[發(fā)明專利]一種基于多尺度多任務(wù)學(xué)習(xí)的滾動軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202010894009.7
• 申請日: 2020-08-31
• 公開（公告）號: CN112085079B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計）人: 陳哲;田世慶;黃晶;仇蕾;蔣德富;王鑫
• 申請（專利權(quán)）人: 無錫市錫羚節(jié)能環(huán)保設(shè)備有限公司
• 主分類號: G06F18/21
• 分類號: G06F18/21;G06V10/82;G06N3/048;G06N3/084
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開了一種基于多尺度多任務(wù)學(xué)習(xí)的模式識別方法，通過多尺度特征提取以表征原始信息在多時間尺度上的復(fù)雜模式；通過構(gòu)建多任務(wù)學(xué)習(xí)框架對多個尺度下的模式識別任務(wù)同時訓(xùn)練；在不同尺度任務(wù)之間引入?yún)?shù)共享單元，能夠共享跨尺度的特征信息，擴(kuò)展了特征學(xué)習(xí)過程的廣度和深度，最終提高了模式識別的性能。本發(fā)明能夠穩(wěn)定、可靠地用于復(fù)雜環(huán)境狀態(tài)下的智能信息處理，為及時有效地實(shí)現(xiàn)模式識別任務(wù)提供了有效方法，具有較高的精度和推廣性。

技術(shù)領(lǐng)域

本發(fā)明涉及信息獲取與處理方法；尤其涉及一種基于多尺度多任務(wù)學(xué)習(xí)的滾動軸承故障診斷方法。

背景技術(shù)

非平穩(wěn)時變特性是客觀自然環(huán)境和實(shí)際工況條件下獲取信息的主要特性。在該類信息中混疊大量背景噪聲和干擾信號，信息通常具有較高的復(fù)雜性、耦合性和不確定性。同時，觀測對象也存在不同的模式和狀態(tài)。這使得信息在多個時間尺度上包含復(fù)雜的模式。常規(guī)的全局性或者單一尺度下的特征提取和分析方法往往難以充分表征和分類模式信息。近年來，先進(jìn)技術(shù)試圖通過多尺度特征的提取和建模以提高對多類模式的表征能力，但尚未形成有效的非平穩(wěn)時變信息模式識別方法。

以滾動軸承故障診斷為例：①振動信號通常表現(xiàn)出多尺度特性，并在多個時間尺度上包含復(fù)雜的模式，這種固有的多尺度特征由于缺乏有效的多尺度特征提取方法而往往被傳統(tǒng)的診斷模型所忽視；②由于滾動軸承的運(yùn)行工況復(fù)雜多變且含有大量背景噪聲，原始時域信號往往包含大量冗余信息；③傳統(tǒng)方法在特征學(xué)習(xí)的過程中，關(guān)注點(diǎn)大多集中在單個任務(wù)上，忽略了可能幫助優(yōu)化度量指標(biāo)的其它信息，使得特征學(xué)習(xí)不全面，最終影響了模型的泛化性能。

發(fā)明內(nèi)容

發(fā)明目的：為了解決上述問題，本發(fā)明的目的是提供一種多尺度多任務(wù)學(xué)習(xí)的模式識別方法，能夠提取并學(xué)習(xí)多個時間尺度下的原始特征信息，通過對特征的共享及分類以實(shí)現(xiàn)準(zhǔn)確的模式識別。

技術(shù)方案：一種基于多尺度多任務(wù)學(xué)習(xí)的滾動軸承故障診斷方法，包括如下內(nèi)容：

(1)提取原始信息的多時間尺度的時頻譜特征；

(2)對多時間尺度的時頻譜特征進(jìn)行多任務(wù)學(xué)習(xí)，在不同尺度任務(wù)之間建立參數(shù)共享單元，通過不同尺度任務(wù)之間的參數(shù)共享單元自動學(xué)習(xí)共享特征，并獲取特征共享的權(quán)重；

(3)通過多尺度特征的多任務(wù)學(xué)習(xí)和共享，得到多尺度組合特征，并將多尺度組合特征輸入到神經(jīng)網(wǎng)絡(luò)的全連接層分類器，實(shí)現(xiàn)對特征模式的識別。

進(jìn)一步的，步驟(1)中，采用多尺度粗粒化計算獲取不同時間尺度下的信息序列，對不同時間尺度下的信息序列進(jìn)行小波變換，獲得不同時間尺度下原始信息的時間-頻率特征。

進(jìn)一步的，所述多尺度粗粒化計算的具體步驟為：

每次跳躍1-τ個數(shù)據(jù)段，以τ為區(qū)間尺度做平均，形成原始信息時間尺度為τ的信息序列：

其中，x_l(t)為原始數(shù)據(jù)x(t)＝{x₁(t),x₂(t),...,x_n(t)}中第l個數(shù)據(jù)段，n為采樣的數(shù)據(jù)段個數(shù)，τ為粗粒化計算的尺度因子，t為時域信號的時間，y_h^(τ)(t)即為經(jīng)過粗粒化計算獲取的第h個尺度因子為τ的信息序列；通過調(diào)節(jié)τ值，獲取原始信息不同時間尺度的序列；

進(jìn)一步的，所述小波變換的具體步驟為：

其中，y(t)為輸入的不同時間尺度的序列，為小波變換使用的小波基；a是用于調(diào)整小波基的參數(shù)因子，b是用于改變時域上的窗口位置的參數(shù)因子，t為時域信號的時間；

選取連續(xù)小波變換的Morlet小波作為小波基，其函數(shù)如下: