CN108548671A - 一种基于自动编码器的轴系转速大波动的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于自动编码器的轴系转速大波动的故障诊断方法，包括以下步骤：步骤一、将分别属于源域和目标域中的转速1与转速2的样本做快速傅里叶变换并幅值归一化；步骤二、用转速1信号预训练自动编码器；步骤三、在自动编码算法中加入MMD惩罚项自动编码迁移学习算法，并用两种转速的训练样本进行训练；步骤四、训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类，由此可对转速2未知的故障信号实现故障诊断。本发明通过迁移学习算法对转速大波动状态下的故障信号进行智能诊断，通过引入MMD惩罚项提高源域样本训练之后的模型对于目标域样本诊断的准确率，从而实现转速大波动情况下的智能故障诊断。

Description

一种基于自动编码器的轴系转速大波动的故障诊断方法

技术领域

本发明属于振动信号智能故障诊断技术领域，涉及一种基于自动编码器的轴系转速大波动的故障诊断方法。

背景技术

随着大数据时代的到来，基于设备振动信号的故障诊断方法，已经由传统的信号处理方法转变为深度学习方法。应用深度学习进行智能故障诊断的步骤一般是通过非监督学习算法训练出能够提取样本特征的权值矩阵，然后通过监督学习算法进行对权值矩阵提取的样本特征进行分类。目前普遍采用的无监督学习算法主要有稀疏玻尔兹曼机、自动编码器、稀疏自动编码器、稀疏编码、独立成分分析等等，均是通过对大量的样本进行训练来提高对未知故障诊断的准确率。

中国发明专利申请“CN201510169697：一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法”，即是采用自动编码器进行故障诊断。但是，由于机械设备运行时会受载荷等因素的影响，其转速波动多变而不是单一的。而采用自动编码器故障诊断方法在模型训练时的样本往往是一种转速或者几种转速的数据，而对于其他转速的故障样本则需要从新训练整个模型才能进行诊断。这会导致模型的重复训练，从而在实际应用中影响最终故障诊断的效果和准确率。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种基于自动编码器的轴系转速大波动的故障诊断方法，利用迁移学习将已经训练好的模型通过简单的微调迁移到实际应用的环境中，提高模型训练效率，并将迁移学习理念与现有的自动编码器技术相结合，实现转速大波动下的故障诊断和提升故障诊断准确率。

为解决上述技术问题，本发明采用以下技术方案。

本发明的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征是，包括以下步骤：

步骤1.样本数据预处理：转速1和转速2的样本分别属于源域和目标域；转速1的源域有M个带有标签的训练样本其中表示样本，yⁱ表示标签；转速2的目标域中有N个无标签的训练样本首先将所有样本进行傅里叶变换，然后对幅值进行归一化组成新的样本和此时样本长度变为原样本的一半，用N_in表示；将所有样本表示成矩阵形式，即源域样本为X_s，目标域样本为X_t；

步骤2.用转速1信号预训练自动编码器：仅选用源域样本X_s作为训练样本，并仅对自动编码器进行预训练，从而保证其提取特征的能力；即通过梯度下降法训练代价函数其中||||_F表示Frobenius范数，R＝F_d(Z_d)，Z_d＝W_dH+b_d，H＝F_e(Z_e)，Z_e＝W_eX_s+b_d；F_d()，F_e()是激活函数；经过预训练可以得出一组{W_e，b_d，W_d，b_d}；

所述的激活函数为sigmoid函数。

步骤3.训练基于自动编码器的迁移学习模型：在自动编码算法中加入MMD惩罚项自动编码迁移学习算法，并用两种转速的训练样本进行训练；

所述步骤3的实现过程为：

将步骤2所得的{W_e，b_d，W_d，b_d}作为初始值，训练基于自动编码器的迁移学习模型，其训练样本为源域样本X_s和目标域样本X_t；基于自动编码器的迁移学习模型的代价函数分为三部分，即其中，λ，μ为惩罚系数，L_reg为W_e，W_d的2范数正则化项，L_MMD为源域与目标域样本的MMD距离；训练时，L_ae只有源域样本X_s参与，L_MMD源域样本为X_s和目标域样本X_t都参与；训练结束时除去自动解码器层，只保留自动编码器，其维数为N_out。

所述的L_MMD项的公式为

步骤4.训练基于Softmax的迁移学习分类器：训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类，由此可对转速2未知的故障信号实现故障诊断。

