CN112146879A - 一种滚动轴承故障智能诊断方法及其系统 - Google Patents

Abstract

本发明提供一种滚动轴承故障智能诊断方法及其系统，包括以下步骤：收集轴承振动的试验信号和实况信号；将轴承振动的试验信号和实况信号做0‑1标准化处理，并分别划分训练集和测试集；构建LSTM‑softmax网络，使用试验信号训练网络，得到适用于试验的源网络；计算试验信号与实况信号的动态时间规整DTW距离；根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。本发明可以精确提取振动信号的特征，避免了手工选择特征，特征提取不精确的问题；解决了实际工况下不能获得全生命周期数据，可用数据少，难以建立有效的诊断模型的问题，提高了故障诊断在实际生产中的准确性。

Description

一种滚动轴承故障智能诊断方法及其系统

技术领域

本发明属于机械设备故障诊断领域，具体涉及一种基于迁移学习和深度学习的滚动轴承故障智能诊断方法及其系统。

背景技术

滚动轴承是机械设备中的重要部件，机械设备发生的故障很大一部分比例是轴承故障，损坏的轴承如果不能及时发现并更换掉，往往会影响设备精度，破环其他部件，严重的甚至会造成生产事故。轴承的损坏往往都是由于长期的工作磨损引起的，故障可分为：外圈故障、内圈故障、保持架故障和滚珠故障，故障不同，轴承振动信号的频率、幅值和相位也会不同。根据振动信号对轴承故障诊断是目前的主流方式，但是由于振动信号是非线性非平稳的，信号特征不明显，并且实际工况下的历史信号不足等困难，因此难以建立符合实际生产要求的模型。因此根据少量实际工况下的历史信号，建立故障诊断模型准确诊断滚动轴承的故障，是实际生产中故障诊断的关键。

目前轴承的故障诊断方式分为基于物理模型和基于数据驱动。基于物理模型的方式是通过考虑轴承与其他部件的相互作用以及外界施加的载荷，建立反映轴承状态的物理模型，因此基于物理模型的方式需要对设备有深入的了解和丰富的经验，然而在结构复杂的设备中与轴承关联的部件多，受力情况复杂，难以建立轴承的物理模型。

基于数据驱动的方式是通过轴承的历史信号与信号处理方法，建立可以诊断轴承故障的数学模型，随着人工智能理论的发展，这种方式越来越普及。传统的故障诊断方法主要特点是提取信号的时频域特征，然后利用信号处理方法对特征分类，这种方式建立的模型精简，计算量小且速度快，但存在需要手工选取特征，模型准确度依赖工程师经验等缺点。

目前基于深度学习模型的故障诊断是一种发展趋势，其应用特点是：利用历史数据训练深度学习模型，将振动信号进行去噪、标准化、分组处理后，输入深度学习模型即可得到诊断结果，这种方式改善了需要手工选择特征，模型准确率依赖特征等不足，但其需要大量的历史数据来训练模型，然而在实际生产中，往往只能获得设备轴承健康状态下的振动信号，难以获得足够的故障状态下的振动信号，因此深度学习模型在实际生产中往往难以取得较好的诊断效果。

发明内容

针对上述问题，本发明提供一种滚动轴承故障智能诊断方法及其系统。在本发明中基于迁移学习和深度学习，将在试验台采集的振动信号称为试验信号，将设备实际工况下的振动信号称为实况信号，以试验信号为训练数据，适用于实验条件下的故障诊断网络称为源网络；以实况信号为训练数据，适用于实际工况下的故障诊断网络称为目标网络。针对实际工况下的可用训练数据少，特征提取困难，难以准确对轴承故障诊断的问题，采用长短时间记忆(LSTM)网络与归一化指数(softmax)回归模型对振动信号进行特征提取和诊断，采用迁移学习的思想，迁移源网络的全部或部分结构和参数，重新构建网络，并使用实况信号训练，得到适用于实际工况的目标网络，以此提高故障诊断在实际生产中的准确性和可实现性。

