【技术实现步骤摘要】
本专利技术属于机械故障诊断，具体涉及一种深度降噪迁移学习的滚动轴承变工况故障诊断方法。
技术介绍
1、随着现代工业向智能化的发展，基于大数据的工业设备健康管理模式成为了热点问题。为了达到实时监测机械健康状况和性能的目的，加快建立稳定可靠的预测与健康管理系统变得越来越重要。在工业系统中，滚动轴承这类工作元件处于相对耦合的工作状态，任何故障的出现都会影响整个机械系统的正常工作。为保证正常运行时间，系统维护方式应该向实时监测和预测预防的方式转变。而传统的基于人工信号时频处理方法的轴承故障诊断方法已难以满足大数据采集条件下端到端的实时处理要求。
2、为实现上述目的，智能故障诊断方法成为了近年来的重要研究方向。与传统人工提取故障特征方式不同的是，智能故障诊断方法不需要太多的关于信号处理的先验知识，而是直接从采集到的振动数据中提取有用信息，以数据驱动的方式实现故障早期诊断。在智能故障诊断的发展进程中，算法和数据永远是两个最重要的核心。随着系统复杂度和所获取的数据体量的增加，数据的人工标注成本也随之增加，面对大量的未标注数据时，单纯依靠传统深度学习网络难以保证较为理想的准确率。同时，考虑到工程实际情况，监测数据在整个测量期间往往处于变工况的操作环境，从而数据的空间分布会产生变化。在变工况条件下，旋转机械速度、负载、噪声的变化，数据的联合分布情况也会随之发生改变，从而导致泛化性能会有所降低。因此，迁移学习作为一种新的故障诊断工具，很好地解决了旋转机械变工况下诊断准确率低的问题，但仍存在以下问题需要更进一步的研究：1)大多数迁移学习方
3、综上，为解决轴承变工况故障诊断问题，以及进一步加强深度学习的工程应用，一方面需要解决轴承变工况存在的非恒定、非线性对故障特征提取质量不稳定的问题，另一方面需要解决对滚动轴承变工况信号非线性特征领域适配的问题。
技术实现思路
1、为了克服实际工程中轴承在变工况下故障诊断准确率低的不足，本专利技术提出了一种深度降噪迁移学习的滚动轴承变工况故障诊断方法。
2、本专利技术解决其技术问题采用的技术方案是：
3、一种深度降噪迁移学习的滚动轴承变工况故障诊断方法，包括以下步骤：
4、获取源域样本和目标域样本：获取变工况条件下滚动轴承振动数据，将已知故障类别的轴承振动数据作为源域样本，将未知故障类别的滚动轴承振动数据作为目标域样本。
5、建立深度降噪迁移学习网络模型：建立深度降噪迁移学习网络模型，将源域样本和目标域样本输入到建立的深度降噪迁移学习网络模型中。
6、训练深度降噪迁移学习网络模型：对输入源域样本和目标域样本的深度降噪迁移学习网络模型进行训练，该训练包括第一阶段训练和第二阶段训练。第一阶段训练是：利用源域样本对网络模型实施预训练，目标域样本不参与训练的过程；第二阶段训练是：将源域样本和目标域样本同时输入到网络模型中进行域适应，利用域适应的损失值进行反向传播，实现变工况下滚动轴承的故障诊断。
7、上述的故障诊断方法，所述网络模型包括特征提取层、域自适应层、域对抗层和故障分类层。
8、上述的故障诊断方法，所述特征提取层包括4个特征提取块，每个特征提取块由两个卷积层、两个全连接层和sigmoid层组成。特征提取块的每个通道都具有独立的阈值，特征图通过绝对值和全局平均池化降为一个一维向量，再将一维向量传入含有两层全连接网络中。使第二层神经元个数和输入特征图的通道个数一致，使每个通道都具有独立的阈值。所述域自适应层用于减少边际分布，同时缩小联合分布差异，利用源域和目标域深度可转移特征达到域自适应。所述域对抗层用于在域适应的过程中减少域漂移，使源域和目标域的数据分布减少类间距离的同时又增大类类间的距离，实现可分性。所述故障分类层用于对带标签的源域数据进行分类，得到对应的标签损失。
9、上述的故障诊断方法，所述域自适应层和域对抗层都采用三层全连接层，层级之间设置relu层和dropout层。故障分类层采用一层激活函数，故障分类层为sigmoid的全连接层。
10、上述的故障诊断方法，所述第二阶段训练中，损失值由分类损失、域自适应损失和域对抗损失之和组成。损失值采用深度降噪迁移学习网络模型的总损失函数表征。
11、深度降噪迁移学习网络模型的总损失函数为：
12、l＝lc+lv+lcda
13、其中，l为总损失函数；lc为标签分类损失函数；lv为域自适应损失函数；lcda为域对抗损失函数。
14、标签分类损失函数计算式如下：
15、
16、标签分类损失函数计算式中，分别表示源域数据和源域数据的标签，ds表示源域集合，c表示类别，表示指示函数，β表示深度神经网络。
17、域自适应损失函数计算式如下：
18、
