CN111060318A - 一种基于深度对抗迁移网络的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度对抗迁移网络的轴承故障诊断方法，涉及旋转机械振动信号的故障诊断技术领域。该诊断方法首先获取轴承在不同工况下(不同转速、载荷)的振动频谱信号，以某一工况下有标签的数据为源域数据，其它工况下无标签的数据为目标域数据；然后建立基于生成对抗神经网络的深度对抗迁移模型进行数据训练，采用两个生成器作为源域与目标域的特征提取网络，Softmax交叉熵作为故障分类器，另外采用判别器为域判别网络，添加梯度反转层进行域判别训练；最后，采用剩余的目标域数据进行网络测试。本发明通过采用生成对抗神经网络的结构建立了深度对抗迁移模型，高效可靠的实现了不同工况下轴承的故障特征迁移学习和智能诊断。

Description

一种基于深度对抗迁移网络的轴承故障诊断方法

技术领域

本发明涉及旋转机械振动信号的故障诊断技术领域，具体涉及一种基于深度对抗迁移网络的轴承故障诊断方法。

背景技术

在航空航天、轨道交通、海洋工程以及高档数控机床等领域广泛使用的机械设备都在向着高速率、自动化、多功能和精密化方向发展，使得机械设备结构日趋复杂，产生故障的隐患也随之持续上涨。现已发布的《机械工程学科发展战略报告(2011-2020)》也早已将复杂机械系统的健康状态监测与故障诊断列为重要研究方向。轴承作为机械动力传递的关键部件，一直是机械故障诊断的重要对象。为了对运行的轴承进行在线故障监测，各种精确高效的故障诊断方法层出不穷。

传统的轴承故障诊断方法大都遵循一个特定假设：训练和测试数据来自相同的特征分布。然而在实际工程中，由于转速、负载等工况的不同导致采集的监测数据的特征分布产生较大差别。例如：高铁轮对轴承的运行工况受运行时速及列车启停的影响，风力发电机齿轮箱的轴承工况会随着风力和风向的改变而不断变，在大型军舰、歼击机和直升机等军用机械中传动系统的轴承工况也会随着机动动作和巡航速度的改变而改变。致使其与故障类型间的映射也不再同常用工况下一致，传统的深度学习方法已经难以训练并获得对这种不同工况下健康状态识别精度高的智能诊断模型。研究和利用先进的新理论和新技术解决上述问题，是机械故障智能诊断的研究成果向工程应用转化的关键所在。

随着迁移学习的迅速发展，在故障诊断领域也逐渐开始受到研究人员的关注。然而现有研究均局限于要求不同分布数据间差异尽可能小，且在某一工况下获取的可用数据充足，这与工程实际装备的监测数据特点不符，难以适应和满足机械故障智能诊断的工程应用需求。在上述不同工况下更难实现故障的准确识别，同时对新获得的工况数据进行标注也是非常困难的。

发明内容

本发明的目的是针对上述不足，提出了一种通过生成对抗神经网络结构建立深度对抗迁移模型，通过生成器与判别器之间的对抗训练完成目标域数据到源域数据的特征迁移过程，实现轴承在不同工况下的域不变特征提取和智能故障诊断的轴承故障诊断方法。

本发明具体采用如下技术方案：

一种基于深度对抗迁移网络的轴承故障诊断方法，包括以下步骤：

步骤1，设置轴承不同的转速和负载工况，并采集不同故障轴承在各个工况下的振动信号，获取频谱样本；

步骤2，基于生成对抗神经网络建立深度对抗迁移模型，以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练，通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断。

优选地，步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤：

步骤2.1，根据源域和目标域样本数据建立两个相同结构的生成器网络，并采用GELU为网络的激活函数，实现输入数据的逐层特征提取；

步骤2.2，采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络，实现源域数据的特征提取和分类，并通过权值共享结构调节目标域生成器的网络权值，即如式(1)所示，

