[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

本發明涉及一種基于深度遷移學習的機械故障智能診斷方法，屬于機械設備故障診斷技術領域。該方法包括：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；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；S4：將訓練集輸入到CAE?DTLN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進行迭代更新訓練；S6：將測試集輸入到訓練好的CAE?DTLN網絡中，在不同噪音和工況下對機械設備進行遷移故障診斷。本發明能實現抗噪遷移診斷，具有很好的遷移診斷效果和很強的魯棒性和泛化能力。

技術領域

本發明屬于機械設備故障診斷技術領域，涉及一種基于深度遷移學習的機械故障智能診斷方法。

背景技術

現存工業系統通常長期連續穩定運行，故障出現頻繁低，但一旦發生故障，故障劣化速度快，故障導致威脅大，若不及時控制將會導致機毀人亡的嚴重事故。因此保證工業系統長周期穩定運行、避免嚴重事故的發生具有重要的社會意義，并能夠帶來巨大的經濟效益和社會效益。

為了保障工業系統的安全性同時推動智能制造的發展，越來越多的工業復雜系統利用工業物聯網平臺去建立設備運行狀態監測系統，這使得工業系統采集與存儲海量的工業設備運行數據，為基于數據驅動的故障診斷方法提供充足的數據源。但是機遇往往伴隨著挑戰，由于工業系統具備環境高度復雜性、信息不完備性等特點，使得基于數據驅動的故障診斷技術在真正應用時遇到巨大的挑戰。對于基于數據驅動的故障診斷技術來說，主要面臨的問題來自于數據本身，在實際工業應用中，有標簽數據的成本是非常高昂的；同時，在不同工況下的數據分布也有所差異。遷移學習很好地解決了上述的兩個問題。

現存遷移學習技術在機械設備診斷領域中主要針對干凈無噪聲信號，但在工業實際應用中收集到的信號不可能不受到噪音污染。在考慮到實際工業收集的數據中混雜著大量噪聲、標簽樣本昂貴和不同工況下數據存在分布差異，因此，目前亟需一種具有抗噪性的深度遷移學習網絡去診斷機械故障。

發明內容

有鑒于此，本發明的目的在于提供一種基于深度遷移學習的機械故障智能診斷方法，能夠實現很好的抗噪遷移診斷，具有很好的遷移診斷效果和很強的魯棒性和泛化能力。

為達到上述目的，本發明提供如下技術方案：

一種基于深度遷移學習的機械故障智能診斷方法，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基于卷積自編碼器的深度遷移學習網絡(Deep transfer learning network based on convolutional auto-encoder，CAE-DTLN)；

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，關聯對齊(CORrelation ALignment,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；

S5：經過多次迭代訓練，誤差曲線趨于穩定，CAE-DTLN我網絡訓練完成；

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。

進一步，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。