所述步骤4的实现过程为：将源域样本与目标域样本都用训练好的自动编码器提取特征，组成新的Softmax输入层，即源域特征和目标域特征用所述的源域特征和目标域特征来训练基于Softmax的迁移学习分类器，其代价函数为L_s＝L_sm+γLs_MMD；其中，γ为惩罚系数，Ls_MMD为源域与目标域样本的MMD距离；训练时，L_sm只有源域样本特征参与，L_MMD源域样本特征为和目标域样本特征都参与；训练好后的模型就可以对目标域样本进行故障诊断。

所述的Ls_MMD项，其公式为W_s为Softmax所用的分布矩阵。

与现有技术相比，本发明的优点和有益效果是：

本发明通过迁移学习算法对转速大波动状态下的故障信号进行智能诊断，通过引入MMD惩罚项提高源域样本训练之后的模型对于目标域样本诊断的准确率，从而能够实现转速大波动情况下的智能故障诊断。本发明方法的鲁棒性强，准确率高。

附图说明

图1是本发明的一种实施例的方法流程图。

具体实施方式

本发明的一种基于自动编码器的轴系转速大波动的故障诊断方法，包括以下步骤：

步骤1.样本数据预处理：将转速1与转速2的样本做快速傅里叶变换并幅值归一化；

步骤2.预训练自动编码器：用转速1信号预训练自动编码器；

步骤3.训练基于自动编码器的迁移学习模型：在自动编码算法中加入MMD惩罚项自动编码迁移学习算法，并用两种转速的训练样本进行训练；

步骤4.训练基于Softmax的迁移学习分类器：训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类，由此可对转速2未知的故障信号实现故障诊断。

下面结合附图对本发明做进一步详细说明。图1是本发明的一种实施例的方法流程图。如图1所示，本实施例方法包括以下步骤：

步骤1.样本数据预处理

样本分别属于两个域，其区别是转速不同。其中源域(转速1)有M个带有标签的训练样本(其中表示样本，yⁱ表示标签)。目标域(转速2)中有N个无标签的样本首先将所有样本进行傅里叶变换之后对幅值进行归一化组成新的样本和此时样本长度变为原样本的一半，用N_in表示。将所有样本表示成矩阵形式，即源域样本为X_s，目标域样本为X_t。

步骤2.预训练自动编码器

只选用源域样本X_s作为训练样本，只对自动编码器进行预训练，保证其提取特征的能力。即通过梯度下降法训练代价函数其中||||_F表示Frobenius范数。R＝F_d(Z_d)，Z_d＝W_dH+b_d，H＝F_e(Z_e)，Z_e＝W_eX_s+b_d。F_d()，F_e()是激活函数。经过预训练可以得出一组{W_e，b_d，W_d，b_d}。

步骤3.训练基于自动编码器的迁移学习模型

将步骤2所得的{W_e，b_d，W_d，b_d}作为初始值，训练基于自动编码器的迁移学习模型。训练样本为源域样本X_s和目标域样本X_t。迁移学习模型的代价函数分为三部分，即其中，λ，μ为惩罚系数。L_reg为W_e，W_d的2范数正则化项。L_MMD为源域与目标域样本的MMD距离。训练时，L_ae只有源域样本X_s参与，L_MMD源域样本为X_s和目标域样本X_t都参与。训练结束时除去解码器层，只保留编码器，其维数为N_out。

步骤4.训练基于Softmax的迁移学习分类器

将源域样本与目标域样本都用训练好的编码器提取特征，组成新的Softmax输入层。即源域特征和目标域特征用这些特征来训练基于Softmax的迁移学习分类器。其代价函数为L_s＝L_sm+γLs_MMD。其中，γ为惩罚系数。Ls_MMD为源域与目标域样本的MMD距离。训练时，L_sm只有源域样本特征参与，L_MMD源域样本特征为和目标域样本特征都参与。训练好后的模型就可以对目标域样本进行故障诊断。