其中，x^s为源域信号，y^t为目标域信号，

为指示函数，

是预测分布的第k个值，K是健康状况类别数；

步骤2.3，采用生成对抗神经网络里的判别器建立域判别网络，接收来自两个生成器产生的信号，以源域信号为真，目标域信号为假；目标域生成器根据判别器的指示去学习源域信号特征，起到以假乱真的效果来骗过判别器，使其无法区分真假；由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的，目标函数如式(2)所示：

其中，p_r为生成器G用于优化生成的真实数据分布，p_g为模型分布，D(x)表示判别器D判断数据是否真实的概率，D(G(y))是D判断G生成的数据的是否真实的概率；

步骤2.4，网络最终的目标函数由两个损失函数组合而成，如式(3)，

L＝L_C+λ L_D (3)

其中惩罚参数λ表示域对抗的强度大小；

步骤2.5，采用Adam算法根据标签信号微调生成器网络参数，最小化分类误差；

步骤2.6，采用梯度反转算法实现域判别器网络微调，最大化域间距离。

本发明具有如下有益效果：

本发明根据生成对抗神经网络结构建立深度对抗迁移模型，通过生成器与判别器之间的对抗训练完成目标域数据到源域数据的特征迁移过程，实现轴承在不同工况下的域不变特征提取和智能故障诊断，有效的解决了对不同工况下轴承故障难以有效诊断的问题。

附图说明

图1为基于深度对抗迁移网络的轴承故障诊断方法流程图；

图2为生成对抗神经网络结构图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

一种基于深度对抗迁移网络的轴承故障诊断方法，包括以下步骤：

步骤1，采集样本，设置轴承不同的转速和负载工况，并采集不同故障轴承在各个工况下的振动信号，获取频谱样本；

步骤2，建立基于生成器的特征提取网络：如图2所示为生成对抗神经网络的基本结构。基于生成对抗神经网络建立深度对抗迁移模型，以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练，通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断；其中有标签是指不同的故障类型均有不同的标注，无标签是指不同的故障类型没有做标注，即无法区分故障类型。

步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤：

步骤2.1，根据源域和目标域样本数据建立两个相同结构的生成器网络，建立基于生成器的特征提取网络：如图2所示为生成对抗神经网络的基本结构，在此以其为基础，以某一工况数据为源域数据，其它工况数据为目标域数据，建立两个基于生成器的特征提取模型，并采用GELU为网络的激活函数，实现输入数据的逐层特征提取；

步骤2.2，采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络，实现源域数据的特征提取和分类，并通过权值共享结构调节目标域生成器的网络权值，在神经网络后面添加Softmax，真实的标签就相当于真实的分布，经过Softmax得出的值就是预测的结果，交叉熵则是用来判定实际的输出与期望的输出的接近程度，因此可以使用Softmax交叉熵函数来作为损失函数，即如式(1)所示，

其中，x^s为源域信号，y^t为目标域信号，

为指示函数，

是预测分布的第k个值，K是健康状况类别数；

步骤2.3，采用生成对抗神经网络里的判别器建立域判别网络，接收来自两个生成器产生的信号，以源域信号为真，目标域信号为假；目标域生成器根据判别器的指示去学习源域信号特征，起到以假乱真的效果来骗过判别器，使其无法区分真假；由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的，目标函数如式(2)所示：

其中，p_r为生成器G用于优化生成的真实数据分布，p_g为模型分布，D(x)表示判别器D判断数据是否真实的概率，D(G(y))是D判断G生成的数据的是否真实的概率；

步骤2.4，建立最终的目标函数，网络最终的目标函数由两个损失函数组合而成，如式(3)，

L＝L_C+λ L_D (3)

