【技术实现步骤摘要】
本专利技术属于滚动轴承故障诊断领域，具体公开了一种基于子域自适应对抗网络的滚动轴承跨域故障诊断方法。
技术介绍
1、滚动轴承是旋转机械的重要组成部分，广泛应用于风力发电、高速列车、航空航天等领域。由于滚动轴承长期在高载荷、复杂工况下运行，极易出现磨损、失效等故障，从而影响整个机械设备的运行状态，甚至引发严重事故。因此，研究滚动轴承的状态识别和故障诊断具有重要的理论价值和实际意义。
2、近年来，深度学习模型由于具有能直接从原始数据中提取有代表性特征来进行故障分类的能力，被成功应用于旋转机械的智能故障诊断领域。基于深度学习模型的故障诊断性能是建立在训练集和测试集遵循相同的数据分布这一前提之上的。但在实际应用中，上述前提往往难以满足，这是因为不同运行条件会导致测量数据呈现出多样的分布特征。因此，很难直接使用一种分布(源域)数据训练的诊断模型来处理另一种分布(目标域)数据。
3、面对变工况下旋转设备故障诊断精度下降及目标域缺乏标签的挑战，无监督域自适应方法展现出其显著优势。该方法可以使模型能够有效利用在特定工况下收集的有标签数据(源域)，并将这些知识迁移到新的、未标记的工作条件(目标域)下，无需其他额外的标签信息，大幅提升了跨域故障诊断的准确率和效率。现有无监督领域自适应方法多采用距离度量函数来评估源域与目标域分布间的差异，并通过最小化这种差异实现源域和目标域之间的全局对齐。然而上述方法仅关注整体域间的全局分布对齐，忽视了不同子域间的细微关系，导致网络模型在类别边界附近的分类误差增加。因此，故障诊断的分类识别精度
技术实现思路
1、为了进一步提升跨域任务的分类准确度，本专利技术提出一种基于子域自适应对抗网络的滚动轴承跨域故障诊断方法。该方法采用多尺度一维卷积神经网络(ms1-d cnn)自动从原始振动信号中学习更高级的特征表示，减少人工干预和主观偏差，提高了分类的效率和准确性。同时，利用局部最大均值差异(lmmd)度量方法，精确捕捉源域和目标域数据之间相关子域的细微差异，进而实现更加精细化的子域适应。在此基础上，采用带有w散度的生成对抗网络(wgan-div)进行对抗训练，使得目标域的特征分布更加接近源域分布，提高模型的泛化性和准确性。最后，利用训练好的网络模型，对目标域无标签振动信号进行故障诊断。
2、为了达到上述目的，本专利技术所采用的技术方案为：一种基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，包括以下步骤：
3、s1：采集滚动轴承在不同负载下的原始振动信号，划分源域数据集ds和目标域数据集dt；
4、s2：对源域数据和目标域数据进行z-score标准化；
5、s3：建立基于多尺度一维卷积神经网络(ms1-d cnn)和带有w散度的生成对抗网络(wgan-div)的子域自适应对抗网络模型，该模型包含特征提取模块、故障识别模块、域鉴别模块和子域对齐模块；
6、s4：将带有标记的源域数据和无标记的目标域数据输入子域自适应对抗网络模型中进行训练，并固定训练后的网络模型参数；
7、s5：通过目标域的数据进行模型测试；将收集到的目标域数据输入到训练好的网络模型，获得故障诊断结果。
8、上述基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，所述步骤s1中，采集到的原始振动信号包括4种工况(0hp、1hp、2hp、3hp)，并且具有轴承正常状态及3种故障类型：内圈故障、滚动体故障和外圈故障。
9、上述基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，所述步骤s2中，对划分好的源域数据集和目标域数据集进行z-score标准化：
10、
11、其中，x是输入向量；μx为输入向量x的均值；σx为输入向量x的标准差；zx为标准化后的向量，其均值为0，标准差为1。
12、上述基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，所述步骤s3中，建立基于子域自适应对抗的故障诊断网络模型具体过程为：
13、s301：特征提取模块由多尺度一维卷积神经网络构成，提取两个域的相似特征，包括三个分支，每个分支有不同尺寸的卷积核，并且在每个卷积层和池化层之间都加入了批归一化层，防止过拟合，提高模型训练速度；
