[發明專利]一種深度域自適應卷積網絡的滾動軸承故障診斷方法

在審

• 申請號: 202111665362.9
• 申請日: 2021-12-31
• 公開（公告）號: CN114354195A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 吳思懿;洪榮晶
• 申請（專利權）人: 南京工業大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 徐激波

1.一種深度域自適應卷積網絡的滾動軸承故障診斷方法，其特征在于，所述診斷方法包括以下步驟：

S1：通過傳感器采集多個工況下的滾動軸承振動信號，利用所述振動信號建立多個工況下的數據集，每個數據集內含滾子故障樣本集、內圈故障樣本集和外圈故障樣本集及正常狀態的樣本，其中每種故障樣本集內均包括三種不同的損傷直徑樣本，則共有十種狀態樣本，每種狀態樣本1000組，從多個工況中選取一個工況下的數據作上標簽作為源域數據，其他工況作為無標簽的目標域數據；

S2：將損失目標域數據隨機分配，其中70％用于訓練集和30％用于測試集，并將所述訓練集與所述源域數據輸入一維卷積網絡神經模型中訓練；

S3：計算源域數據的分類損失，源域數據與目標域數據在全連接層的MK-MMD與Wasserstein距離損失，利用MK-MMD與Wasserstein距離損失和作為反向傳播的優化目標進行網絡結構和參數的優化調整，直到將所述源域數據與所述目標域數據對齊，得到訓練好的網絡；

S4：將訓練好的網絡對測試集進行測試，得到故障分類結果。

2.如權利要求1所述的一種深度域自適應卷積網絡的滾動軸承故障診斷方法，其特征在于，所述一維卷積網絡神經模型為：

第一層為卷積層，卷積核大小為4，步長為2，卷積核數目為32，輸出大小1024×32；

第二層為池化層，卷積核大小為2，步長為1，卷積核數目為32，采用最大值池化，輸出大小512×32；

第三層為卷積層，卷積核大小為4，步長為2，卷積核數目為64，輸出大小256×64；

第四層為池化層，卷積核大小為2，步長為1，卷積核數目為64，采用最大值池化，輸出大小128×64；

第五層為Flatten層，卷積核大小為4096，步長為1，輸出大小4096×1；

第六層為全連接層1，卷積核大小為1024，步長為1，輸出大小1024×1；

第七層為全連接層2，卷積核大小為4，步長為1，輸出大小4×1。

3.如權利要求1所述的一種深度域自適應卷積網絡的滾動軸承故障診斷方法，其特征在于，計算所述源域數據的分類損失方法為：

其中L_y表示分類損失，P_ic表示對第i個樣本的預測類別為真實標簽的概率，y_ic為符號函數，當第i個樣本的真實標簽為c時，y_ic的值為1，否則為0。

4.如權利要求1所述的一種深度域自適應卷積網絡的滾動軸承故障診斷方法，其特征在于，所述Wasserstein距離損失為：

其中P_S源域數據分布，P_T表示目標域數據分布，I_inf表示最大下界，π(P_S，P_T)表示所述源域數據與所述目標域數據中所有可能的聯合分布，γ是其中一種聯合分布，x和y是從每一個可能的聯合分布γ中采樣得到樣本，||x-y||是這對樣本的距離，E(x,y)～γ[||x-y||]是在該聯合分布γ下樣本對距離的期望值，利用Wasserstein距離的Kantorovich-Rubinstein對偶性，將Wasserstein距離損失定義為：

其E_x～Ps[f(x)]-E_x～PT[f(x)]是x對目標域數據與源域數據的期望；

所述MK-MMD距離損失為：

其中X和Y分別代表為源域數據、目標域數據的特征；n、m分別為源域數據、目標域數據小批量樣本數；x_i代表源域數據特征的第i個樣本，y_j代表目標域數據特征的第j個樣本，φ()代表一個映射函數，H表示再生希爾伯特空間。