本发明的技术方案是：一种滚动轴承故障智能诊断方法，包括以下步骤：

步骤S1：振动信号的采集：收集轴承振动的试验信号和实况信号；

步骤S2：振动信号的预处理：将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；

步骤S3：源网络的构建和训练：构建LSTM-softmax网络，使用试验信号训练网络，得到适用于试验的源网络；

步骤S4：计算试验信号和实况信号的相似度：计算试验信号与实况信号的动态时间规整DTW距离；

步骤S5：目标网络的构建和训练：根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。

上述方案中，所述步骤S2中的0-1标准化处理是将振动信号映射到区间[0,1]上，计算公式为：

式中，x_i是振动信号在某一时刻的加速度值，i表示第i个序列。

上述方案中，所述步骤S3中的LSTM-softmax网络，包括两层LSTM网络和一个softmax分类器；每层LSTM网络由n个LSTM单元连接而成，第一层LSTM网络的以振动信号为输入，对振动信号进行初步特征提取，然后将初步特征送入第二层LSTM网络进行深度特征提取，最后一个时刻的LSTM单元整合提取的深度特征并送入softmax分类器进行特征学习和分类，最终得到试验故障诊断结果。

进一步的，所述LSTM单元包括单元状态、输入门、遗忘门和输出门，所述单元状态用于保存网络的长期信息，所述输入门用于控制输入信息进入LSTM单元，遗忘门用于筛选前一个时刻的单元状态的cell单元信息(即单元状态信息)和信号特征(即LSTM单元输出)，输出门用于向下一个时刻的单元和下一层同时刻的单元输出状态信息；

所述输入门、遗忘门、输出门通过控制输入的振动信号和前一时刻单元的信息来更新单元状态和单元的输出。

进一步的，所述输入门、遗忘门、单元状态、输出门的输出计算公式如下:

i_t＝σ(ω_xix_t+ω_hih_t-1+b_i) 公式二

f_t＝σ(ω_xf+ω_hfh_t-1+b_f) 公式三

o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o) 公式六

h_t＝o_ttanh(c_t) 公式七

式中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，c～_t为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ()为sigmoid激活函数，tanh()为输出激活函数；ω_xi、ω_hi分别为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf分别为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc分别为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho分别为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积；

σ()和tanh()通过以下公式计算：

式中：e为自然常数，z为函数的输入。

上述方案中，所述softmax根据输入的特征计算振动信号所属的类别及概率，计算公式如下：

a＝ω_ph+b_p 公式十

式中，ω_p、b_p表示softmax的权重矩阵和偏置系数，K表示模型的类别数量，p(C_k|h)表示特征h处于类别C_k的概率，a表示计算最终概率需要的一个输出矩阵，e为自然常数。

上述方案中，所述步骤S3源网络的训练公式如下：

式中，L(h,C_k)为网络的损失函数，z_k表示输出的状态，当C_k与标签相等时z_k＝1，当C_k与标签不等时z_k＝0，θ为整个网络结构的参数，α为学习率，θⁿ表示训练n次的网络结构参数。

上述方案中，所述步骤S4中计算试验振动信号和实况信号的相似度，是将试验信号和实况信号展开成一维向量，将试验信号记为D′_s＝{a₁,a₂,a₃…a_m},将实况信号记为D′_t＝{b₁,b₂,b₃,…b_n}，接着对D_s′和D_t′做0-1标准化处理，然后计算二者的DTW距离，DTW计算公式为：

d(i,j)＝|a_i-b_j| 公式十八

y(1,1)＝d(1,1) 公式十九

y(m,n)＝d(m,n)+min[y(m-1,n-1),y(m-1,j),y(m,n-1)] 公式二十

式中，a_i表示试验振动信号集D_s′中第i个点(i≤m)，b_j表示实况信号集D′_t中第j个点(j≤n)，d(i,j)表示a_i，b_j的绝对距离，d(m,n)表示D′_s的终点a_m与D′_t的终点b_n的绝对距离，y(m,n)表示D′_s的终点a_m与D_t′的终点b_n的动态累计距离，即为两序列的DTW距离。

上述方案中，所述步骤S5根据试验信号和实况信号的DTW距离迁移源网络全部或部分结构和参数构建和目标网络，最后使用实况信号训练目标网络，构建和训练过程具体为：

当DTW距离小于阈值a时，迁移源网络的全部结构和参数，源网络结构不需调整；当DTW距离大于阈值a小于阈值b时，迁移源网络的两层LSTM和全连接层，在全连接层的后面增加全连接层和softmax层；当DTW距离大于b时，迁移源网络的两层LSTM，在第二层LSTM的后面新增一层LSTM、全连接层、softmax层；最后利用实况信号对新网络训练，即可得到目标网络。

