【技术实现步骤摘要】
本专利技术涉及电机轴承的故障诊断领域，具体为一种基于jmfan网络的感应电动机跨轴承故障诊断模型。
技术介绍
1、轴承是旋转机械中最为常见的传动部件，由于其复杂的工作环境和自身机械结构，轴承很容易产生内圈、外圈和滚动体的损伤。这些故障严重时甚至会导致整个设备损坏，造成停机和安全事故。
2、随着近年来物联网和人工智能的不断发展和应用，大量在线监测系统安装在关键设备中，旋转机械的智能化管理正朝着自动化、智能化方向不断前进。这为智能故障诊断技术的发展提供了更加丰富、全面的数据来源，旋转机械的智能化管理进入了“大数据”时代。传统的特征提取方法在面对海量的数据时，往往费时费力。机器学习因其能利用大数据来挖掘数据的内在特征从而实现故障特征的自动识别而得到广泛的关注。
3、神经网络虽然可以有效地提取滚动轴承振动信号的深层特征，从而实现故障轴承的自动诊断，但往往对训练数据的质量要求较高，且不具有较高的泛化性能。
4、然而在工业生产中往往会用到不同类型的轴承，但为每种类型的轴承都建立一个故障诊断模型太过于费时费力，因此研究如何利用现有已标注故障类型的轴承故障数据为不同型号轴承的未知故障类型数据进行跨域故障诊断具有十分重要的意义。
5、迁移学习因其能够提取域不变特征从而实现跨域诊断，并且可以很好地解决带标签样本数据不足或样本无标签的问题，从而受到学界的广泛关注。当前不少专家学者将迁移学习中的领域自适应(domain adaptation，da)等方法引入故障诊断领域中用以解决不同轴承振动数据之间的分布
6、然而，这些研究往往存在模型过于依赖有标签数据、数据预处理过多，无法实现端到端的检测等问题。
技术实现思路
1、针对上述技术问题，本专利技术提出一种基于jmfan网络的感应电动机跨轴承故障诊断模型，将原始振动信号作为输入，实现在两个不同类型轴承上的跨轴承故障诊断。经过实验验证，该方法在八个不同迁移任务中平均准确率达到了99.06％，有着很好的诊断效果。
2、本专利技术采用如下技术方案：
3、一种基于jmfan网络的感应电动机跨轴承故障诊断模型，包括以下步骤：
4、步骤1：从实验电机上采集不同型号轴承的时域振动信号，并构建用于训练和测试的数据集；
5、步骤2：构建多尺度特征融合网络、引入领域自适应方法，建立跨轴承故障诊断模型；
6、步骤3：对模型进行训练，并在目标域测试集上检验跨轴承故障诊断任务的效果，以对目标域无标签数据的诊断成功率为目标验证该模型。
7、进一步的，所述步骤1具体步骤如下：
8、步骤1.1：采集在不同型号轴承下的时域振动信号：
9、采集实验电机在不同型号轴承处于正常状态、内圈故障状态、外圈故障状态和滚珠故障状态下的时域振动信号；
10、步骤1.2：数据处理：
11、对采集到的振动信号进行数据滑动采样，将滑动采样完成后的样本分别构成源域数据集和目标域数据集，将其划分为训练集和测试集。
12、进一步的，步骤1.2中所述源域数据集和目标域数据集，按4:1的比例划分为训练集和测试集。
13、进一步的，所述步骤2具体步骤如下：
14、步骤2.1：建立特征提取网络：
15、构建多尺度特征融合网络，其由一个上采样模块，一个下采样模块和一个特征融合模块组成；
16、网络中输入通过一个宽卷积层和最大池化层进行信息压缩，将输入信息在水平方向上按照一定的比例缩小特征尺度，再经过下采样模块中两个残差块提取深层信息，从而得到输入信号的高级特征；
17、上采样模块通过将输入的低分辨率特征进行上采样，使低分辨率特征变为高分辨率特征，然后与下采样生成的低分辨率的特征拼接在一起，使得网络能够更好地融合局部特征和全局特征；
18、特征融合模块将从上采样模块和下采样模块中接受的特征向量进行特征压缩，进而获得输入特征的全局感受视野，同时学习输入特征中不同通道之间的相关性，输出每个通道需要被调节的权重系数，该权重系数与输入特征进行元素级别的乘法操作，得到经调节后的新输出特征。
19、步骤2.2：引入迁移学习中的领域自适应方法，通过对齐领域特征实现跨轴承故障诊断：
20、采用领域自适应方法完成迁移学习，进行对齐领域特征，将构建好的训练集输入跨轴承故障诊断模型中进行训练，通过最小化损失函数来调整网络的结构参数。
21、进一步的，步骤2.1中所述上采样模块由两个反卷积残差块组成；所述特征融合模块分为压缩和激励两个部分。
22、进一步的，所述步骤3具体步骤如下：
23、步骤3.1：将训练集输入模型中进行训练：
24、在每次迁移任务中，设置输入的样本数量、网络模型迭代训练次数、学习率、损失函数中权重参数进行训练。
25、步骤3.2：检验模型的迁移学习效果：
26、通过电动机风扇端和驱动端的轴承数据和不同的负载数据之间两两迁移的迁移任务进行检验。
27、进一步的，所述步骤3中训练每次重复进行10次。
28、有益效果：本专利技术所提出的基于jmfan网络的感应电动机跨轴承故障诊断模型中的多尺度特征融合网络将残差网络深度特征提取的优点和多尺度网络保留全局特征的优势相结合，从识别准确率和特征可视化两个角度证明了，该网络能有效提取出各种工况下不同类型轴承的域不变特征，降低不同域数据分布之间的差异。该方法能够很好地弥合不同类型轴承数据之间的差异，实现轴承故障的跨轴承类型诊断。试验结果表明，在两种不同类型的轴承故障数据下，该方法的故障诊断准确率高达百分之99.06％，证明了本文所提方法的优越性。
本文档来自技高网...【技术保护点】
1.一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，所述步骤1具体步骤如下：
3.如权利要求2所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，步骤1.2中所述源域数据集和目标域数据集，按4:1的比例划分为训练集和测试集。
4.如权利要求1所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，所述步骤2具体步骤如下：
5.如权利要求4所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，步骤2.1中所述上采样模块由两个反卷积残差块组成；所述特征融合模块分为压缩和激励两个部分。
6.如权利要求1所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，所述步骤3具体步骤如下：
7.如权利要求1所述一种基于JMFAN网络的感应电动机跨轴承故障诊断模型，其特征在于，所述步骤3中训练每次重复进行10次。
【技术特征摘要】
1.一种基于jmfan网络的感应电动机跨轴承故障诊断模型，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于jmfan网络的感应电动机跨轴承故障诊断模型，其特征在于，所述步骤1具体步骤如下：
3.如权利要求2所述一种基于jmfan网络的感应电动机跨轴承故障诊断模型，其特征在于，步骤1.2中所述源域数据集和目标域数据集，按4:1的比例划分为训练集和测试集。
4.如权利要求1所述一种基于jmfan网络的感应电动机跨轴承故障诊断模型，其特征...
【专利技术属性】
技术研发人员：史丽萍，刘智宏，赵井贵，董博宇，
申请(专利权)人：徐州上若科技有限公司，
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。