CN113435321A - 一种主轴轴承状态评估方法、系统、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种主轴轴承状态评估方法、系统、设备及可读存储介质，通过将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号；将振动信号通过小波变换得到二维时频谱，根据源域与目标域制成训练集与测试集；构建对抗迁移网络，利用训练集数据训练所述深度网络，得到训练完成的主轴轴承状态分类模型，利用主轴轴承状态分类模型对待测轴承信号进行健康状态评估；利用分支网络和域分类网络充分提取了源域与目标域振动数据的共有特征，能够得到表示轴承状态的更具有代表性的固有特征，且在训练时采用标签平滑正则化的方法，进一步的增强了网络模型的鲁棒性及泛化能力，提升对变工况主轴轴承状态的评估能力。

Description

一种主轴轴承状态评估方法、系统、设备及可读存储介质

技术领域

本发明属于主轴轴承状态评估领域，具体涉及一种主轴轴承状态评估方 法、系统、设备及可读存储介质。

背景技术

主轴轴承作为数控机床的关键零部件，其性能对于机床的加工精度及寿 命具有重要的影响。据统计，主轴系统中约有40％的故障是由于轴承引起。 主轴轴承一旦发生故障，如果不能及时地检测到，不仅会影响正常地生产周 期，而且可能会引发重大的机械事故。因此对主轴轴承的健康状态进行检测 以及评估很有必要。

传统的轴承状态评估诊断方法通常是通过人工提取信号中的数学统计特 征设定阈值来评估轴承的状态，通过对时域统计参数、频域统计参数以及无 量纲参数等进行组合实现滚动轴承的故障检测与状态评估。然而，提取出与 轴承状态相关的特征需要丰富的信号处理理论作为支撑，特征的筛选优化以 及评估指标的设定也需要大量的先验知识。此外，在实际的工业应用中，复 杂的环境和不断变化的加工条件会导致其状态评估效果较差。随着人工智能 技术的发展，由于其出色的特征提取能力以及非线性拟合能力，越来越多的 研究者开始关注人工智能技术在轴承状态评估方面的应用。人工智能方法不 需要复杂的信号处理理论，特征学习更加智能，模型也更简单。然而，这些 方法大都要求训练数据与测试数据的分布一致，且都需要大量的故障数据作 为训练集对网络进行训练，但在实际生产环境下，由于工况的复杂多变，机 器的状态信息数据往往分布是不一致的，并且故障数据远远少于正常数据， 难以满足训练的需要，进而影响对轴承状态评估的准确度和精度。

迁移学习理论为解决这些问题带来了新的途径。在图像识别领域，迁移 学习主要用来解决同分布训练集稀少的问题。其主要功能是将在某领域学习 的知识应用到不同但相关的其他领域中。迁移学习降低了传统机器学习对训 练数据量的要求，也放宽了训练数据与测试数据需要服从同分布且相互独立 的假设。为此，本申请提出一种基于对抗迁移学习的主轴轴承状态评估方法， 以期实现将迁移学习理论与深度学习模型进行有效结合，提高主轴轴承状态 评估模型的泛化能力，解决变工况下主轴轴承健康状态评估问题。

发明内容

本发明的目的在于提供一种主轴轴承状态评估方法、系统、设备及可读 存储介质，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种主轴轴承状态评估方法，包括以下步骤：

S1，将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号， 将子样本信号中未知故障类型数据划分为目标域数据，将子样本信号中已知 故障类型数据划分为源域数据；

S2，将源域数据和目标域数据采用小波变换方法得到低频时频谱信号， 并对低频时频谱信号进行归一化处理得到归一化处理后的子样本数据，对归 一化处理后的子样本数据中的源域数据以one-hot编码形式添加相应的健康 状态标记，将归一化处理后的子样本数据中的目标域数据以及标记后的源域 数据划分为训练集；