一种实现所述滚动轴承故障智能诊断方法的系统，包括振动信号采集模块、振动信号预处理模块、源网络构建和训练模块、试验信号和实况信号相似度计算模块和目标网络构建和训练模块；

所述振动信号采集模块用于收集轴承振动的试验信号和实况信号；

所述振动信号预处理模块用于将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；

所述源网络构建和训练模块用于构建LSTM-softmax网络，使用试验信号训练网络，得到适用于试验的源网络；

所述试验信号和实况信号相似度计算模块用于计算试验信号与实况信号的动态时间规整DTW距离；

所述目标网络构建和训练模块用于根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。

与现有技术相比，本发明的有益效果是：本发明以LSTM网络为基础，结合了迁移学习思想，构建的LSTM-softmax网络利用了信号的时序性，可以精确提取振动信号的特征，避免了手工选择特征，特征提取不精确的问题；根据DTW迁移源网络的全部或部分结构和参数，构建目标网络，考虑了试验信号与实况信号的相似程度，不同程度地迁移源网络的结构和参数，使建立的模型更加适合实际工况，扩充了数据来源，解决了实际工况下不能获得全生命周期数据，可用数据少，难以建立有效的诊断模型的问题，从而提高了故障诊断在实际生产中的准确性和可实现性。

附图说明

图1为本发明滚动轴承故障诊断的流程图；

图2为本发明滚动轴承故障诊断方法的示意图；

图3为本发明构建的LSTM-softmax源网络结构图；

图4为本发明构建的LSTM单元结构图；

图5为DTW小于阈值a时网络结构迁移示意图；

图6为DTW大于阈值a小于阈值b时网络结构迁移示意图；

图7为DTW大于阈值b时网络结构迁移示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

实施例1

如图1和图2所示，为本发明所述一种滚动轴承故障智能诊断方法的一种较佳实施方式流程和结构，该方法为一种基于迁移学习和深度学习的滚动轴承故障智能诊断方法，包括以下步骤：

步骤S1、试验振动信号的采集：搭建试验台，利用加速度传感器收集足够的轴承部位的振动信号，利用加速度传感器采集设备实际工况下的振动信号；

步骤S2、振动信号的预处理：试验振动信号及对应的状态标签集用D_s和y_s表示，设备实际工况下的轴承振动信号及其对应的状态标签集用D_t和y_t表示，每个标签取值范围为[0,K]分别表示无故障、故障1、故障2...故障K，值只代表类别，无大小意义。将试验振动信号D_s和实况信号D_t做0-1标准化处理，以一定时间内的信号为一个步长，将数据集划分为多步长序列D_s＝{x₁,x₂,x₃,…x_m}^s，y_s＝{y₁,y₂,y₃,…y_m}^s，D_t＝{x₁,x₂,x₃,…x_n}^t，y_t＝{y₁,y₂,y₃,…y_n}^t，m、n分别表示试验信号和实况信号的步数，x_i ^s表示第i步试验振动信号(1≤i≤m)和x_j ^t表示第j步实况振动信号(1≤j≤n)。y_s是试验振动信号的标签集，其中y_i ^s∈[0,K]表示第i步的试验振动信号的标签，y_t是实况振动信号的标签集，其中y_j∈[1,K]表示第j步的实况振动信号的标签。以随机分组的方式将振动信号按照7：3的比例划分为训练集、测试集。

步骤S3、源网络的构建和训练：构建源网络LSTM-softmax，并使用试验振动信号训练源网络，标准化的振动信号作为网络的输入，对应的标签为训练目标，LSTM网络对信号特征提取，第二层LSTM网络的最后一个单元整合信号的特征，将信号特征送入全连接层和Softmax分类器，分类器输出故障类别及相应的概率，本实施例中，输出结果为y_s＝{p(C₀|h),p(C₁|h)…p(C_K|h)},p(C₀|h),p(C₁|h)…p(C_K|h)分别表示t时刻振动信号属于无故障、故障1、...故障K的概率值，取概率值最大的为诊断结果。

