[發明專利]不平衡樣本多任務自優化的滾動軸承故障遷移診斷方法

有效

• 申請號: 202110758708.3
• 申請日: 2021-07-05
• 公開（公告）號: CN113469066B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 雷亞國;何平;姜鑫偉;楊彬;李熹偉;李乃鵬
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06F18/213;G06N3/0464;G06N3/08;G01M13/045
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賀建斌

1.不平衡樣本多任務自優化的滾動軸承故障遷移診斷方法，其特征在于，包括以下步驟：

步驟1：獲取源滾動軸承R種健康狀態時的振動信號樣本集其中，為第m個源滾動軸承的振動信號樣本，由N個振動數據點組成，其樣本標簽為M_s為源滾動軸承振動信號樣本總數，上標/下標s表示源滾動軸承；獲取目標滾動軸承的振動信號樣本集其中，健康狀態已知的目標滾動軸承振動信號樣本集為健康狀態未知的目標滾動軸承振動信號樣本集為為第n個目標滾動軸承的振動信號樣本，為第u個健康狀態已知的目標滾動軸承振動信號樣本，其樣本標簽為為第v個健康狀態未知的目標滾動軸承振動信號樣本，每個樣本由N個振動數據點組成，M_t為目標滾動軸承振動信號樣本總數，U_t為健康狀態已知的目標滾動軸承振動信號樣本總數，V_t為健康狀態未知的目標滾動軸承振動信號樣本總數，且存在關系M_t＝U_t+V_t，上標/下標t代表目標滾動軸承；

步驟2：構建深度稠密卷積神經網絡，作為基礎分類器，利用源滾動軸承振動信號樣本集對基礎分類器進行預訓練，待訓練參數為特征提取模塊參數φ和健康狀態識別模塊參數訓練過程即最小化如下目標函數，并對基礎分類器的待訓練參數φ，進行更新：

式中，為樣本被預測為第r種健康狀態的概率；I(·)為指示函數；

步驟3：應用步驟2中完成預訓練的特征提取模塊參數φ結合全新隨機初始化的重構健康狀態識別模塊參數構建多任務學習器F_meta；

步驟4：從健康狀態已知的目標滾動軸承振動信號樣本集中隨機挑選出樣本數據組成更新數據集用更新數據集中的樣本組成不同的學習任務組合T，從任務組合T中選取j個組成梯度更新任務組合每個任務T_i由支持集和查詢集組成，其中為任務T_i下第p個支持集樣本，其樣本標簽為P為任務T_i下的支持集樣本總數，為任務T_i下第q個查詢集樣本，其樣本標簽為Q為任務T_i下的查詢集樣本總數；

步驟5：利用步驟4構造的梯度更新任務組合中每個任務T_i的支持集樣本一次訓練更新多任務學習器F_meta的參數，分別得到每個任務T_i下多任務學習器F_meta的一次更新參數：

式中，為任務T_i的支持集下的損失函數；φ_i'，分別為在每個任務T_i的支持集下一次更新后的特征提取模塊參數和健康狀態識別模塊參數；β為一次更新的學習率；

步驟6：分別計算每個任務T_i的查詢集在相應一次更新參數后模型的損失函數并求和，得到多任務學習器目標函數L_meta：

利用得到的多任務學習器目標函數L_meta二次更新多任務學習器F_meta的參數，得到多任務學習器F_meta更新的健康狀態識別模塊參數：

式中，為更新的健康狀態識別模塊參數；γ為二次更新的學習率；

步驟7：利用健康狀態已知的目標滾動軸承振動信號樣本集中未輸入多任務學習器F_meta的數據組成微調數據集用微調數據集中的樣本對多任務學習器的參數進行微調：

式中，為微調數據集下的損失函數；λ為微調模型時的學習率；φ^Final、為最終滾動軸承故障遷移診斷模型的特征提取模塊參數和健康狀態識別模塊參數；

步驟8：將第v個健康狀態未知的目標滾動軸承振動信號樣本輸入訓練好的最終滾動軸承故障遷移診斷模型中，取輸出的目標滾動軸承振動樣本健康狀態概率分布中最大概率值所對應的健康標記作為第v個健康狀態未知的目標滾動軸承振動信號樣本的健康狀態。