[發(fā)明專利]一種深度域自適應(yīng)卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111665362.9
• 申請(qǐng)日: 2021-12-31
• 公開（公告）號(hào): CN114354195A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設(shè)計(jì)）人: 吳思懿;洪榮晶
• 申請(qǐng)（專利權(quán)）人: 南京工業(yè)大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 徐激波

本發(fā)明提供一種深度域自適應(yīng)卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法，包括以下步驟：準(zhǔn)備多個(gè)工況下的數(shù)據(jù)集，選取其中一個(gè)工況下的數(shù)據(jù)作上標(biāo)簽作為源域數(shù)據(jù)，其他工況作為無(wú)標(biāo)簽的目標(biāo)域數(shù)據(jù)；將目標(biāo)域數(shù)據(jù)70％用于訓(xùn)練集和30％用于測(cè)試集，并將所述訓(xùn)練集與所述源域數(shù)據(jù)一起輸入模型中進(jìn)行訓(xùn)練；計(jì)算所述源域數(shù)據(jù)的分類損失、所述源域數(shù)據(jù)與所述目標(biāo)域數(shù)據(jù)在一維卷積網(wǎng)絡(luò)神經(jīng)模型全連接層的MK?MMD距離損失Wasserstein距離損失，利用上述三種損失進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化調(diào)整，將所述源域數(shù)據(jù)與所述目標(biāo)域數(shù)據(jù)對(duì)齊，得到訓(xùn)練好的網(wǎng)絡(luò)。本發(fā)明提出的診斷方法能夠?qū)收闲畔⒆詣?dòng)提取，提高特征利用率，減少建模時(shí)間。

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，具體涉及一種深度域自適應(yīng)卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。

背景技術(shù)

大型復(fù)雜裝備的平穩(wěn)安全關(guān)系到生產(chǎn)安全的關(guān)鍵核心。據(jù)統(tǒng)計(jì)，約45％～55％的旋轉(zhuǎn)機(jī)械故障都是由于滾動(dòng)軸承的損傷所造成的。因此，需要對(duì)軸承狀態(tài)保持時(shí)刻關(guān)注。

近幾十年來(lái)，機(jī)械故障診斷發(fā)展迅速，從最原始的人工判別發(fā)展到經(jīng)過傳統(tǒng)信號(hào)分析后診斷。由于傳統(tǒng)信號(hào)分析很難兼顧到非平穩(wěn)信號(hào)的時(shí)頻特性小波分析、維格納(Wigner-Ville)分布、短時(shí)傅里葉變換等故障診斷領(lǐng)域較為常見的時(shí)頻分析法又開始出現(xiàn)。但上述信號(hào)處理方法也存在一些問題。隨著科技進(jìn)步帶來(lái)硬件設(shè)施的不斷提高，深度學(xué)習(xí)已經(jīng)成為智能診斷的主要方法，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)最具代表性。

總結(jié)來(lái)說(shuō)，現(xiàn)有滾動(dòng)軸承信號(hào)故障診斷的不足之處主要有以下幾點(diǎn)：

第一：二維卷積需要對(duì)原數(shù)據(jù)進(jìn)行轉(zhuǎn)化，操作復(fù)雜。

第二：CNN需要訓(xùn)練集和測(cè)試集具有同樣的分布。在實(shí)際生產(chǎn)中，上述兩個(gè)條件難以得到滿足，即面對(duì)不同的問題都需要相對(duì)應(yīng)的建立一個(gè)獨(dú)立的模型，十分繁瑣。

第三：源域與目標(biāo)域的差異減小方式過于單調(diào)，僅從單方面考慮。

發(fā)明內(nèi)容

發(fā)明目的：為了實(shí)現(xiàn)故障信息自動(dòng)提取，提高特征利用率，減少建模時(shí)間，本發(fā)明提出一種改進(jìn)的深度域自適應(yīng)卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。首先通過一維卷積神經(jīng)網(wǎng)絡(luò)直接對(duì)振動(dòng)信號(hào)提取故障特征；然后計(jì)算全連接層的MK-MMD和Wasserstein距離損失之和，根據(jù)損失函數(shù)來(lái)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行反向傳播訓(xùn)練，通過利用源域數(shù)據(jù)，減少第一部分損失(分類損失)，從而調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使得可以更好的提取源域數(shù)據(jù)的特征；通過同時(shí)利用源域和目標(biāo)域數(shù)據(jù)，減少第二部分的損失(域差異損失)，從而調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使得提取到的源域和目標(biāo)域特征能夠自動(dòng)對(duì)齊，讓目標(biāo)域數(shù)據(jù)能夠和源域數(shù)據(jù)在同一特征空間中，即目標(biāo)域數(shù)據(jù)經(jīng)過分類器之后能夠像源域數(shù)據(jù)一樣取得較高的分類準(zhǔn)確率。

技術(shù)方案：步驟一、利用傳感器采集不同工況下的滾動(dòng)軸承振動(dòng)信號(hào)。

步驟二、將一工況下的數(shù)據(jù)作上標(biāo)簽作為源域數(shù)據(jù)，其他工況作為無(wú)標(biāo)簽的目標(biāo)域數(shù)據(jù)。

步驟三、將需要診斷的目標(biāo)域數(shù)據(jù)隨機(jī)分成訓(xùn)練集和測(cè)試集，并將訓(xùn)練集與有標(biāo)簽的源域數(shù)據(jù)一起輸入一維卷積網(wǎng)絡(luò)神經(jīng)模型中去。

使用一個(gè)7層的一維卷積網(wǎng)絡(luò)神經(jīng)模型：

第一層為卷積層，卷積核大小為4，步長(zhǎng)為2，卷積核數(shù)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(zhǎng)為1，卷積核數(shù)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(zhǎng)為2，卷積核數(shù)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(zhǎng)為1，卷積核數(shù)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(zhǎng)為1，輸出大小4096×1；