【技术实现步骤摘要】
本专利技术涉及故障诊断，具体涉及一种基于多表征自适应网络跨域轴承故障诊断方法。
技术介绍
1、滚动轴承广泛应用于各种旋转机械设备中，这些设备通常工作在恶劣的环境下(如高速、高压、高温、变速等)，因此滚动轴承存在着高故障率，也增加了运行和维护成本，对滚动轴承的故障诊断也是必不可少的。
2、在过去的几年中，深度学习等数据驱动方法被广泛应用于机械故障诊断领域中，例如，公告号为cn116361723a的专利技术专利，公开了“一种基于多尺度特征和注意力的轴承故障诊断分类方法”，其通过加速度传感器采集振动信号并进行预处理，将预处理数据依次输入到预先构建的多尺度特征分类模块，transformer注意力机制学习模块和全连接模块，最终取得不错的诊断效果。然而这种学习模式需要训练集和测试集具有相同的概率分布，在实际应用中，通常会出现域偏移问题，即有标注的训练数据(称为源域)与无标注的测试数据(称为目标域)的概率分布不同。
3、对于域偏移问题，也存在着大量的研究，例如，公告号为cn115062690a的专利技术专利，公开了“一种基于域自适应网络的轴承故障诊断方法”，其通过计算源域数据和目标域数据的最大均值差异(maximum mean discrepancy，mmd)，并将该度量和源域样本分类损失之和作为损失函数，使用反向传播算法对齐源域数据和目标域数据的概率分布，从而达到领域的自适应，一定程度上解决了域偏移问题。
4、但是，这些方法主要是对齐由单一结构提取的表征的分布，单一表征只包含部分信息，因此对齐也只侧重于
技术实现思路
1、针对上述存在的问题，本专利技术提供了一种基于多表征自适应网络跨域轴承故障诊断方法，该方法基于多表征自适应网络(multi-representation adaptation network，mran)提取数据的多重表征，并基于联合最大均值差异(joint maximum meandiscrepancy，jmmd)和伪标签(pseudo-labelling)，对齐源域和目标域多个表征的联合概率分布，有效地解决了域偏移问题，能够适应在不同工况下的轴承故障诊断，并取得了不错的诊断效果。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、本专利技术提供了一种基于多表征自适应网络跨域轴承故障诊断方法，包括：
4、采集不同工况下的原始振动信号，并对采集的信号进行预处理，得到包括源域数据集和目标域数据集的数据集，将所述数据集划分为训练数据和测试数据；
5、构建基于多表征自适应网络的特征提取模型；所述多表征自适应网络包含特征提取器f和分类器c，其中，所述特征提取器f包括多个一维卷积神经网络，能够深度提取数据的多个表征，用于跨域对齐领域之间的多个表征的分布；所述分类器c为全连接神经网络，输出轴承的健康状态类别；
6、基于所述训练数据训练所述特征提取模型；
7、将所述测试数据输入训练好的特征提取模型中，得到轴承故障诊断结果。
8、进一步地，对采集的信号进行预处理，包括：
9、以滑动窗口方式对采集的信号进行扩充；
10、经过快速傅里叶变换将时域信号转化为频域信号；
11、将带标签的样本作为源域数据，将不同工况下的无标签样本作为目标域数据。
12、进一步地，所述特征提取器f包括：初始共享的一维卷积神经网络和多个不同大小卷积核的并行一维卷积神经网络，所述初始共享的一维卷积神经网络用于对数据的初步压缩和降维，所述不同大小卷积核的并行一维卷积神经网络包括：一维卷积层、激活层和池化层，不同大小卷积核的卷积层能够捕获不同方面的信息，深度提取数据的多个判别性表征。
13、进一步地，所述分类器c包括：多层全连接层、激活、随机失活层以及softmax函数，最后一层全连接层的神经元数对应轴承的健康状态类别数。
14、进一步地，基于所述训练数据训练所述特征提取模型，包括：
15、将所述训练数据输入特征提取器f进行前向传播，得到多表征h；
16、将多表征h输入分类器c中，得到伪标签
17、结合多表征h和伪标签计算联合最大均值差异；
18、结合真实标签y和伪标签计算故障分类损失，并得到总的损失losstotal；
19、基于梯度下降和反向传播算法更新模型参数；
20、重复上述步骤，直至网络模型参数收敛。
21、进一步地，得到多表征和伪标签的过程如下：
22、
23、
24、其中，x为原始数据样本，hk表示提取的第k个数据表征，nr为表征数，g(·)为初始共享的一维卷积神经网络，jk(·)为多层一维卷积神经网络，f(·)为分类器，θg，和θf分别为g(·)，hk(·)和f(·)的参数。
25、进一步地，结合多表征h和伪标签计算联合最大均值差异，包括：
26、
27、