步骤2中所述的L_MMD项，其公式为所述的激活函数为sigmoid函数。

步骤4中所述的Ls_MMD项，其公式为W_s为Softmax所用的分布矩阵。

本发明实施例的模型训练与测试实例如下。

数据采用凯斯西储大学公开的轴承故障数据，进行模型训练与测试。其数据可在http://csegroups.case.edu/bearingdatacenter/pages/download-data-file下载。选用12kHz采样频率的数据，故障类型为{正常，内圈故障，外圈故障，滚动体故障}，故障深度为{0.18mm，0.36mm，0.53mm}，每种故障类型有四种载荷，即四种转速。选用两组差别最大转速，即1797rpm,1730rpm两种转速，1797rpm转速的样本作为有标签的源域训练样本，1730rpm的样本作为无标签的目标域训练样本和测试样本。每个故障类型振动信号首先划分为N＝1200个样本点的样本集，并作傅里叶变换后得到600个样本点的样本。首先用源域(1797rpm)的训练样本预训练自动编码器，然后将训练得到的参数W_e，b_d，W_d，b_d作为初始值，并加入目标域(1730rpm)训练样本训练基于自动编码器的迁移学习模型。训练好模型之后，用模型提取源域(1797rpm)与目标域(1730rpm)训练样本的特征，将特征作为训练样本训练基于Softmax的迁移学习分类器。最后，用训练好之后的基于自动编码器的迁移学习模型和基于Softmax的迁移学习分类器对目标域(1730rpm)的测试样本进行故障诊断，诊断准确率达到了98.9％。而第二次训练用时仅为49s。本发明提出的方法能在目标域无标签的情况下进行故障诊断，并且可以大大缩减训练时间。

总之，本发明一种基于自动编码器的轴系转速大波动的故障诊断方法，通过迁移学习算法对转速大波动状态下的故障信号进行智能诊断，通过引入MMD惩罚项提高源域样本训练之后的模型对于目标域样本诊断的准确率，从而实现转速大波动情况下的智能故障诊断。本发明方法的鲁棒性强，准确率高。

Claims (6)

1.一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征是，包括以下步骤：

步骤1.样本数据预处理：转速1和转速2的样本分别属于源域和目标域；转速1的源域有M个带有标签的训练样本其中表示样本，yⁱ表示标签；转速2的目标域中有N个无标签的训练样本首先将所有样本进行傅里叶变换，然后对幅值进行归一化组成新的训练样本和此时样本长度变为原样本的一半，用N_in表示；将所有样本表示成矩阵形式，即源域样本为X_s，目标域样本为X_t；

步骤2.用转速1信号预训练自动编码器：仅选用源域样本X_s作为训练样本，并仅对自动编码器进行预训练，从而保证其提取特征的能力；即通过梯度下降法训练代价函数其中||||_F表示Frobenius范数，R＝F_d(Z_d)，Z_d＝W_dH+b_d，H＝F_e(Z_e)，Z_e＝W_eX_s+b_d；F_d()，F_e()是激活函数；经过预训练可以得出一组{W_e，b_d，W_d，b_d}；

步骤3.训练基于自动编码器的迁移学习模型：在自动编码算法中加入MMD惩罚项自动编码迁移学习算法，并用两种转速的训练样本进行训练；

步骤4.训练基于Softmax的迁移学习分类器：训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类，由此可对转速2未知的故障信号实现故障诊断。

2.根据权利要求1所述的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征在于，所述步骤3的实现过程为：

将步骤2所得的{W_e，b_d，W_d，b_d}作为初始值，训练基于自动编码器的迁移学习模型，其训练样本为源域样本X_s和目标域样本X_t；基于自动编码器的迁移学习模型的代价函数分为三部分，即其中，λ，μ为惩罚系数，L_reg为W_e，W_d的2范数正则化项，L_MMD为源域与目标域样本的MMD距离；训练时，L_ae只有源域样本X_s参与，L_MMD源域样本为X_s和目标域样本X_t都参与；训练结束时除去自动编码器的解码器层，只保留自动编码器的编码器层，其维数为N_out。

3.根据权利要求1所述的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征在于，所述步骤4的实现过程为：

将源域样本与目标域样本都用训练好的基于自动编码器的迁移学习模型提取特征，组成新的Softmax输入层，即源域特征和目标域特征用所述的源域特征和目标域特征来训练基于Softmax的迁移学习分类器，其代价函数为L_s＝L_sm+γLs_MMD；其中，γ为惩罚系数，Ls_MMD为源域与目标域样本的MMD距离；训练时，L_sm只有源域样本特征参与，L_MMD源域样本特征为和目标域样本特征都参与；训练好后的模型就可以对目标域样本进行故障诊断。

4.根据权利要求2所述的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征在于，所述的L_MMD项的公式为

5.根据权利要求3所述的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征在于，步骤4中所述的Ls_MMD项，其公式为W_s为Softmax所用的分布矩阵。

6.根据权利要求1所述的一种基于自动编码器的轴系转速大波动的故障诊断方法，其特征在于，步骤2中所述的激活函数为sigmoid函数。