S3，从训练集中提取源域数据和目标域数据的特征进行预训练主轴轴承 状态评估模型的训练，利用训练后的主轴轴承状态评估模型实现变工况下主 轴轴承的状态评估。

进一步的，原始信号数据包括多种工况下不同状态主轴轴承的振动信号， 采集原始信号数据时，采样频率40kHz以上。

进一步的，S2-1，采用移动时窗对原始振动信号数据进行分割，得到子 样本信号u；

S2-2，对所得子样本信号u应用小波变换获得时频谱图，并过滤高频成 分，获得低频时频谱信号U；

S2-3，对所得低频时频谱信号U进行归一化处理：

式中：

为低频时频谱信号的均值，s为低频时频谱信号的标准差，

为 归一化处理后的子样本信号；

S2-4，对归一化处理后的源域子样本信号

根据其对应的主轴轴承的 状态，以one-hot编码的形式添加类别标签y；

S2-5，采用标签平滑正则化方法更新添加的所有子样本信号

的类别标 签y，得到更新后的类别标签

式中：

是平滑因子，q是人为引入的一个固定分布，目的是为概率分布 引入固定分布的噪声；

S2-6，根据实际工况划分训练集T_train与测试集T_test，其中训练集T_train中源 域样本数据与目标域样本数据的比例为4:1。

进一步的，给源域子样本信号

添加一个n维的类别标签向量y，n为主 轴轴承健康状态种类数，并将该样本信号健康状态对应的标签向量第i位置 为1，其余位全部置为0。

进一步的，采用深度残差网络作为特征提取器F提取源域数据和目标域 数据的特征；利用分层解码器DE对每层网络提取的特征进行重构；采用特 征分离网络G分离源域本数据与目标域样本数据的私有特征和共有特征；采 用域分类器D判别样本来自源域还是目标域，并构建梯度反转层实现对抗学 习，并使用源域样本特征对标签预测器C进行训练。

进一步的，采用深度残差网络压缩输入数据的特征：

式中：H_i为第i层输出特征，X为输入样本数据，

为第i层权重矩阵，

为第i层偏置向量，

为第i层恒等映射矩阵，*表示卷积操作，F(·)为激 活函数；

解码器将每个残差块得到的特征矩阵重构成与输入数据相同维度的矩阵：

式中：X_i′为第i层重构得到的特征矩阵，

为第i层解码操作的权重矩 阵，

为第i层重构的偏置向量；

重构过程的损失函数为：

L_recon＝∑L_{si_mse}(X^s,X′^s)+∑L_{si_mse}(X^t,X′^t)

式中：X^s为源域样本特征矩阵，X′^s为重构后的源域样本特征矩阵，X^t目 标域样本特征矩阵，X′^t重构后的目标域样本特征矩阵，a_ij、b_ij为矩阵A、B 的元素，m、n为矩阵的行数和列数

通过全连接层将输出信号转变为特征向量：

h＝W_fx_f

式中，h为全连接层的输出的特征向量，W_f为全连接层的权重矩阵，x_f为 全连接层的输入向量。

进一步的，使用随机梯度下降算法SGD优化特征提取器F、域分类器D、 构建标签预测器C以及特征分离网络G的总损失，得到训练完成的主轴轴承 状态评估模型；优化目标函数为：

Loss＝L_similarity+L_diference+L_recon+L_classify-λL_domain。

一种主轴轴承状态评估系统，包括：

预处理模块，用于将主轴轴承径向原始振动信号数据按时间序列分割成 子样本信号，将子样本信号中未知故障类型数据划分为目标域数据，将子样 本信号中已知故障类型数据划分为源域数据；

训练集划分模块，用于将源域数据和目标域数据采用小波变换方法得到 低频时频谱信号，并对低频时频谱信号进行归一化处理得到归一化处理后的 子样本数据，对归一化处理后的子样本数据中的源域数据以one-hot编码形 式添加相应的健康状态标记，将归一化处理后的子样本数据中的目标域数据 以及标记后的源域数据划分为训练集；

