[發明專利]基于部分遷移卷積網絡的機械設備智能故障診斷方法

有效

• 申請號: 201911155556.7
• 申請日: 2019-11-22
• 公開（公告）號: CN110866365B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 林京;焦金陽;梁凱旋;丁傳倉
• 申請（專利權）人: 北京航空航天大學;西安交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G01M13/021;G01M13/028;G01M13/045
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種基于部分遷移卷積網絡的機械設備智能故障診斷方法，其特征在于，其包括以下步驟：

采集步驟S1，采集所述機械設備在不同運行工況下的運行數據，每個工況對應不同的機械健康狀態，將采集的所有組成數據集表示為：X∈R^d×n，其中，d表示樣本維度，n表示樣本個數，X表示運行數據，R表示實數；

設置步驟S2，將數據集X中的部分數據作為源域訓練樣本集和目標域測試樣本集；其中，源域訓練樣本集表示為：其中，上標s表示源域；n_s表示源域樣本數；表示源域的第i個樣本；表示相對于的標簽；目標域測試樣本集表示為：其中，上標t表示目標域；n_t表示目標域樣本數；表示目標域的第i個樣本；所述源域訓練樣本集為有標簽數據集，所述目標域測試樣本集為無標簽數據集；

格式化步驟S3，對源域訓練樣本集和目標域測試樣本集中的每個樣本數據使用如下表達式進行數據標準化：

其中，μ_i是x_i的平均值；σ_i是x_i的標準差；j表示x_i的第j個元素；

訓練步驟S4，使用源域訓練樣本集訓練兩個結構相同但初始化參數不同的一維卷積神經網絡模型并基于目標域測試樣本集對訓練后的兩個卷積神經網絡模型進行修正得到卷積神經網絡機械設備故障診斷模型；以及

診斷步驟S5，將采集的機械設備的實時運行數據輸入至所述卷積神經網絡機械設備故障診斷模型中，所述卷積神經網絡機械設備故障診斷模型基于所述實時運行數據對機械設備進行故障診斷輸出故障類型。

2.根據權利要求1所述的基于部分遷移卷積網絡的機械設備智能故障診斷方法，其特征在于，所述機械設備為滾動軸承或行星齒輪箱。

3.根據權利要求2所述的基于部分遷移卷積網絡的機械設備智能故障診斷方法，其特征在于，采集滾動軸承的運行數據的采樣頻率為12kHz，采集行星齒輪箱的運行數據的采樣頻率為5kHz。

4.根據權利要求3所述的基于部分遷移卷積網絡的機械設備智能故障診斷方法，其特征在于，所述訓練步驟S4具體包括以下步驟：

步驟S41，構建一維深度卷積部分遷移網絡框架，該框架包含兩個結構相同但初始化參數不同的一維卷積神經網絡模型，每個卷積神經網絡模型包括卷積層、非線性激活函數、Batch-標準化層、池化層、Dropout層、全連接層和Softmax分類器輸出層；

步驟S42，使用源域訓練樣本集訓練所述兩個卷積神經網絡模型使得兩個卷積神經網絡模型能夠正確的分類源域訓練樣本集，使用交叉熵作為目標損失函數，如下表達式：

式中，J_c表示交叉熵損失函數；n_s表示源域樣本數；k表示類別標簽；y表示真實標簽；|Y_s|表示樣本的類別數；表示只有當時結果才為1，其他情況結果為0；p(·)表示Softmax分類層函數的輸出；

步驟S43，利用訓練后的兩個卷積神經網絡模型估計目標域測試樣本集中的樣本的標簽分布，得到分布權重，并利用該分布權重修正卷積神經網絡模型中的交叉熵損失函數，表示為：

式中，w是維度為|Y_s|的向量；n_t表示目標域樣本數；和表示兩個分類器的預測輸出；p₁和p₂為概率表示形式；并且根據定義然后修正兩個卷積神經網絡模型的分類交叉熵損失函數如下式：

式中，w_k表示w中的第k個元素；L_uc表示總的交叉熵損失函數；J_c1和J_c2分別表示兩個網絡F₁和F₂的交叉熵損失函數；

步驟S44，計算兩個卷積神經網絡模型針對目標域測試樣本集中樣本的分類器輸出，形成分類器差異損失函數以約束域分布差異，并將其與所述分類交叉熵損失函數結合形成最終的優化目標函數，表示為下式所示：

式中，L_d表示分類器差異損失函數；L表示最終的優化目標函數；||·||₁表示1范數；

步驟S45，使用隨機梯度下降法優化兩個卷積神經網絡模型的參數使得所述優化目標函數L的值最小化；

步驟S46，迭代計算步驟S43、步驟S44和步驟S45，直到滿足迭代終止條件后得到卷積神經網絡機械設備故障診斷模型。

5.根據權利要求4所述的基于部分遷移卷積網絡的機械設備智能故障診斷方法，其特征在于，所述運行數據為振動數據。