CN110285969A - 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 - Google Patents

Abstract

多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，首先获得源域滚动轴承含健康标记数据集与目标域滚动轴承的监测数据集，输入到深度残差网络后，逐层提取源域与目标域迁移故障特征；通过多项式核植入特征适配最小化分布差异；将目标域故障特征通过Softmax分类器，获得目标域样本特定健康状态的概率分布，然后将概率分布转换为目标域样本的伪标记；通过获得的分布差异与目标域伪标记训练迁移诊断模型后，将目标域轴承的监测数据输入训练完成的诊断模型，输出数据样本对应的标签概率分布，则最大概率所对应的样本标签即为滚动轴承的健康状态；本发明提高迁移诊断模型的性能和训练效率，降低调参难度。

Description

多项式核植入特征分布适配的滚动轴承故障迁移诊断方法

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法。

背景技术

滚动轴承作为旋转机械的重要零部件之一，其运行状态往往直接影响机械设备的整体性能，因此针对滚动轴承的故障诊断具有实际工程意义。故障智能诊断，因其能够自动提取故障特征、识别部件的健康状态，成为故障诊断技术的研究热点。随着深度学习理论与技术的快速兴起与发展，并逐渐应用到轴承的故障智能诊断，其诊断的精确度与智能化水平显著提升。深度智能诊断的性能可靠性需要依靠充足的含标记轴承监测数据，然而，这在工程实际中却很难满足。迁移故障诊断能够利用已有轴承的故障诊断知识，解决相关轴承的故障诊断问题，克服了轴承大数据与少量含标记数据之间的矛盾。

特征分布适配是迁移故障诊断中最常用的方法之一，旨在构建迁移诊断模型，缩小从源域轴承与目标域轴承监测数据中提取特征的分布差异，使源域轴承的故障诊断知识能够识别目标域轴承的健康状态。目前，特征分布适配方法一般采用基于高斯核植入的最大均值差异适配方法，然而，这一方法存在以下显著缺点：①高斯核植入的特征分布适配仅考虑了特征在一阶矩，即均值上的分布差异，忽略了高阶矩上的分布差异，导致特征分布差异度量不准确、诊断模型的迁移诊断精度不高；②高斯核植入的特征分布适配的计算复杂度过高，计算代价巨大(耗时较长)，使得迁移诊断模型的训练难度提高；③高斯核植入的特征分布适配对核参数变化十分敏感，导致输出变化不稳定，模型参数调整困难。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，能够识别滚动轴承的健康状态，提高迁移诊断模型的性能和训练效率，降低调参难度。

为达到上述目的，本发明采取的技术方案为：

一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，包括以下步骤：

步骤1，获取源域滚动轴承R种含健康标记的样本数据集其中，为第i个源域样本，由N个振动信号数据点组成，其对应的轴承健康标记为y_i∈{1,2,3,...,R}，n_s为标签样本数；获取目标域滚动轴承监测数据集n_t为未标记样本数；

