[發明專利]不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法

在審

• 申請號: 202010416676.4
• 申請日: 2020-05-15
• 公開（公告）號: CN111626345A
• 公開（公告）日: 2020-09-04
• 發明（設計）人: 王藝瑋;周健;鄭聯語
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種不同設備之間的多階段深度卷積遷移學習故障診斷方法，在MSDCTL中，利用深度卷積特征提取模塊進行高維特征提取，再對提取特征進行分類，以分類結果和標簽信息的分類交叉熵作為損失函數預訓練模型顯著提高模型的特征提取和分類能力；將獲得的源域特征和目標域特征利用多核構造的高斯核函數映射至Hilbert空間，利用空間的再生性分離映射函數與特征值，找到映射函數使得兩域特征均值差異最大，以此最大均值差異和零值標簽的平均絕對誤差為目標函數訓練MSDCTL特征提取模塊改進了MSDCTL的遷移性能；通過最小化對目標域數據的診斷結果和標簽信息的分類交叉熵提高模型對遷移后目標域數據特征的分類精度。MSDCTL的以上特點使得基于MSDCTL的故障診斷方法可以利用一個軸承設備的標簽樣本對另一個軸承設備待測無標簽樣本進行高精度故障診斷。

技術領域

本發明屬于旋轉機械故障診斷方法技術領域，具體涉及不同軸承設備之間的深度卷積遷移學習故障診斷方法。

背景技術

軸承是許多機械系統中的關鍵旋轉組件，它們也是重要工業設備故障的主要原因，例如感應電動機，鐵路轉向架的輪對，航空發動機，風力發電機組，鋼廠等，其中軸承故障占所有故障的51％。軸承的故障可能會導致意外的停機，經濟損失甚至人員傷亡。因此，滾動軸承的檢測和診斷具有重要的工業意義，也因此，在役軸承的健康評估和故障診斷受到研究人員的持續關注。

在過去的幾年中，深度學習方法已將基于振動信號的機械故障診斷從手動特征提取提升為端到端的解決方案，并在各種診斷任務上取得了巨大的成功。

但是，這些成就是在以下假設下得出的：可以使用大量帶標簽的故障數據，并且訓練和測試數據來自相同的分布。

由于以下原因，在實踐中通常很難滿足這兩個假設：首先，捕獲故障數據并對其進行標記非常昂貴。機器通常會經歷從健康到故障的漫長降解過程，并且與長期健康運行階段相比，故障數據只占很小的比例。即使可以監視和累積大量故障數據，也很難獲得故障標簽，因為頻繁關閉機器來標記數據是不切實際的。其次，變化的工作條件或變化的設備導致難以保證訓練和測試數據來自相同的分布。機器的工作狀態(例如轉速和負載)在使用過程中可能會發生變化。建立涵蓋所有潛在工作條件的診斷模型是不現實的。即使在恒定速度和負載下，由于殼體，軸的振動和環境噪聲也會在一定程度上影響工作條件，因此數據分布也難以保持一致。

此外，在實踐中，存在這樣的情況，即需要使用由從一個設備獲取的數據訓練的診斷模型來診斷另一個設備的故障模式。例如，對于故障數據很少的新機器，非常需要將根據從其他類似機器收集的豐富監督信息而訓練的診斷模型轉移到該新目標機器。

對于上述相同設備不同工況之間的遷移學習問題，已經有很多學者提出了效果明顯的方法，如清華大學的韓特等人提出了一種基于預訓練的卷積神經網絡(CNN)的遷移學習框架，首先在源域上對CNN進行預訓練，再根據域自適應理論對預訓練的CNN進行適當微調，然后遷移至目標域。然而不同設備之間的遷移問題，雖然已經有學者提出自己的研究成果，如東北大學的李想等設計了一種基于CNN的深度遷移學習，將在不同旋轉機械設備的充足標簽數據上訓練的診斷能力通過鄰域對抗訓練遷移至目標設備；西安交大的雷亞國等人提出了一種深度卷積遷移學習網絡，由條件識別和鄰域適應兩個模塊組成。但是這些研究成果在遷移診斷精度上都還存在較大的提升空間。

發明內容

針對現有技術存在的不足，本發明的目的在于提供一種不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法，該方法解決了目標軸承標簽樣本數據難以獲取，訓練數據和測試數據特征分布相似性難以保證，而造成的不同設備之間遷移學習時，對待測樣本故障診斷準確率較低的問題。

為實現上述目的，本發明一種不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法，具體包括以下步驟：

S1、將源域帶標簽樣本輸入深度卷積遷移學習模型中，獲得診斷輸出與樣本標簽的損失分類交叉熵，以此為目標函數預訓練模型的特征提取模塊和分類模塊；