步骤S4、计算振动试验信号和实况信号的相似度：DTW距离用于衡量试验信号与实况信号的相似度，DTW采用动态路径累计的方式计算两个时间序列之间的距离，两个序列允许不等长，序列之间峰值和趋势差异会影响DTW距离的大小，因此DTW可以很好的刻画两个振动信号之间的相似度。动态路径累计距离是指，当前网格点所对应的绝对距离与前一点的弯曲路径最小累计距离的和，DTW距离即为两序列终点的路径累计距离。

步骤S5、目标网络的构建和训练：根据上一步计算的DTW，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对网络训练。

根据本实施例，优选的，所述步骤S2振动信号的0-1标准化为:所述信号标准化可以加速网络训练时的梯度下降，避免少量过大的数值对结果造成偏差，处理后的信号值在区间[0,1]上，且分布和原先相同。其计算公式如下：

式中，x_i是振动信号在某一时刻的加速度值，i表示此信号是信号序列的第i个序列。

如图3所示，为本实施例构建的源网络结构，网络的第一、二层为LSTM网络，用于提取信号的特征；最后一层为Softmax分类器，用于对特征分类。每层LSTM网络的单元数量相同。

如图4所示，为本实施例LSTM单元的结构，LSTM单元由单元状态、输入门、遗忘门、输出门组成。所述单元状态保存了的LSTM网络的长期信息，输入门和遗忘门通过控制当前时刻的振动信号和上一时刻的输出来更新cell单元的状态。输入门控制输入信息进入LSTM单元，遗忘门用于遗忘前一个时刻的单元状态的部分信息，输出门是基于目前的单元状态向其他单元输出状态信息，它们的计算公式如下:

i_t＝σ(ω_xix_t+ω_hih_t-1+b_i) 公式二

f_t＝σ(ω_xf+ω_hfh_t-1+b_f) 公式三

o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o) 公式六

h_t＝o_ttanh(c_t) 公式七

式中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，c～_t为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ()为sigmoid激活函数，tanh()为输出激活函数；ω_xi、ω_hi为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积。

根据本实施例，优选的，所述σ()、tanh()的函数表达式为：

式中：e为自然常数，z为函数的输入。

根据本实施例，优选的，所述步骤S3分类器softmax以LSTM提取的特征作为输入，对特征进行分类计算，输出所有类别以及这些类别对应的概率，每个类别代表相应的故障状态，所有类别对应的概率值相加为1，概率最大的类别代表网络对输入的振动信号的诊断结果，根据发明内容的公式十和公式十一其输出结果：

式中，h表示LSTM提取的振动信号特征，ω_p ^k、b_p ^k表示softmax在故障k时的权重矩阵和偏置系数，a^k为计算p(C_k|h)过程中的中间值；C_k表示特征属于故障k，p(C_k|h)表示特征h属于故障k的概率。

根据本实施例，优选的，源网络结构的损失函数表示网络的输出与实际标签的差距，本方法采用交叉熵损失函数计算:

式中，L(h,C_k)为网络的损失函数，z_k表示输出的状态，当C_k与标签相等时z_k＝1，当C_k与标签不等时z_k＝0，θ为整个网络结构的参数，α为学习率，θⁿ表示训练n次的网络结构参数。

根据本实施例，优选的，本发明所述的步骤S3源网络训练，特征是：所述源网络的训练是以试验信号D_s为输入，标签集y_s为训练目标，通过网络的参数不断迭代跟新，目的是使网络的输出不断逼近y_s。迭代的过程是参数减去学习率与该参数梯度的乘积，梯度是指损失函数对该参数的偏微分，训练完成指参数不断迭代更新，直至参数收敛或达到一定的迭代次数，从而使网络的输出逼近标签。需要迭代更新的主要参数有遗忘门的权重矩阵ω_f和偏置系数b_f、输入门的权重矩阵ω_i和偏置系数b_i、输出门的权重矩阵ω_o和偏置系数b_o、cell单元状态的权重矩阵ω_c和偏置系数b_c以及softmax分类器的权重矩阵ω_p和偏置系数b_p。将权重矩阵ω和偏置系数b分别代入公式十五，可得到它们的迭代更新公式：