步骤2，将源域轴承数据与目标域轴承数据，输入领域共享的深度残差网络，逐层提取二者中的迁移故障特征，得到源域轴承迁移故障特征与目标域轴承的迁移故障特征

步骤3，利用多项式核植入的最大均值差异度量源域轴承数据与目标域轴承数据中迁移故障特征的分布差异为：

式中，H表示再生核希尔伯特空间(Reproducing Kernel Hilbert Space)，a、b、c分别为多项式核函数的斜率、截距与阶次；

步骤4，将步骤2中所得的迁移故障特征输入深度残差网络的输出层F₃，利用激活函数Softmax生成样本特定健康状态的概率分布为：

其中，第q个样本的概率计算公式为：

式中：为输出层F₃的待训练参数，D为轴承数据标识符；然后，将概率分布转换为目标域样本的伪标记：其中，

步骤5，结合步骤3中获得的迁移故障特征分布差异与步骤4中的目标域轴承样本的伪标记训练迁移诊断模型，即最小化目标函数：

式中，α为迁移故障特征分布适配项的惩罚因子、β为伪标记训练项的惩罚因子，θ为待训练参数；

步骤6，将目标域轴承的监测数据输入训练完成的迁移诊断模型中，输出数据样本特征对应的标签概率分布，取最大概率所对应的样本标签作为轴承的健康状态

本发明的有益效果为：本发明利用特征在多阶矩上的统计值估计其分布差异，提高了迁移诊断模型的诊断性能；将高斯核植入的最大均值偏差计算过程中的循环嵌套转化为矩阵运算，极大的降低了算法运行时间，降低了参数的调整难度；结合深度残差网络与多项式核植入特征分布适配的优势，迁移诊断模型可直接从实验室滚动轴承的原始振动信号中提取特征、适配特定健康状态后，将诊断知识迁移到实际工程环境中的滚动轴承故障诊断。

附图说明

图1为本发明的流程图。

图2为领域共享的深度残差网络结构。

图3为深度迁移诊断模型的训练过程。

图4为模型迁移诊断性能随核参数变化情况：(a)为多项式核植入；(b)为高斯核植入。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述：

如图1所示，一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，包括以下步骤：

步骤1，获取源域滚动轴承R种含健康标记的样本数据集其中，为第i个源域样本，由N个振动信号数据点组成，其对应的轴承健康标记为y_i∈{1,2,3,...,R}，n_s为标签样本数；获取目标域滚动轴承监测数据集n_t为未标记样本数；

步骤2，将源域轴承数据与目标域轴承数据，输入领域共享的深度残差网络，如图2所示，逐层提取二者中的迁移故障特征，得到源域轴承迁移故障特征与目标域轴承的迁移故障特征其中，f(·)为深度残差网络模型，θ为待训练参数；

步骤3，利用多项式核植入的最大均值差异度量源域轴承数据与目标域轴承数据中迁移故障特征的分布差异为：

式中，

H表示再生核希尔伯特空间(Reproducing Kernel Hilbert Space)，a、b、c分别为多项式核函数的斜率、截距与阶次；

步骤4，如图3所示，将步骤2中所得的迁移故障特征输入深度残差网络的输出层F₃，利用激活函数Softmax生成样本特定健康状态的概率分布为：

其中，第q个样本的概率计算公式为：

式中：为输出层F₃的待训练参数，D为轴承数据标识符；然后，将概率分布转换为目标域样本的伪标记：其中，

步骤5，结合步骤3中获得的迁移故障特征分布差异与步骤4中的目标域轴承样本的伪标记训练迁移诊断模型，即最小化目标函数：

其中，α为迁移故障特征分布适配项的惩罚因子、β为伪标记训练项的惩罚因子，θ为待训练参数；式中包含三项，第一项为最小化源域轴承监测数据的预测标记与真实标记之间的交叉熵损失；第二项为最小化源域与目标域轴承的深层迁移故障特征之间的多项式核植入的最大均值差异值；最后一项为最小化目标域轴承监测数据的预测标记与伪标记之间的交叉熵损失；

步骤6，将目标域轴承的监测数据输入训练完成的迁移诊断模型中，输出数据样本特征对应的标签概率分布，取最大概率所对应的样本标签作为轴承的健康状态

实施例：以机车轮对轴承的状态迁移诊断为例，验证本发明方法的可行性。

数据集A来自美国凯斯西储大学轴承数据中心，该数据集中的振动样本采自电机驱动轴的SKF6205型滚动轴承，包括正常及损伤直径为0.3556mm的内圈故障、外圈故障、滚动体故障四种健康状态，每种健康状态的轴承数据在不同负载(0 HP、1 HP、2 HP、3 HP)下采集，采样频率12kHz。

数据集B来自机车轮对552732QT型滚动轴承，该数据集包括正常、内圈磨损、外圈磨损、滚动体磨损四种健康状态下的振动样本，每种健康状态的振动样本在转速500r/min、径向负载9800 N下采集，采样频率12.8 Hz，数据集共有样本4368个。