28、其中，jmmd为联合最大均值差异，k-(·)表示为核函数，s，t分别代表源域和目标域，hs，ht分别为源域和目标域的多表征，为源域和目标域的伪标签，nr为样本经过特征提取器得到的特征数，在本专利技术中，nr为3，ns，nt为源域和目标域的样本数，代表源域第i个样本第k个特征，代表目标域第j个样本第k个特征，代表源域第i个样本的伪标签，代表目标域第j个样本的伪标签，kh(·)，分别代表针对特征和伪标签的核函数。
29、进一步地，总的损失losstotal为：
30、
31、其中，α是一个权衡参数，属于模型超参数之一，用于控制jmmd值在整个损失函数中所占的比例；j(·)为ds的故障分类损失，式中，n为轴承健康状态类别数。
32、进一步地，最终确定的优化目标为：
33、基于梯度下降和反向传播算法更新模型参数，包括：
34、式中，θ为模型参数，μ为学习率。
35、进一步地，所述梯度下降采用adam优化算法。
36、与现有技术相比，本专利技术具有以下有益效果：
37、本专利技术方法基于多表征自适应网络模型，深度挖掘数据的多个表征，使模型在多个表示空间中进行领域自适应，充分提取源域和目标域的域不变特征，完成了跨领域故障诊断，是解决域偏移问题的一种简洁且有效的方法。
38、本专利技术方法基于jmmd和伪标签，通过对齐数据多个表征的联合概率分布，最小化源域和目标域的分布差异，相比较于其他方法，能够更好地实现知识迁移和域自适应，从而达到跨领域故障诊断的效果。
本文档来自技高网...【技术保护点】
1.一种基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，对采集的信号进行预处理，包括：
3.根据权利要求1所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，所述特征提取器F包括：初始共享的一维卷积神经网络和多个不同大小卷积核的并行一维卷积神经网络，所述初始共享的一维卷积神经网络用于对数据的初步压缩和降维，所述不同大小卷积核的并行一维卷积神经网络包括：一维卷积层、激活层和池化层，不同大小卷积核的卷积层能够捕获不同方面的信息，深度提取数据的多个判别性表征。
4.根据权利要求1或3所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，所述分类器C包括：多层全连接层、激活、随机失活层以及Softmax函数，最后一层全连接层的神经元数对应轴承的健康状态类别数。
5.根据权利要求1所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，基于所述训练数据训练所述特征提取模型，包括：
6.根据权利要求5所述的基于多表征自适应网
7.根据权利要求6所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，结合多表征H和伪标签计算联合最大均值差异，包括：
8.根据权利要求7所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，总的损失Losstotal为：
9.根据权利要求8所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，最终确定的优化目标为：
10.根据权利要求9所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，所述梯度下降采用Adam优化算法。
...【技术特征摘要】
1.一种基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，对采集的信号进行预处理，包括：
3.根据权利要求1所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，所述特征提取器f包括：初始共享的一维卷积神经网络和多个不同大小卷积核的并行一维卷积神经网络，所述初始共享的一维卷积神经网络用于对数据的初步压缩和降维，所述不同大小卷积核的并行一维卷积神经网络包括：一维卷积层、激活层和池化层，不同大小卷积核的卷积层能够捕获不同方面的信息，深度提取数据的多个判别性表征。
4.根据权利要求1或3所述的基于多表征自适应网络跨域轴承故障诊断方法，其特征在于，所述分类器c包括：多层全连接层、激活、随机失活层以及softmax函数，最后一层全连接层的神经元数对应轴...
【专利技术属性】
技术研发人员：王健，张舒岳，张普哲，肖宏，于华鑫，李明，
申请(专利权)人：燕山大学，
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。