主轴轴承状态预测模块，根据训练集中提取的源域数据和目标域数据的 特征进行预训练，将采集到主轴轴承状态监控数据进行状态评估输出评估结 果。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所 述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利 要求1至7任一项所述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序， 所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种主轴轴承状态评估方法，通过将主轴轴承径向原始振动信号 数据按时间序列分割成子样本信号，将子样本信号中未知故障类型数据划分 为目标域数据，将子样本信号中已知故障类型数据划分为源域数据；将振动 信号通过小波变换得到二维时频谱，根据源域与目标域，制成训练集与测试 集；利用训练集数据训练所述深度网络，得到训练完成的主轴轴承状态分类 模型，利用主轴轴承状态分类模型对待测轴承信号进行健康状态评估；利用 分支网络和域分类网络充分提取了源域与目标域振动数据的共有特征，能够 得到表示轴承状态的更具有代表性的固有特征，且在训练时采用标签平滑正 则化的方法，进一步的增强了网络模型的鲁棒性及泛化能力，提升对变工况 主轴轴承状态的评估能力。

进一步的，构建基于深度残差网络的特征提取分支网络，再基于各分支 网络提取的特征构造特征分离网络，由分支网络和特征分离网络构成对抗迁 移网络实现对变工况下主轴轴承的状态评估，通过对抗迁移学习提取的样本 共有特征，增强模型对噪声和不同工况的鲁棒性。

一种主轴轴承状态评估系统，通过对源域与目标域样本数据的私有特征 进行分离，提高了共有特征对样本的表达能力，提高了主轴轴承状态评估的 准确性；通过对抗迁移学习提取的样本共有特征，增强模型对噪声和不同工 况的鲁棒性。

附图说明

图1为本发明实施例中评估方法流程图。

图2为本发明实施例中预处理后的一个信号样本。

图3为本发明实施例中残差块结构图。

图4为本发明实施例中特征提取网络结构图。

图5为本发明实施例中对抗迁移网络结构图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明提出一种主轴轴承状态评估方法，具体是基于对抗迁移网络的主 轴轴承状态评估方法，以期实现将迁移学习理论与深度学习模型进行有效结 合，提高主轴轴承状态评估模型的泛化能力，解决变工况下主轴轴承健康状 态评估问题。利用实验室轴承振动信号对网络进行训练，进而对变工况下主 轴轴承状态评估。构建对抗迁移网络，提取源域与目标域信号的共有特征， 增强网络的泛化能力，利用这种特性，在变转速，变负载，跨设备的工况下， 实现对无标签数据的状态评估。包括以下步骤：

步骤1，使用振动传感器采集主轴轴承径向原始振动信号数据，对原始 振动信号数据按时间序列分割成子样本信号u，将未知故障类型数据划分为 目标域数据；并将已知故障类型数据划分为源域数据；

步骤2，对步骤1划分好的源域数据以及目标域数据采用小波变换方法 得到低频时频谱信号U，并对低频时频谱信号U进行归一化处理得到归一化 处理后的子样本数据

对源域数据以one-hot编码形式添加相应的健康状态 标记y，然后采用标签平滑正则化方法更新y得到更新后的健康状态标记

然后划分训练集T_train与测试集T_test，其中训练集由源域数据与目标域数据组成， 测试集仅由目标域数据组成；

步骤3，使用深度残差网络作为特征提取器F，提取源域数据和目标域 数据的特征，构建分层解码器DE，对每层网络提取的特征进行重构；

步骤4，构建特征分离网络G，分离源域本数据与目标域样本数据的私 有特征和共有特征；

构建域分类器D，判别样本来自源域还是目标域，并构建梯度反转层实 现对抗学习；

步骤5，构建标签预测器C，并使用源域样本特征进行训练；

步骤6，使用随机梯度下降算法SGD优化特征提取器F、域分类器D、 构建标签预测器C以及特征分离网络G的总损失，得到训练完成的主轴轴承 状态评估模型；

步骤7，利用训练完成的主轴轴承状态评估模型对变工况下主轴轴承的 状态进行评估。

步骤1中，原始信号数据包括多种工况下不同状态主轴轴承的振动信号， 采集原始信号数据时，采样频率40kHz以上；原始振动信号数据包括已知故 障类型工况下的数据采集和未知工况下的数据采集。

