基于深度迁移学习的轴承变工况故障诊断方法技术

本发明专利技术公开了一种基于深度迁移学习的轴承变工况故障诊断方法，步骤包括：步骤1、获取轴承的源域、目标域；步骤2、得到源域、目标域的时频图；步骤3、利用源域时频图对CNN模型进行预训练得到预训练CNN模型，以及源域深度特征集；步骤4、将预训练CNN模型迁移得到迁移CNN模型；步骤5、利用少量目标域时频图对迁移CNN模型训练，由训练好的迁移CNN模型得到目标域深度特征集；步骤6、采用基于融合边际准则的平衡分布域适应方法对源域、目标域深度特征集进行处理，得到新源域、目标域深度特征集；步骤7、利用新源域深度特征集训练机器学习分类器，利用训练好的机器学习分类器实现故障诊断。本发明专利技术能够取得理想的故障诊断性能。

【技术实现步骤摘要】

本专利技术涉及轴承故障诊断方法领域，具体是一种基于深度迁移学习的轴承变工况故障诊断方法。

技术介绍

1、近年来，随着数据挖掘、深度学习和迁移学习等人工智能技术的迅猛发展，越来越多国内外研究人员对基于人工智能的轴承故障诊断开展研究，并取得丰富成果。

2、文献1[赵小强,张毓春.基于双路并行多尺度resnet的滚动轴承故障诊断方法[j].振动与冲击,2023,42(03):199-208.]中，赵小强等针对传统机器学习方法无法自适应提取轴承在复杂变工况下的故障特征信息问题，基于残差神经网络设计了一种融合注意力机制的双路并行多尺度残差神经网络，提升了网络自适应提取故障特征的能力，实现了更高的故障诊断准确率。

3、文献2[王正,文传博,董逸凡.基于小波变换和involution卷积神经网络的滚动轴承故障诊断方法[j].轴承,2022(11):61-67.]中，王正等提出了一种基于involution卷积神经网络的滚动轴承故障诊断方法，通过involution对时频特征图像素点进行二次特征挖掘，有效提高了故障诊断准确率。</p>

4、文献本文档来自技高网...

【技术保护点】

1.基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，步骤2中，采用小波变换分别处理所述源域、目标域，得到源域的二维时频图、目标域的二维时频图。

3.根据权利要求1所述的基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，步骤4中，将源域的轴承无故障和缺陷的正常状态下的二维时频图、目标域的轴承无故障和缺陷的正常状态下的二维时频图分别输入至所述预训练CNN模型中，使用多核最大均值差异MK-MMD度量所述源域、目标域的二维时频图在预训练CNN模型中各层上所输出的特征数据...

【技术特征摘要】

1.基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，步骤2中，采用小波变换分别处理所述源域、目标域，得到源域的二维时频图、目标域的二维时频图。

3.根据权利要求1所述的基于深度迁移学习的轴承变工况故障诊断方法，其特征在于，步骤4中，将源域的轴承无故障和缺陷的正常状态下的二维时频图、目标域的轴承无故障和缺陷的正常状态下的二维时频图分别输入至所述预训练cnn模型中，使用多核最大均值差异mk-mmd度量所述源域、目标域的二维时频图在预训练cnn模型中各层上所输出的特征数据间边缘概率分布距离，以及源域、目标域的二维时频图在预训练cnn模型中各层上所输出的特征数据间条件概率分布距离，并以边缘概率分布距离、条件概率分布距离之和作为预训练cnn模型相应层是否能够进行参数迁移的迁移判断指标数据，由此基于计算得到的cnn模型各层的迁移判断指标数据，完成预训练cnn模型各层的参数迁移，得到适用于所述目标域的迁移cnn模型。

4.根据权利要...

【专利技术属性】
技术研发人员：董飞，王晓宁，张逾晓，程志友，张文博，刘润泽，葛鲲鹏，许志恒，
申请(专利权)人：安徽大学，
类型：发明
国别省市：