其中惩罚参数λ表示域对抗的强度大小；

步骤2.5，采用Adam算法根据标签信号微调生成器网络参数，最小化分类误差；

步骤2.6，采用梯度反转算法实现域判别器网络微调，最大化域间距离。

选取目标域其余样本与标签数据结合输入到深度对抗迁移网络中，通过softmax输出测试准确率，验证本发明方法的有效性。下面通过对一个特殊设计的轴承故障试验台进行不同转速和负载工况下的振动信号采集和智能诊断，对本发明作进一步描述。

共设置5种不同的轴承健康状况：正常、内圈故障、外圈故障、滚柱故障、滚柱与外圈复合故障。针对不同转速工况，设置三种转速并采集相应数据集：1100r/min(数据集A)、1300r/min(数据集B)、1500r/min(数据集C)，由此可以进行6组迁移学习实验，即A→B，B→A，B→C，C→B，A→C，C→A。针对不同负载工况，同样设置三种负载并采集相应数据集：20N(数据集D)、40N(数据集E)、60N(数据集F)，同样做6组实验。每个轴承健康状况下采集200个样本，每个样本2400个数据点，经快速傅里叶变换后得到1200个傅里叶系数。类别预测模块网络结构为[1200,600,200,100,5]，域对抗模块的网络结构为[1200,600,200,100,1]。学习率设置为0.002，惩罚参数λ设为0.005，训练迭代次数为50次。每一训练批次包含500个带标签的源域数据样本和500个无标签的目标域样本，剩余500个目标域样本作为测试样本，每次试验进行15次。另外采用无迁移学习策略的叠加自动编码器(方法1)、基于最大均值差异的迁移学习方法：迁移成分分析(方法2)和深度域混合方法(方法3)进行对比，得到平均准确率结果如表1和表2所示。

表1

表2

从表1和表2的对比结果可以看出，本发明方法在所有的实验中均能达到最高的准确率，对不同转速和负载的迁移准确率分别为95.44％和92.65％，均远远超出其余方法。未加迁移策略的方法1表现最差，由此说明了迁移学习在应对不同工况下故障诊断的有效性；基于最大均值差异的迁移学习方法2和方法3虽然优于方法1，但仍无法与本发明方法相比，由此也说明了本发明所提出的域对抗迁移学习可以更好地用于处理不同转速和负载工况下的轴承故障诊断问题。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.一种基于深度对抗迁移网络的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1，设置轴承不同的转速和负载工况，并采集不同故障轴承在各个工况下的振动信号，获取频谱样本；

步骤2，基于生成对抗神经网络建立深度对抗迁移模型，以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练，通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断。

2.如权利要求1所述的一种基于深度对抗迁移网络的轴承故障诊断方法，其特征在于，步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤：

步骤2.1，根据源域和目标域样本数据建立两个相同结构的生成器网络，并采用GELU为网络的激活函数，实现输入数据的逐层特征提取；

步骤2.2，采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络，实现源域数据的特征提取和分类，并通过权值共享结构调节目标域生成器的网络权值，即如式(1)所示，

其中，x^s为源域信号，y^t为目标域信号，

为指示函数，

是预测分布的第k个值，K是健康状况类别数；

步骤2.3，采用生成对抗神经网络里的判别器建立域判别网络，接收来自两个生成器产生的信号，以源域信号为真，目标域信号为假；目标域生成器根据判别器的指示去学习源域信号特征，起到以假乱真的效果来骗过判别器，使其无法区分真假；由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的，目标函数如式(2)所示：

其中，p_r为生成器G用于优化生成的真实数据分布，p_g为模型分布，D(x)表示判别器D判断数据是否真实的概率，D(G(y))是D判断G生成的数据的是否真实的概率；

步骤2.4，网络最终的目标函数由两个损失函数组合而成，如式(3)，

L＝L_C+λL_D (3)

其中惩罚参数λ表示域对抗的强度大小；

步骤2.5，采用Adam算法根据标签信号微调生成器网络参数，最小化分类误差；

步骤2.6，采用梯度反转算法实现域判别器网络微调，最大化域间距离。

Images