式中，α为学习率，ωⁿ、bⁿ为训练n次的参数。

根据本实施例，优选的，所述源网络的训练，采用学习率自适应的adam优化算法加快参数的收敛速度，训练步骤如下：

(1)设定初始学习率α＝0.001，矩估计指数衰减率ρ₁＝0.9、ρ₂＝0.999，稳定数值δ＝10^-8，初始化一阶矩估计变量s＝0，二阶矩估计变量r＝0，时间步t＝0；

(2)用θ表示网络的权重矩阵和偏执系数参数，并随机初始化；

(3)计算梯度

(4)更新时间步t＝t+1；

(5)更新有偏一阶矩估计变量s＝ρ₁s+(1-ρ₁)g；

(6)修正一阶矩的偏差

(7)修正二阶矩的偏差

(8)计算更新

(9)参数更新θ＝θ+Δθ；

(10)判断是否达到迭代次数，没有达到次数则从c步重新开始，若达到则输出参数θ。

其中，ρ表示矩估计指数衰减率，δ为稳定数值，s为一阶矩估计变量，r为二阶矩估计变量，t为时间步，θ表示网络的权重矩阵和偏置系数，g表示损失函数L对θ的梯度，

为一阶矩估计变量修正后的值，

为二阶矩估计变量修正后的值，Δθ为网络参数更新时的偏差。

如图3所示，振动信号在源网络的每一层的处理过程是：

按时间步长划分的振动信号输入第一层LSTM网络，每一个LSTM单元的输入为一个时间步x_t，LSTM单元会有两个方向的输出，向第二层相应LSTM单元输出h_t和向同层下一时刻LSTM单元的输出c_t、h_t。h_t表示第一层网络对t时刻振动信号的初步特征提取，c_t表示振动信号之间的时间信息。第二层网络与第一层网络的单元数相同，并且每个时刻的单元一一对应。第二层网络对送入的特征h_t做深层特征提取，最终的特征会被最后时刻的LSTM单元整合，由此单元的输出门做最终的计算并输出。深层特征被送入到softmax分类器，分类器会计算出K个类别相应的概率值，概率值最大的类别作为此振动信号的诊断结果。

根据本实施例，优选的，所述步骤S4计算试验振动信号和实况信号的相似度，DTW计算方法特征是：将试验信号和实况信号展开成一维向量，将试验信号记为D′_s＝{a₁,a₂,a₃…a_m},将实况信号记为D′_t＝{b₁,b₂,b₃,…b_n}，接着对D′_s和D′_t做0-1标准化处理，然后计算二者的DTW距离，DTW计算公式为：

d(i,j)＝|a_i-b_j| 公式十八

y(1,1)＝d(1,1) 公式十九

y(m,n)＝d(m,n)+min[y(m-1,n-1),y(m-1,j),y(m,n-1)] 公式二十

式中，a_i表示试验振动信号集D′_s中第i个点(i≤m)，b_j表示实况信号集D′_t中第j个点(j≤n)，d(i,j)表示a_i，b_j的绝对距离，d(m,n)表示D′_s的终点a_m与D′_t的终点b_n的绝对距离，y(m,n)表示D′_s的终点a_m与D′_t的终点b_n的动态累计距离，即为两序列的DTW距离。

根据本实施例，优选的，所述步骤5目标网络的构建和训练，源网络的迁移及目标网络的构建如图5-7所示。

如图5所示，当试验信号和实况信号之间的DTW低于阈值a时，迁移源网络的全部结构和参数，无需调整网络结构，直接使用源网络的参数作为初始参数，利用标准化的实况信号进行重新训练，即可得到目标网络。

如图6所示，当DTW距离高于设定的阈值a，但未超过阈值b时，迁移源网络的两层LSTM和全连接层，在全连接层的后面增加一层全连接层和softmax层。因为数据集有差别，从试验信号学习到的知识可能并不适用于实况信号，增加一层全连接层，可以选择性的保留源网络的特征提取结构，使新调整的网络结构适用于实况信号。在利用实况信号训练时，先冻结两层LSTM网络，保持这两层网络结构参数不变，只训练新增的全连接层和softmax分类器，然后取消对LSTM网络结构的冻结，使用实况信号对全网络进行再训练，即可得到目标网络。

