【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断的，尤其是指一种基于多源域深度迁移的变工况滚动轴承故障诊断方法。
技术介绍
1、早期的轴承故障诊断主要采用人工采集较为理想的数据集进行模型验证和分析。近年来，深度学习方法因其具有自动学习高度抽象的深层非线性特征以及不需专业知识就可以进行特征提取和选择的优点而受到广泛关注，诸多研究者尝试用其实现端到端的滚动轴承故障诊断。然而，将深度学习技术应用到滚动轴承故障诊断领域时，完全照搬现有模型的做法并不能在变工况、新工况故障数据不足等具备挑战性的场景下取得很好的效果。其原因在于工况变化将导致滚动轴承生成的数据蕴含的特征分布随之改变，往往需要根据故障诊断场景重新设计或训练深度学习模型。然而，新工况故障数据基础薄弱，对数据具有极大依赖性的深度学习模型在这种情况下性能下降、难以被复用。
2、迁移学习放宽了训练数据与测试数据需要独立同分布的假设，通过迁移已有领域内的知识来解决新领域训练数据不足的问题。深度学习和迁移学习的碰撞衍生了深度迁移学习。本专利技术尝试将深度迁移学习技术应用于滚动轴承故障诊断领域，以解决诊断过程中存在工况变化、新工况数据基础薄弱等问题。通过考虑不同工况数据之间的相关性，将其它工况的数据作为源域，将需要应用的新工况作为目标域，通过深度迁移学习将源域的知识向目标域迁移，一方面通过知识迁移提高故障诊断模型的可靠性，另一方面弥补了目标域数据薄弱导致模型难以拟合的缺陷，多源域深度迁移技术有助于提高模型在变工况场景下的诊断精度。
技术实现思路
1、
2、为实现上述目的，本专利技术所提供的技术方案为：基于多源域深度迁移的变工况滚动轴承故障诊断方法，包括以下步骤：
3、步骤1：采集滚动轴承在新工况下正常状态、外圈故障、内圈故障和滚珠故障的振动信号，并与旧工况下正常状态、外圈故障、内圈故障和滚珠故障的振动信号一起构建样本集，其中，新工况的振动信号被视作目标域数据，旧工况的振动信号以及故障标签被视作多源域数据；
4、步骤2：通过计算步骤1收集的目标域和各个源域之间的最大均值差异mmd以衡量目标域和各个源域的相关度，基于相关度赋予各个源域权重，以提高和新工况相关性高的源域数据在深度迁移中的影响力；
5、步骤3：根据步骤2获取的源域权重从源域中抽取振动信号样本构成辅助源域，辅助源域在后续步骤中被视作为一个独立完整的源域；
6、步骤4：为每个源域构建一个由特征提取器和分类器组成的多源深度迁移学习模型；
7、步骤5：模型训练前期通过mmd对齐特征分布，在模型训练后期将分类器的加权决策作为伪标签，利用局部最大均值差异lmmd和三元组损失更加细粒度地对齐特征分布；
8、步骤6：将分类器的输出进行加权融合得到滚动轴承故障诊断结果。
9、进一步，在步骤1，目标域记作t＝{x1,...,xe,...,xe}，1≤e≤e，e代表目标域样本数量，x1、xe、xe分别代表第1、e、e个样本，新工况数据基础薄弱没有故障标签；旧工况下的振动信号视作源域，旧工况数量记作k，故而k种旧工况对应k个源域，记作{s1,...,sk,...,sk},1≤k≤k，s1、sk、sk分别代表第1、k、k个源域，其中q代表源域sk样本数量，分别代表第1、q、q个样本，分别代表第1、q、q个采样点的故障标签。
10、进一步，在步骤2，计算源域权重，具体步骤如下：
11、step1：计算目标域与k个源域之间的mmd距离，计算公式如下：
12、
13、式中，dk代表目标域与第k个源域的mmd距离，fk(xe)代表样本xe经过特征提取器fk得到的特征分布，代表样本经过特征提取器fk得到的特征分布，φ(fk(xe))、代表对fk(xe)、进行希尔伯特变换，代表再生希尔伯特空间；
14、step2：直觉上，mmd值越低代表源域与目标域分布差异越小，拥有更多能够向新工况滚动轴承故障诊断迁移的知识，应当被赋予更高的权重，因此根据mmd距离进一步获取目标域与源域的相关度，计算公式如下：
15、
16、式中，rk代表目标域与第k个源域的相关度；
17、step3：对k个源域重复step1、step2，得到k个相关度，对相关度归一化处理，获取源域权重，计算公式如下：
18、
19、式中，wk代表第k个源域的权重，rk、re分别代表目标域和第k、e个源域的相关度。
