[發明專利]基于深度遷移學習的機械故障智能診斷方法

有效

• 申請號: 202110304187.4
• 申請日: 2021-03-22
• 公開（公告）號: CN112906644B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 秦毅;錢泉;羅均;蒲華燕
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01M13/00;G01M13/028;G01M13/021
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

1.一種基于深度遷移學習的機械故障智能診斷方法，其特征在于，該方法具體包括以下步驟：

S1：采集機械設備各種故障的不同工況下的振動信號，并進行預處理獲得樣本集，分為訓練集和測試集；

S2：將劃分的樣本集添加不同信噪比的高斯噪聲，模擬各種噪音環境；

S3：利用關聯對齊和域對抗遷移學習方法構建CAE-DTLN網絡，其中，CAE-DTLN網絡是基于卷積自編碼器的深度遷移學習網絡，具體包括：特征提取器、故障分類器和域自適應模塊；

所述特征提取器由一個深度自編碼器組成，該深度自編碼器的結構由五個塊構成，每個塊包含一個卷積層、池化層和歸一化層；

所述故障分類器由三個全連接層組成；

所述域自適應模塊由CORAL適配層和一個三層全連接層的域分類器組成；

S4：將訓練集輸入到構建好的CAE-DTLN網絡中，利用源域有標簽樣本分類誤差，CORAL指標和域分類器判別誤差，對CAE-DTLN網絡進行迭代更新訓練；其中，CORAL是關聯對齊(CORrelation ALignment,CORAL)；

S5：經過多次迭代訓練，誤差曲線趨于穩定，完成CAE-DTLN網絡訓練；

S6：將測試集輸入到訓練好的CAE-DTLN網絡中，用于診斷不同噪音和不同工況下的機械設備故障。

2.根據權利要求1所述的機械故障智能診斷方法，其特征在于，步驟S1具體包括：通過加速度傳感器采集機械設備各種故障的不同工況下的振動信號；然后，將采集到的原始振動信號利用滑動采樣技術劃分為多個長度為L的樣本；最后，按照各個工況將相應的樣本劃分為訓練集和測試集，其中，訓練集包括相等的無標簽目標域樣本和標簽源域樣本，測試集包括目標域樣本。

3.根據權利要求1所述的機械故障智能診斷方法，其特征在于，步驟S3中，采用CAE作為特征提取器，在挖掘故障信息的同時濾去信號中的高頻噪聲；其中，CAE是卷積自編碼器(Convolution Auto-encoder,CAE)。

4.根據權利要求1所述的機械故障智能診斷方法，其特征在于，步驟S3中，在域自適應模塊中，采用CORAL和域對抗方法一起去增強域混淆能力，從而增強網絡對目標域測試樣本的診斷精度。

5.根據權利要求1所述的機械故障智能診斷方法，其特征在于，步驟S3中，構建的CAE-DTLN網絡的優化目標函數表示為：

其中，L_c為源域有標簽分類損失，L_d為辨別目標域數據和源域數據的二分類損失，L_ae為CAE中原始數據和重構數據之間的重構誤差，L_CORAL為關聯對齊遷移學習技術中兩個域之間的協方差差值；θ_ae,θ_c1,θ_c2,θ_d分別表示CAE-DTLN網絡中特征提取器、故障分類器前兩層、故障分類器最后一層以及域分類器的可訓練權重參數，分別表示CAE-DTLN網絡中特征提取器、故障分類器前兩層、故障分類器最后一層以及域分類器的迭代更新過后的權重參數；u,k,λ分別表示重構損失、特征協方差差值和域分類損失在整個優化目標函數所占的比重。

6.根據權利要求5所述的機械故障智能診斷方法，其特征在于，步驟S4中，對CAE-DTLN網絡進行迭代更新訓練，具體包括：定義網絡的學習速率為ε，通過RMSprop優化算法對CAE-DTLN網絡中的訓練參數θ_ae,θ_c1,θ_c2,θ_d的進行迭代更新，其更新過程由以下公式表示：