如图7所示，对于DTW距离高于阈值b的情况，迁移源网络的两层LSTM，在第二层LSTM的后面新增一层LSTM、全连接层、softmax层。当两数据集相差过大时，需要新增网络结构提高网络的学习能力，这样既可以保留网络在试验信号集中学习到的知识，又可以增加对目标信号的学习能力。对新网络训练时，先冻结第一层和第二层LSTM网络的参数，保持这两层网络结构参数不变，使用实况信号训练新增的LSTM层、全连接层和softmax分类器，训练完后，取消冻结，使用实况信号对全网络进行再训练，即可得到目标网络。

利用本发明所述方法进行滚动轴承故障诊断的过程如下：

本发明通过试验台获得足够的试验振动信号，首先构建LSTM-softmax网络，使用试验信号训练得到源网络，接着计算试验信号与实况信号的DTW距离，根据DTW迁移源网络的全部或部分结构和参数，以此为基础构建新网络，接着使用实况信号对新网络训练，最终得到适用于实况下故障诊断的目标网络。LSTM网络考虑了数据的时间相关性，适用于时序信号，避免了特征提取不精确的问题，同时迁移学习充分利用了相似数据，扩充了可用数据的范围，增加了LSTM网络的适用范围，克服了实际生产中难以获取足够的故障信号，训练数据不足的困难，提高了实际生产中轴承故障诊断的准确度和可实行性。

在本发明中，将在试验台采集的振动信号称为试验信号，将设备实际工况下的振动信号称为实况信号，以试验信号为训练数据，适用于实验条件下的故障诊断网络称为源网络；以实况信号为训练数据，适用于实际工况下的故障诊断网络称为目标网络。针对实际工况下的可用训练数据少，特征提取困难，难以准确对轴承故障诊断的问题，采用长短时间记忆(LSTM)网络与归一化指数(softmax)回归模型对振动信号进行特征提取和诊断，采用迁移学习的思想，迁移源网络的全部或部分结构和参数，重新构建网络，并使用实况信号训练，得到适用于实际工况的目标网络，以此提高故障诊断在实际生产中的准确性和可实现性。

实施例2

一种实现实施例1所述滚动轴承故障智能诊断方法的系统，包括振动信号采集模块、振动信号预处理模块、源网络构建和训练模块、试验信号和实况信号相似度计算模块和目标网络构建和训练模块；

所述振动信号采集模块用于收集轴承振动的试验信号和实况信号；

所述振动信号预处理模块用于将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；

所述源网络构建和训练模块用于构建LSTM-softmax网络，使用试验信号训练网络，得到适用于试验的源网络；

所述试验信号和实况信号相似度计算模块用于计算试验信号与实况信号的动态时间规整DTW距离；

所述目标网络构建和训练模块用于根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种滚动轴承故障智能诊断方法，其特征在于，包括以下步骤：

步骤S1：振动信号的采集：收集轴承振动的试验信号和实况信号；

步骤S2：振动信号的预处理：将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；

步骤S3：源网络的构建和训练：构建LSTM-softmax网络，使用试验信号训练网络，得到适用于试验的源网络；

步骤S4：计算试验信号和实况信号的相似度：计算试验信号与实况信号的动态时间规整DTW距离；

步骤S5：目标网络的构建和训练：根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。

2.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S2中的0-1标准化处理是将振动信号映射到区间[0,1]上，计算公式为：

式中，x_i是振动信号在某一时刻的加速度值，i表示第i个序列。

3.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S3中的LSTM-softmax网络，包括两层LSTM网络和一个softmax分类器；每层LSTM网络由n个LSTM单元连接而成，第一层LSTM网络的以振动信号为输入，对振动信号进行初步特征提取，然后将初步特征送入第二层LSTM网络进行深度特征提取，最后一个时刻的LSTM单元整合提取的深度特征并送入softmax分类器进行特征学习和分类，最终得到试验故障诊断结果。

4.根据权利要求3所述的一种滚动轴承故障智能诊断方法，其特征在于，所述LSTM单元包括单元状态、输入门、遗忘门和输出门，所述单元状态用于保存网络的长期信息，所述输入门用于控制输入信息进入LSTM单元，遗忘门用于筛选前一个时刻的单元状态的cell单元信息和信号特征，输出门用于向下一个时刻的单元和下一层同时刻的单元输出状态信息；