14、s302：故障识别模块包含两个全连接层，最后一个全连接层的神经元数目和输出类别一致，通过softmax函数将最后全连接层的输出转化成和为1的概率分布，即网络模型输出直接转换为不同故障类别的概率，实现轴承故障分类，具体表示为：
15、
16、其中，s(yi)是softmax函数的输出，表示输入向量x中每个元素对应的概率分布；c是类别总数；
17、s303：域鉴别模块采用wgan-div的判别器结构，由两个全连接层构成，最后一层不使用sigmoid激活函数。在模型训练过程中，该判别器与特征提取器进行对抗学习；
18、s304：子域对齐模块引入了局部最大均值差异(lmmd)度量方法，精确捕捉源域和目标域数据之间相关子域的细微差异。
19、上述基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，所述步骤s4中，同时输入带标签的源域数据和无标签的目标域数据，设置网络模型的批大小、迭代次数、优化器、学习率和衰减指数等超参数，进行模型训练。模型的优化目标由三部分组成，具体建立过程为：
20、s401：第一部分使用交叉熵损失函数lce来评估源域数据集中真实标签和预测结果间的偏差，通过最小化这个损失函数，提高分类器的预测准确性，交叉熵损失函数定义为：
21、
22、其中，yi,c是独热编码向量，表示样本i是否属于类别c；为模型预测样本i属于类别c的概率；n是样本数量；lce表示交叉熵损失；
23、s402：第二部分通过最小化域判别器在源域样本与目标域样本间的域分类损失，使模型学习域不变特征，该损失表示为：
24、
25、
26、其中，pr为生成数据的空间分布；pf为真实数据的空间分布；e为期望函数；为
27、梯度算子；k＝2；p＝6；表示生成样本和真实样本之间的线性插值；f(x)表示判别器的输出函数；α∈[0,1]；lwd表示域分类损失；
28、s403：第三部分是模型的训练过程中，通过最小化llmmd，拉近源域和目标域的相关子域距离，该损失表示为：
29、
30、其中，ns表示源域样本数量；nt表示目标域样本数量；和分别代表源域的第i个样本和目标域的第j个样本；和分别表示与属于第c类的权重；为再生核希尔伯特空间；φ函数表示将原始数据映射到再生核希尔伯特空间；llmmd表示子域对齐损失；
31、s404：网络模型的整体优化目标为：
32、l＝lce+lwd+llmmd#(7)
33、其中，l表示总体损失；lce表示源域的交叉熵损失；lwd表示域分类损失；l本文档来自技高网...
【技术保护点】
1.一种基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤S1中，采集到的原始振动信号包括正常(N)、内圈故障(IF)、外圈故障(OF)和滚动体故障(BF)4种不同类型；采样频率为12kHz；采集4种工况数据(0HP、1HP、2HP、3HP)。
3.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤S2中，对划分好的源域数据集和目标域数据集进行Z-Score标准化：
4.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤S3中，建立基于子域自适应对抗的故障诊断网络模型具体为：
5.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤S4中，同时输入带标签的源域数据和无标签的目标域数据，设置网络模型的批大小、迭代次数、优化器、学习率和衰减指数等超参数，进行模型训练。训练过程模型的优化目标建立具体过程：
...
【技术特征摘要】
1.一种基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤s1中，采集到的原始振动信号包括正常(n)、内圈故障(if)、外圈故障(of)和滚动体故障(bf)4种不同类型；采样频率为12khz；采集4种工况数据(0hp、1hp、2hp、3hp)。
3.根据权利要求1所述的基于子域自适应对抗网络的滚动轴承跨域故障诊断方法，其特征在于，步骤s2中，对划分好的源域数据集和目标域数据集进行z-score标准化：
...
【专利技术属性】
技术研发人员：王申全，练刚刚，王越男，姜玉莲，
申请(专利权)人：长春工业大学，
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。