20、进一步，在步骤4，所述特征提取器由卷积核大小为16、核宽度为15、步长为0的第一卷积层，第一批次正则化层，卷积核大小为32、核宽度为3、步长为0的第二卷积层，第二批次正则化层，池化核大小为32、核宽度为2、步长为2的池化层，卷积核大小为64、核宽度为3、步长为0的第三卷积层，第三批次正则化层和卷积核大小为128、核宽度为3、步长为0的第四卷积层构成；所述分类器由池化核大小为128、核宽度为4的自适应池化层，节点数目为256的全连接层和节点数目为4的softmax层构成。
21、进一步，在步骤5，训练损失计算方法如下：
22、
23、式中，ltotal代表总损失；lcls代表交叉熵分类损失值，衡量分类器判别故障类别的能力；lmmd代表特征分布损失，衡量源域和目标域之间的特征分布差异大小；ldis代表分类对齐损失，衡量源域分类器分类对齐程度；llmmd代表使用lmmd计算的特征分布损失，ltriplet代表三元组损失，γ′、λ为权衡参数，nepoch为训练批次，nt代表训练前期和后期的临界值；lcls、lmmd、ldis、llmmd、ltriplet的计算公式如下：
24、lcls计算公式如下：
25、
26、式中，ck代表第k个分类器，fk代表第k个特征提取器，代表样本经过特征提取器fk再经过分类器ck得到的分类概率值；
27、lmmd计算公式如下：
28、
29、ldis衡量各个源域分类器之间的分类对齐程度，使用wasserstein距离，其优势是在各个分类器输出的分布之间没有重叠的条件下仍然能够有效地度量各个分类器输出的距离，计算方式如下所示：
30、
31、式中，ca、cb分别代表第a、b个分类器，fa、fb分别代表本文档来自技高网...
【技术保护点】
1.基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤1，目标域记作T＝{x1,...,xe,...,xE}，1≤e≤E，E代表目标域样本数量，x1、xe、xE分别代表第1、e、E个样本，新工况数据基础薄弱没有故障标签；旧工况下的振动信号视作源域，旧工况数量记作K，故而K种旧工况对应K个源域，记作{S1,...,Sk,...,SK},1≤k≤K，S1、Sk、SK分别代表第1、k、K个源域，其中Q代表源域Sk样本数量，分别代表第1、q、Q个样本，分别代表第1、q、Q个采样点的故障标签。
3.根据权利要求2所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤2，计算源域权重，具体步骤如下：
4.根据权利要求3所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤4，所述特征提取器由卷积核大小为16、核宽度为15、步长为0的第一卷积层，第一批次正则化层，卷积核大小为32、核宽度为3、步长为0的第二卷
5.根据权利要求4所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤5，训练损失计算方法如下：
6.根据权利要求5所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤6，将所有分类器的输出进行加权融合作为最终的诊断结果，诊断结果的计算公式如下：
...【技术特征摘要】
1.基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤1，目标域记作t＝{x1,...,xe,...,xe}，1≤e≤e，e代表目标域样本数量，x1、xe、xe分别代表第1、e、e个样本，新工况数据基础薄弱没有故障标签；旧工况下的振动信号视作源域，旧工况数量记作k，故而k种旧工况对应k个源域，记作{s1,...,sk,...,sk},1≤k≤k，s1、sk、sk分别代表第1、k、k个源域，其中q代表源域sk样本数量，分别代表第1、q、q个样本，分别代表第1、q、q个采样点的故障标签。
3.根据权利要求2所述的基于多源域深度迁移的变工况滚动轴承故障诊断方法，其特征在于，在步骤2，计算源域权重，具体步骤如下：
4.根据权利要求3所述的基于多源域深度迁移的变工...
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。