基于域泛化的轴承故障诊断方法技术

本发明专利技术提出了基于域泛化的轴承故障诊断方法，由已知工况的数据训练出的模型进行未知工况故障诊断。本发明专利技术通过多尺度融合与注意力机制来提取原始信号数据的有效特征片段，经过共享特征提取器和私有特征提取器的深度提取，再通过互信息损失、差异性损失、相似性损失、MMD损失函数的计算叠加权重参数求和，通过反向传播和梯度优化的方式更新模型参数，最后在训练过程中保存最优的模型，将未知工况的数据集进行测试并可视化的反馈模型精度，更加直观的反应出模型的泛化能力。其步骤如下：(1)风机轴承与齿轮数据采集；(2)原始数据采样及切片；(3)搭建网络提取数据特征；(4)损失函数处理；(5)模型训练与测试；(6)模型结果比较，将结果汇总成可视化图像。

【技术实现步骤摘要】

本专利技术针对轴承在实际工程应用领域，由于在现场无法预判故障从而要面对未知的故障类型，所以缺少故障的数据和故障的类型标签，常规的故障诊断方法具有一定的局限性，利用深度学习的方法采用域泛化模型以及域解耦结合的方法可以很好的解决未知故障类型的诊断，可以在实际工程中提高故障的诊断精度。

技术介绍

1、传统的基于深度学习的智能诊断方法往往假设目标故障的工况已知且有充足的故障数据，然后在训练模型的过程中使用目标工况的数据来增加模型的诊断精度。但在实际工程现场很难在无提前准备的情况下预知出现故障的部件的工况，更无法前提获取该工况的故障数据，这种对未知工况的诊断在传统基于深度学习的故障诊断方法中表现有较大提升空间，因此，有必要研发一种针对未知工况和无法采集故障数据的轴承故障诊断方法。

2、本专利技术提出一种针对轴承的智能故障诊断方法，该方法采用共享特征和私有特征提取器，通过cbam(注意力机制)提取原始信号数据中的有效特征片段，结合相似性损失、差异性损失、互信息损失、交叉熵损失将共享特征和私有特征进行区分从而完成特征分离，再根据源域之间的共享特征构建一个特征本文档来自技高网...

【技术保护点】

1.基于域泛化的轴承故障诊断方法，其特征在于：

2.根据权利要求1所述的基于域泛化的轴承故障诊断方法，其特征在于采用多尺度注意力机制的特征提取，其步骤如下：

3.根据权利要求2所述的基于域泛化的轴承故障诊断方法，其特征在于特征解耦以及模型的泛化，其步骤如下：

【技术特征摘要】

1.基于域泛化的轴承故障诊断方法，其特征在于：

2.根据权利要求1所述的基于域泛化的轴承故障诊断方法，其特征在于采用多尺度注意力机...

【专利技术属性】
技术研发人员：王华庆，杜嘉荀，宋浏阳，陆星驰，韩长坤，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：