[發明專利]一種多源滾動軸承健康狀態融合的遷移智能診斷方法

有效

• 申請號: 202110449135.6
• 申請日: 2021-04-25
• 公開（公告）號: CN113191245B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 雷亞國;趙軍;楊彬;李乃鵬;王文彬;何平
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/25;G06F18/2415;G06F18/10
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賀建斌

一種多源滾動軸承健康狀態融合的遷移智能診斷方法，首先，同時訓練多個由單一源滾動軸承?目標滾動軸承振動信號樣本集對構建的局部分布適配子模型，獲得目標滾動軸承基于每個源滾動軸承的健康狀態診斷結果，其中對于每一個局部分布適配子模型，包括用于提取深度遷移特征的域共享深度殘差網絡和用于提取領域混淆特征的參數共享的領域混淆網絡；最后，通過對多滾動軸承融合遷移診斷模型的訓練，融合基于不同源滾動軸承對目標滾動軸承的診斷結果獲取目標滾動軸承振動信號樣本集健康狀態的最終診斷結果；本發明克服源滾動軸承的診斷知識無法涵蓋目標滾動軸承的故障類型和目標滾動軸承振動信號樣本不平衡的影響，顯著提高了遷移診斷模型的診斷精度。

技術領域

本發明屬于滾動軸承故障診斷技術領域，具體涉及一種多源滾動軸承健康狀態融合的遷移智能診斷方法。

背景技術

滾動軸承是各類旋轉機械設備中使用頻率最高的關鍵部件之一，在機械工業生產中起著重要的作用，它作為機械的“關節”，承擔著維持旋轉功能正常的重要工作，因此，滾動軸承的健康狀況直接關系著機械設備的性能。機械設備工作環境復雜多變，導致滾動軸承的健康狀況隨著運行時間的延長，容易發生故障，為了提高機械設備的安全性和可靠性，研究滾動軸承的故障診斷技術十分必要。

近年來，滾動軸承的智能故障診斷無需過分依賴專家診斷知識就能提供直觀的診斷結果而備受關注，特別是隨著機器學習的快速發展，深度學習被引入到滾動軸承智能故障診斷中，并取得了一些出色的成果。但傳統的滾動軸承智能診斷方法的基本假設是要求訓練數據與測試數據服從相同的概率分布，在很多實際問題中，這個假設常不能被滿足，使得這些方法的性能顯著下降。遷移學習方法通過實現不同領域之間的知識遷移可以緩解這個問題，因此基于遷移學習的滾動軸承故障診斷方法近年來受到廣泛關注。

然而，現有的滾動軸承遷移診斷技術存在顯著的局限性：1)源滾動軸承的健康狀態集應與目標滾動軸承的健康狀態集重疊；2)目標滾動軸承樣本的數量在健康狀態之間保持平衡。但是，在實際應用中，此類假設很難成立：首先，目標滾動軸承不可避免地會遭受源滾動軸承從未經歷過的故障類型的困擾，因此，來自單個源滾動軸承的診斷知識不足以識別從所有健康狀態中提取的目標滾動軸承樣本；其次，目標滾動軸承在壽命周期內長期處于正常狀態，因此，收集的目標滾動軸承數據集由大量健康樣本和少量故障樣本組成，上述兩點因素降低了傳統遷移診斷技術對滾動滾動軸承故障的診斷精度。

受來自源滾動軸承的診斷知識可能無法涵蓋目標滾動軸承的所有故障類型和目標滾動軸承樣本不平衡的影響，現有遷移智能診斷技術的性能顯著下降。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提出一種多源滾動軸承健康狀態融合的遷移智能診斷方法，提高源滾動軸承的診斷知識可能無法涵蓋目標滾動軸承的所有故障類型和目標滾動軸承樣本不平衡條件下滾動軸承遷移診斷的精度，推動智能診斷技術的實際應用。

為了達到上述目的，本發明采取的技術方案為：

一種多源滾動軸承健康狀態融合的遷移智能診斷方法，包括以下步驟：

1)獲取多個源滾動軸承振動信號樣本集和目標滾動軸承振動信號樣本集；

2)由單一源滾動軸承-目標滾動軸承振動信號樣本集對構建局部分布適配子模型；

3)同時訓練多個局部分布適配子模型；

4)重復執行步驟3至網絡參數{θ_sk|s_k∈S}收斂；

5)融合基于不同源滾動軸承對目標滾動軸承的診斷結果獲取目標滾動軸承振動信號樣本集健康狀態的最終診斷結果：

其中，表示目標滾動軸承振動信號樣本集中第i個樣本健康狀態診斷結果，表示第s_k個源滾動軸承振動信號樣本集的狀態標簽，