表1迁移诊断数据集

利用在实验室模拟的各种不同轴承故障的数据(数据集A)，积累的诊断知识迁移到轮对轴承的状态识别(数据集B)，用迁移任务A→B验证本发明方法的可行性。

使用本发明方法对机车轮对轴承的状态进行迁移诊断，并将方法与其他方法进行对比，各种方法均采用最佳参数设置。使用源域样本(数据集A)对残差网络进行训练，各种方法中特征提取的残差网络结构相同，用目标域样本(数据集B)进行精度测试，对比结果如表2所示：

表2不同方法诊断效果对比表

由对比结果可得，本发明的基于高斯核植入的最大均值差异测量方法在标准误差为4.62％下诊断精度达到87.76％，明显优于其他方法。

由前述分析可知，多项式核的最大均值差异(MMD)的计算耗时主要受多项式核的顺序和跨域样本数量的影响。为了分析数据量对两种方法的影响，将参数c设置为10，由最小批数量的增加和源域-目标域样本数量的减少获得比较结果。对比结果如表3所示：

表3高斯核植入和多项式核植入的MMD计算耗时对比表

由表中对比结果可以得出，相同最小批样本数量下，多项式核植入的MMD耗时明显少于高斯核植入的MMD，对比结果说明本发明的多项式核植入的最大均值差异方法可以有效减少无效计算，且在处理大量样本时的有效计算效率也较高。

对比分析多项式核植入与高斯核植入的深度迁移诊断模型的迁移诊断性能对核参数的敏感程度，两种迁移诊断模型的诊断性能随核参数的变化如图4所示；多项式核植入的迁移诊断模型对核阶数在较大选择范围内鲁棒，随着核阶数的增大，模型的迁移诊断精度逐渐增大，当阶数持续增大时，由于过拟合的影响，使迁移诊断精度逐渐减小。高斯核植入的迁移诊断模型的诊断精度对参数选择较为敏感，且诊断结果的标准差较大。上述结果表明多项式核的最大均值差异方法能够提高深度迁移诊断模型的精度，提高模型迁移诊断性能对核参数的鲁棒性。

Claims (1)

1.一种多项式核植入特征分布适配的滚动轴承故障迁移诊断方法，其特征在于，包括以下步骤：

步骤1，获取源域滚动轴承R种含健康标记的样本数据集其中，为第i个源域样本，由N个振动信号数据点组成，其对应的轴承健康标记为y_i∈{1,2,3,...,R}，n_s为标签样本数；获取目标域滚动轴承监测数据集n_t为未标记样本数；

步骤2，将源域轴承数据与目标域轴承数据，输入领域共享的深度残差网络，逐层提取二者中的迁移故障特征，得到源域轴承迁移故障特征与目标域轴承的迁移故障特征

步骤3，利用多项式核植入的最大均值差异度量源域轴承数据与目标域轴承数据中迁移故障特征的分布差异为：

式中，

H表示再生核希尔伯特空间(Reproducing Kernel Hilbert Space)，a、b、c分别为多项式核函数的斜率、截距与阶次；

步骤4，将步骤2中所得的迁移故障特征输入深度残差网络的输出层F₃，利用激活函数Softmax生成样本特定健康状态的概率分布为：

其中，第q个样本的概率计算公式为：

式中：为输出层F₃的待训练参数，D为轴承数据标识符；然后，将概率分布转换为目标域样本的伪标记：其中，

步骤5，结合步骤3中获得的迁移故障特征分布差异与步骤4中的目标域轴承样本的伪标记训练迁移诊断模型，即最小化目标函数：

式中，α为迁移故障特征分布适配项的惩罚因子、β为伪标记训练项的惩罚因子，θ为待训练参数；

步骤6，将目标域轴承的监测数据输入训练完成的迁移诊断模型中，输出数据样本特征对应的标签概率分布，取最大概率所对应的样本标签作为轴承的健康状态