[發(fā)明專(zhuān)利]基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210138615.5
• 申請(qǐng)日: 2022-02-15
• 公開(kāi)（公告）號(hào): CN114626406A
• 公開(kāi)（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 沈長(zhǎng)青;李景德;譚陸洋;陳良;孔林;鞠華;李林;丁傳倉(cāng);黃偉國(guó);朱忠奎
• 申請(qǐng)（專(zhuān)利權(quán)）人: 蘇州大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06N3/04;G01M13/045
• 代理公司: 蘇州市中南偉業(yè)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32257
• 代理人: 朱振德

1.一種基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：包括以下步驟：

S1：采集不同工況下的軸承振動(dòng)數(shù)據(jù)，每種工況下采集的數(shù)據(jù)作為一個(gè)可遷移域并對(duì)數(shù)據(jù)進(jìn)行處理形成樣本；

S2：將其中一個(gè)可遷移域作為源域，對(duì)源域樣本添加軸承故障類(lèi)型標(biāo)簽；其余可遷移域作為輔助域；

S3：搭建包括特征提取器和兩個(gè)分類(lèi)器的神經(jīng)網(wǎng)絡(luò)模型，對(duì)兩個(gè)分類(lèi)器做不同的數(shù)據(jù)初始化；

S4：輸入源域樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，使得兩個(gè)分類(lèi)器對(duì)于源域均具有分類(lèi)能力；

S5：將源域樣本和輔助域樣本均輸入神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練分類(lèi)器以增大兩個(gè)分類(lèi)器對(duì)于輔助域的分類(lèi)差異且兩個(gè)分類(lèi)器對(duì)于源域均具有分類(lèi)能力；

S6：將輔助域輸入神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練特征提取器使得其提取的特征能夠同時(shí)滿足兩個(gè)分類(lèi)器的分類(lèi)要求；

S7：重復(fù)進(jìn)行步驟S4-S6，直至神經(jīng)網(wǎng)絡(luò)模型收斂，得到故障診斷模型對(duì)未知域進(jìn)行故障診斷。

2.如權(quán)利要求1所述的基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：所述步驟S1具體包括以下步驟：

S11：通過(guò)加速度傳感器采集不同工況下的軸承振動(dòng)數(shù)據(jù)，將每種工況下采集的數(shù)據(jù)作為一個(gè)可遷移域，各可遷移域服從不同的條件分布與邊緣分布；

S12：對(duì)各遷移域進(jìn)行數(shù)據(jù)切割形成樣本，對(duì)各樣本進(jìn)行快速傅里葉變換處理使樣本從時(shí)域信號(hào)轉(zhuǎn)變?yōu)轭l域信號(hào)，并將其通過(guò)無(wú)重疊的窗口處理成灰度圖片，作為各遷移域的樣本。

3.如權(quán)利要求1所述的基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：所述步驟S2具體包括以下步驟：在各遷移域中：設(shè)置一個(gè)添加軸承故障類(lèi)型標(biāo)簽的源域其中，源域具有M個(gè)樣本和標(biāo)簽，x_LS,j和y_LS,j分別表示源域的第j個(gè)樣本和標(biāo)簽；

設(shè)置N個(gè)輔助域其中，輔助域具有M個(gè)樣本，x_USn,j表示第n個(gè)輔助域的第j個(gè)樣本。

4.如權(quán)利要求1所述的基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：所述特征提取器包括三個(gè)卷積層和一個(gè)全連接層；所述分類(lèi)器包括兩個(gè)全連接層，對(duì)分類(lèi)器進(jìn)行不同的初始化，獲得不一樣的分類(lèi)器。

5.如權(quán)利要求1所述的基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：所述步驟S4具體包括以下步驟：

將源域樣本作為輸入，通過(guò)特征提取器獲得樣本的特征表示，將獲取的特征經(jīng)過(guò)兩個(gè)分類(lèi)器獲得分類(lèi)輸出；

將分類(lèi)輸出與軸承故障類(lèi)型標(biāo)簽求交叉熵?fù)p失，并對(duì)于特征提取器和分類(lèi)器的參數(shù)進(jìn)行更新訓(xùn)練，使得特征提取器和分類(lèi)器均對(duì)于源域有分類(lèi)能力。

6.如權(quán)利要求1所述的基于類(lèi)邊界特征檢測(cè)的軸承故障診斷方法，其特征在于：所述步驟S5具體包括以下步驟：

S51：將輔助域樣本通過(guò)特征提取器進(jìn)行特征提取，并將其輸入分類(lèi)器中，得到兩個(gè)分類(lèi)器輸出和其中，p_1,n和p_2,n分別表示兩個(gè)分類(lèi)器對(duì)于第n個(gè)輔助域的預(yù)測(cè)輸出。

S52：求取分類(lèi)器差異，定義差異公式：

其中，d_n(p₁,p₂)表示兩個(gè)分類(lèi)器對(duì)于第n個(gè)輔助域樣本的分類(lèi)差異，p_1k和p_2k表示兩種分類(lèi)器對(duì)第k類(lèi)的預(yù)測(cè)結(jié)果，具體計(jì)算公式如下：

其中，K表示類(lèi)別總數(shù)，z_k表示第k類(lèi)神經(jīng)元的輸出；

總差異損失如下：

其中，X_US1，…，X_USN表示每個(gè)輔助域的樣本；

S53：求取源域分類(lèi)損失，使源域的交叉熵?fù)p失最小化，針對(duì)輔助域兩個(gè)分類(lèi)器差異損失最大化。