易被分类到已知故障类别中的概率，当输入样本属于新的
故障类型时，被分类到新故障类别中的概率比已知故障类别的故障率高
。
为了量化已知故障类别和新故障类别之间的决策边界，选择权重值来判断输入样本属于已知故障类别还是新故障类别；
[0033]如果输入样本属于新故障类型的概率小于权重值则认为输入样本为已知类；否则，输入样本被认定为新故障类别，特征提取阶段的二元交叉熵损失函数如下所示：
[0034][0035]其中，表示源域特征
。
[0036]在特征提取器和分类器之间添加梯度反转层
(GRL)
，使其训练特征提取器来欺骗分类器；特征提取器增大新类故障类型的概率分类器设置新故障类型的概率等于
μ
...

【技术保护点】

【技术特征摘要】
1.
一种基于两阶段迁移的齿轮箱故障诊断方法，其特征在于，包括；
S1.
用加速度计采集齿轮箱在不同运行工况下的原始振动信号；
S2.
将采集的数据进行预处理后设定为源域数据集和目标域数据集，并划分为训练集和测试集所述源域数据集包括带标记的已知故障类样本，目标域数据集包括未标记的已知故障类样本和未标记的新出现的故障类样本；
S3.
构建基于两阶段迁移的齿轮箱故障诊断模型；所述第一阶段模型为对抗训练模块，所述对抗训练模块包括特征提取器
、
辅助分类器和分类器；所述第二阶段模型为卷积自编码器模块，所述卷积自编码器模块包括编码器
、
解码器和
K
‑
means
算法；
S5.
将测试集输入到训练后的基于两阶段迁移的齿轮箱故障诊断模型中得到故障诊断结果
。2.
根据权利要求1所述的一种基于两阶段迁移的齿轮箱故障诊断方法，其特征在于，所述基于两阶段迁移的齿轮箱故障诊断模型具体包括：所述特征提取器包括卷积层
、
最大池化层
、n
层残差块和平均池化层；所述辅助分类器包括两个全连接层和输出层，辅助分类器的第一层全连接层使用
Relu
激活函数，辅助分类器的第二层全连接层使用
leaky
‑
softmax
函数；所述分类器包括两层全连接层和分类层，分类器的第一层全连接层使用
Tanh
激活函数，分类器的第二层全连接层使用
sigmoid
激活函数，所述分类层使用
softmax
函数；所述编码器包括三层卷积层
、
池化层构成，所述解码器包括三层卷积层
、
上采样层
。3.
根据权利要求2所述的一种基于两阶段迁移的齿轮箱故障诊断方法，其特征在于，所述
S4
具体包括：
S41、
将训练集经对抗训练模块中的特征提取器里的第一层卷积处理后经归一化和
relu
激活函数优化得到卷积特征图；
S42、
将卷积特征图输入对抗训练模块中的特征提取器里的最大池化层，提取卷积滤波器大小
β
和最大池的步幅大小
Ipl
的最大特征值；
S43、
将最大特征值输入到对抗训练模块中的特征提取器里的
n
层残差块后，再输入到平均池化层，得到特征提取器提取的特征；
S44、
辅助分类器对接收的特征提取器提取的特征赋予权重值，计算未标记的目标域样本和带有标记的源域样本之间的相似性并用权重表示；
S45、
分类器通过全连接层对
S43
中的特征提取器提取的特征进行故障分类，得到已知故障和新类故障，并通过
softmax
函数映射为概率输出；
S46、
将
S45
所分离出来的新类故障输入到卷积自编码器模块中，编码器对接收的未标记特征进行卷积处理，之后输入到
tanh
激活函数，得到隐藏特征激活函数，得到隐藏特征其中，
tanh
为激活函数，为权重矩阵，为偏置，
*
为卷积运算；
S47、
在卷积运算之后，引入池化层来提取可辨别的特征，最大池化层通过池化大小
p
对
潜在表示进行下采样；
S48、
经池化层处理后进入解码器中，将池化过后的特征输入到卷积层中进行处理，再进行上采样操作使重构样本与输入样本具有相同的长度；其中，为重构样本，
H
为潜在特征映射，为权重的两个维度上的翻转操作；输入样本与重构样本的成本函数采用的均方差
E(
θ
)
为：在解码器阶段中，损失函数中的参数经下面的式子更新：
S49、
得到的重构样本采用
K
‑
means
聚类方法进行自动分类，根据不同
M
值计算对应的轮廓系数，选择最大的轮廓系数对应的
...

【专利技术属性】
技术研发人员：孟庆龙，王丹，郝慧娟，丁文康，杨天嘉，
申请(专利权)人：齐鲁工业大学山东省科学院山东山科智控数字化科技有限公司，
类型：发明
国别省市：