所述输入门、遗忘门、输出门通过控制输入的振动信号和前一时刻单元的信息来更新单元状态和单元的输出。

5.根据权利要求4所述的一种滚动轴承故障智能诊断方法，其特征在于，所述输入门、遗忘门、单元状态、输出门的输出计算公式如下:

i_t＝σ(ω_xix_t+ω_hih_t-1+b_i) 公式二

f_t＝σ(ω_xf+ω_hfh_t-1+b_f) 公式三

o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o) 公式六

h_t＝o_t tanh(c_t) 公式七

式中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，

为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ()为sigmoid激活函数，tanh()为输出激活函数；ω_xi、ω_hi分别为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf分别为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc分别为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho分别为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积；

σ()和tanh()通过以下公式计算：

式中：e为自然常数，z为函数的输入。

6.根据权利要求3所述的一种滚动轴承故障智能诊断方法，其特征在于，所述softmax根据输入的特征计算振动信号所属的类别及概率，计算公式如下：

a＝ω_ph+b_p 公式十

式中，ω_p、b_p表示softmax的权重矩阵和偏置系数，K表示模型的类别数量，p(C_k|h)表示特征h处于类别C_k的概率，a表示计算最终概率需要的一个输出矩阵，e为自然常数。

7.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S3源网络的训练公式如下：

式中，L(h,C_k)为网络的损失函数，z_k表示输出的状态，当C_k与标签相等时z_k＝1，当C_k与标签不等时z_k＝0，θ为整个网络结构的参数，α为学习率，θⁿ表示训练n次的网络结构参数。

8.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S4中计算试验振动信号和实况信号的相似度，是将试验信号和实况信号展开成一维向量，将试验信号记为D′_s＝{a₁,a₂,a₃…a_m},将实况信号记为D′_t＝{b₁,b₂,b₃,…b_n}，接着对D′_s和D′_t做0-1标准化处理，然后计算二者的DTW距离，DTW计算公式为：

d(i,j)＝|a_i-b_j| 公式十八

y(1,1)＝d(1,1) 公式十九

y(m,n)＝d(m,n)+min[y(m-1,n-1),y(m-1,j),y(m,n-1)] 公式二十

式中，a_i表示试验振动信号集D′_s中第i个点(i≤m)，b_j表示实况信号集D′_t中第j个点(j≤n)，d(i,j)表示a_i，b_j的绝对距离，d(m,n)表示D′_s的终点a_m与D′_t的终点b_n的绝对距离，y(m,n)表示D′_s的终点a_m与D′_t的终点b_n的动态累计距离，即为两序列的DTW距离。

9.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S5根据试验信号和实况信号的DTW距离迁移源网络全部或部分结构和参数构建和目标网络，最后使用实况信号训练目标网络，构建和训练过程具体为：

当DTW距离小于阈值a时，迁移源网络的全部结构和参数，源网络结构不需调整；当DTW距离大于阈值a小于阈值b时，迁移源网络的两层LSTM和全连接层，在全连接层的后面增加全连接层和softmax层；当DTW距离大于b时，迁移源网络的两层LSTM，在第二层LSTM的后面新增一层LSTM、全连接层、softmax层；最后利用实况信号对新网络训练，即可得到目标网络。

10.一种实现权利要求1-9任意一项所述滚动轴承故障智能诊断方法的系统，其特征在于，包括振动信号采集模块、振动信号预处理模块、源网络构建和训练模块、试验信号和实况信号相似度计算模块和目标网络构建和训练模块；

所述振动信号采集模块用于收集轴承振动的试验信号和实况信号；

所述振动信号预处理模块用于将轴承振动的试验信号和实况信号做0-1标准化处理，并分别划分训练集和测试集；

所述源网络构建和训练模块用于构建LSTM-softmax网络，使用试验信号训练网络，得到适用于试验的源网络；

所述试验信号和实况信号相似度计算模块用于计算试验信号与实况信号的动态时间规整DTW距离；

所述目标网络构建和训练模块用于根据所述DTW的值，迁移源网络的全部或部分结构和参数，以此为基础构建目标网络，使用实况信号对新网络训练，最终得到适用于实际工况的目标网络。

Images