19、域自适应损失函数计算式中，zsl和xl分别表示第l层网络的激活函数的输出和特征分布；p(y∣x)为源域边缘概率分布，即特征向量x在预测函数f(·)映射下与标签空间y概率分布关系，q表示目标域的边缘概率分布；h表示hilbert空间；r表示域自适应扰动；ε为扰动缩放因子。
20、域对抗损失函数计算式如下：
21、
22、域对抗损失函数计算式中，w(h(p))为熵判据，w(h(p))＝1+e-h(p),d为领域鉴别器，特征参数为θd；f为特征提取器，特征参数为θf；ns,nt分别为源域样本和目标域样本个数。
23、上述的故障诊断方法，所述总损失函数为网络模型训练目标，当损失函数收敛至最小值时，完成网络模型训练。至此，网络模型参数完成更新，得到最优模型f(x；θf)和d(x；θd)，目标域样本经过一次前向传播实现故障的准确诊断。
24、本专利技术的有益效果是：
25、一种深度降噪迁移学习的滚动轴承变工况故障诊断方法，能够有效提取滚动轴承非恒定、非平稳的变工况故障特征，并清除源域和目标域信号冗余特征，保证源域和目标域之间的数据同分布。同时，引入域自适应和域对抗可以缩小源域和目标域的联合分布差异，并减少域自适应过程中的域漂移现象，从而有效地实现变工况下滚动轴承的故障诊断分类。
本文档来自技高网...【技术保护点】
1.一种深度降噪迁移学习的滚动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所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述网络模型包括特征提取层、域自适应层、域对抗层和故障分类层。
3.根据权利要求2所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述特征提取层包括4个特征提取块，每个特征提取块由两个卷积层、两个全连接层和Sigmoid层组成；特征提取块的每个通道都具有独立的阈值，特征图通过绝对值和全局平均池化降为一个一维向量，再将一维向量传入含有两层全连接网络中；使第二层神经元个数和输入特征图的通道个数一致，使每个通道都具有独立的阈值；所述域自适应层用于减少边际分布，同时缩小联合分布差异，利用源域和目标域深度可转移特征达到域自适应；所述域对抗层用于在域适应的过程中减少域漂移，使源域和目标域的数据分布减少类间距离的同时又增大类类间的距离，实现可分性；所述故障分类层用于对带标签的源域数据进行分类，得到对应的标签损失。
4.根据权利要求2所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法
5.根据权利要求1所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述第二阶段训练中，损失值由分类损失、域自适应损失和域对抗损失之和组成；损失值采用深度降噪迁移学习网络模型的总损失函数表征；
6.根据权利要求5所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述总损失函数为网络模型训练目标，当损失函数收敛至最小值时，完成网络模型训练；至此，网络模型参数完成更新，得到最优模型F(x；θf)和D(x；θd)，目标域样本经过一次前向传播实现故障的准确诊断。
...【技术特征摘要】
1.一种深度降噪迁移学习的滚动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所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述网络模型包括特征提取层、域自适应层、域对抗层和故障分类层。
3.根据权利要求2所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述特征提取层包括4个特征提取块，每个特征提取块由两个卷积层、两个全连接层和sigmoid层组成；特征提取块的每个通道都具有独立的阈值，特征图通过绝对值和全局平均池化降为一个一维向量，再将一维向量传入含有两层全连接网络中；使第二层神经元个数和输入特征图的通道个数一致，使每个通道都具有独立的阈值；所述域自适应层用于减少边际分布，同时缩小联合分布差异，利用源域和目标域深度可转移特征达到域自适应；所述域对抗层用于在域适应的过程中减少域漂移，使源域和目标域的数据分布减少类间距离的同时又增大类类间的距离，实...
【专利技术属性】
技术研发人员：杨新宇，邵思羽，池福临，程培源，蔡树林，
申请(专利权)人：中国人民解放军空军工程大学，
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。