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

本发明专利技术公开了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，根据源域和目标域的相关度计算权重，基于权重构建相关度高的辅助源域，设计特征提取器隔离低相关源域信息的干扰，通过Wasserstein距离对齐分类器输出，并采用加权决策构建多源深度迁移学习模型。针对数据分布对齐错误的问题，利用模型训练前期和后期伪标签可靠性不同的特性，在模型训练前期通过MMD距离对齐源域和目标域的特征分布，在训练后期生成可信度高的伪标签，并引入LMMD距离和三元组损失更细粒度地对齐特征分布。本发明专利技术通过将迁移旧工况的知识向新工况迁移，以实现更可靠的变工况滚动轴承故障诊断。

【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、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、...

【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...

【专利技术属性】
技术研发人员：黄敏，尹靖涵，严淑敏，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：