[發明專利]基于多源域錨適配器集成遷移的旋轉機械故障診斷方法

在審

• 申請號: 202011201367.1
• 申請日: 2020-11-02
• 公開（公告）號: CN112308147A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 孔憲光;楊勝康;王奇斌;余粼钖;程涵;吉王輝
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于多源域錨適配器集成遷移的旋轉機械故障診斷方法，旨在提高模型的分類精度和泛化能力，實現步驟為：獲取源域訓練樣本和目標域樣本；從源域每類樣本中隨機選擇錨點進行相似度計算，建立多個錨適配器矩陣；構建深度域適應網絡；利用多個適配器矩陣進行網絡訓練獲得多個分類器。本發明以置信度和準確率為評價指標對每個分類器的綜合性能進行評價，通過綜合性能指標排序選擇性能較優的分類器進行集成，獲得故障診斷的預測結果，實現變工況下旋轉機械的智能診斷。

技術領域

本發明屬于機械技術領域，更進一步涉及旋轉機械技術領域中的一種基于多源域錨適配器集成遷移的旋轉機械故障診斷方法。本發明可用于對旋轉機械故障進行自動診斷。

背景技術

軸承是重大旋轉機械中使用最廣泛的組件，直接影響旋轉機械的健康狀態。因此，自動、準確地診斷旋轉機械的故障狀態在裝備維護管理方面尤為重要。隨著機器學習和深度學習的快速發展，現代旋轉機械設備的故障診斷方法得到蓬勃發展，以支持向量機、人工神經網絡、決策樹、隨機森林等為代表的機器學習方法在故障診斷領域展開應用研究。由于機器學習方法需要大量的有標簽數據，進行監督學習故障特征。而真實的工業環境中常常面臨無標簽信息的工業數據，機器學習方法無法滿足這種需求，因此以深度置信網絡，深度自編碼器、卷積神經網絡等深層特征學習的深度學習技術在故障診斷領域迅速得到廣泛應用。但是，這些方法都只適用于同一工況下，并且需要大量有標簽樣本數據作為支撐，針對變工況和未知工況下的故障診斷，其模型精度低，而且泛化能力差，難以用于實際復雜工況下的故障診斷。

針對變工況下故障診斷問題，學者借助遷移學習的思想提出了基于最大均值差異、對比散度的遷移學習故障診斷模型解決了變工況樣本數據不足或無標簽數據下的故障診斷問題。主要思想是利用源域和目標域工況的樣本數據進行特征提取器的訓練，引入最大均值差異或對比散度差異的分布差異評價函數提取不同工況下的判別特征，然后再利用有標簽的源域樣本數據進行softmax分類器的訓練，獲得性能較好的故障診斷模型，提升模型在目標域工況下的診斷性能。

錢偉偉等人在其發表的論文“A New Transfer Learning Method and itsApplication on Rotating Machine Fault Diagnosis Under Variant WorkingConditions”(IEEE Access，2018，69907-69917；doi:10.1109/ACCESS.2018.2880770)中提出一種基于高階KL散度的遷移學習用于變工況下滾動軸承故障的診斷方法。該方法的步驟是：首先，采集不同工況滾動軸承的振動數據；其次，將其中一種工況下的數據作為源域，其他工況數據的目標域，利用稀疏濾波和高階KL散度進行源域和目標域判別特征的學習；最后，利用有標簽的源域數據進行Softmax分類器的訓練，實現其在目標域上有良好的故障診斷能力。該方法雖然在不同工況的判別特征提取方面，采用系數濾波和高階KL散度的方法，但是，該方法仍然存在的不足之處是，未從多個不同工況的數據作為源域出發，沒有考慮到不同源域工況數據分布的個性導致單源域遷移學習出現域不匹配的現象，影響模型的故障分類精度，導致不同遷移學習任務中的泛化能力差。

發明內容

本發明的目的在于克服上述現有技術存在的缺陷，提供了基于多源域錨適配器集成遷移的旋轉機械故障診斷方法，用于解決旋轉機械的故障診斷精度不高的問題。