[發明專利]一種改進模型遷移策略的滾動軸承故障診斷方法

有效

• 申請號: 202010636625.2
• 申請日: 2020-07-20
• 公開（公告）號: CN111721536B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 王慶巖;呂海巖;王玉靜;康守強;謝金寶;梁欣濤
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超

一種改進模型遷移策略的滾動軸承故障診斷方法，屬于滾動軸承故障診斷技術領域。針對源域與目標域中相同狀態數據分布差異大的問題而提出。利用小波變換獲取不同型號軸承振動信號的時頻譜并構建圖像數據集；選擇某種型號的數據作為源域，其他型號數據作為目標域；使用源域數據訓練ResNet?34深度卷積網絡，得到源域數據分類模型；利用隱式漸變元學習自適應決定遷移知識層級及知識內容實現模型遷移策略的改進，避免異構體系結構中梯度不易收斂現象；將遷移的知識引入目標域ResNet?152卷積神經網絡數據訓練的過程中通過參數傳遞實現模型遷移；在訓練源域與目標域網絡時采用隨機梯度下降算法優化網絡參數，建立不同型號滾動軸承的故障診斷模型。

技術領域

本發明涉及一種改進模型遷移策略的滾動軸承故障診斷方法，屬于滾動軸承故障診斷技術領域。

背景技術

滾動軸承作為旋轉機械的關鍵部件，在工業生產中廣泛應用，對其進行有效的故障診斷可預防重大事故發生^[1]。滾動軸承型號多樣，導致在實際工作中缺少或無法獲取帶標簽的某種型號的訓練數據^[2]。根據已知某種狀態信息的滾動軸承振動信號對其他型號下未知狀態信息的振動信號進行狀態識別具有重要的實際意義^[3]。

滾動軸承不同位置及不同損傷程度的故障診斷實質上是對滾動軸承運行狀態的識別^[4]。傳統的狀態識別方法需要人工先提取特征，且具有豐富的信號處理經驗及特征提取知識，根據不同的故障類型選取合適的特征^[5-6]。最近幾年，隨著研究人員對深度學習的研究，故障診斷方法開始使用深度學習自動提取所需特征，克服了傳統方法中人工提取特征的缺陷^[7-8]。文獻 [9]提出一種基于堆疊自動編碼器的滾動軸承故障診斷方法，無需人工提取特征，大幅度減小人工經驗對診斷結果的影響。文獻[10]利用深度學習的圖譜和序列模型實現軸承故障診斷，獲得了較好的故障分類精度。文獻[11]提出利用多尺度級聯卷積神經網絡增強輸入分類信息，此方法在非平穩工況下軸承故障診斷中具有較好的結果。文獻[12]從軸承的時域與頻域數據中提取特征，通過局部和全局主成分分析，將多個深層特征融合為固有的低維特征，利用集成核極限學習機實現軸承故障診斷。文獻[13]將振動信號轉換為頻譜圖輸入到全卷積神經網絡中，可準確識別出軸承故障位置及損傷程度，并具有較好的泛化性。

在實際工作中，滾動軸承的工作負載是變化的，不同負載下滾動軸承的振動特性是不同的，相對于恒定負載時更復雜。不同負載下的振動數據分別作為訓練數據和測試數據時，他們的數據分布也是不同的，此時基于深度學習的故障診斷方法診斷效果有所下降。