步骤2中，对振动信号制作训练集T_train与测试集T_test的具体步骤为：

S1，采用移动时窗对原始振动信号数据进行分割，得到子样本信号u；

S2，对所得子样本信号u应用小波变换获得时频谱图，并过滤高频成分， 获得其中的低频时频谱信号U；

S3，对所得低频时频谱信号U进行归一化处理：

式中：

为低频时频谱信号的均值，s为低频时频谱信号的标准差，

为 归一化处理后的子样本信号；

S4，对归一化处理后的源域子样本信号

根据其对应的主轴轴承的状 态，以one-hot编码的形式添加类别标签y。具体操作为：给源域子样本信号

添加一个n维的类别标签向量y，n为主轴轴承健康状态种类数，并将该样 本信号健康状态对应的标签向量第i位置为1，其余位全部置为0；

S5，采用标签平滑正则化方法更新添加的所有子样本信号

的类别标签 y，得到更新后的类别标签

式中：

是平滑因子，q是人为引入的一个固定分布，目的是为概率分布 引入固定分布的噪声；

S6，根据实际工况划分训练集T_train与测试集T_test，其中训练集T_train中，源 域样本数据与目标域样本数据的比例为4:1。

步骤3中的特征提取器F，由一个包含4个残差块的深度残差网络和4 个解码器组成：其中深度残差网络用于压缩输入数据的特征，即将训练集数 据进行压缩：

式中：H_i为第i层输出特征，X为输入样本数据，

为第i层权重矩阵，

为第i层偏置向量，

为第i层恒等映射矩阵，*表示卷积操作，F(·)为激 活函数；

然后，解码器将每个残差块得到的特征矩阵重构成与输入数据相同维度 的矩阵：

式中：X_i′为第i层重构得到的特征矩阵，

为第i层解码操作的权重矩 阵，

为第i层重构的偏置向量

重构过程的损失函数为：

L_recon＝∑L_{si_mse}(X^s,X′^s)+∑L_{si_mse}(X^t,X′^t)

式中：X^s为源域样本特征矩阵，X′^s为重构后的源域样本特征矩阵，X^t目 标域样本特征矩阵，X′^t重构后的目标域样本特征矩阵，a_ij、b_ij为矩阵A、B 的元素，m、n为矩阵的行数和列数

经过最后一个残差块后，通过全连接层将输出信号转变为特征向量：

h＝W_fx_f

式中，h为全连接层的输出的特征向量，W_f为全连接层的权重矩阵，x_f为 全连接层的输入向量。

步骤4中的特征分离网络G地具体构建方式如下：

首先，提取源域与目标域的共有特征，使用MMD距离计算源域与目标 域提取得到特征的相似程度：

式中：

表示源域样本特征向量的元素，

表示目标域样本特征向量的 元素，N^s、N^t分别表示源域与目标域特征向量包含元素的个数，

表示 核函数。

同时，分离目标域和源域各自的私有特征，使用向量内积评价其不相关 程度：

式中：＜·,·＞表示内积操作，

表示源域样本信号经过特征提取网络得到 的共有特征向量，

表示源域样本信号经过特征提取网络得到的私有特征向 量，

表示目标域样本信号经过特征提取网络得到的共有特征向量，

表示 目标域样本信号经过特征提取网络得到的私有特征向量。

步骤4中的域分类器D的输出为样本特征属于源域和目标域的概率，加 权域分类器的权重函数定义为：

D′(x)＝1-|tanh(D(x))|

其中：

式中，p_pred表示样本域标签的预测概率值，p_real表示样本域标签的真实概 率值，

当D′＝0时，表明域分类器能分辨该特征属于源域还是目标域，即得到样 本特征不是源域与目标域的共有特征，这些样本特征获得较小的权重，当 D′＝1时，表示分类器不能分辨该特征来自源域还是目标域，表明得到的样本 特征是源域与目标域的共有特征，这些样本会获得较大的权重。

定义加权域分类器的损失函数为：

L_domain＝∑[p_reallgp_pred+(1-p_real)lg(1-p_pred)]

步骤4中，梯度反转层GRL用于域分类器与特征提取器之间，在域分类 器的误差反向传播过程乘系数-λ实现梯度反转，λ取域分类器的权重函数， 达到域分类器和特征提取器对抗学习的目的。

步骤5中，标签预测器C为softmax分类器。对于输入的源域数据对应 了k类标签y＝{y₁,y₂,...y_k}，则输入的样本

属于每种标签的概率 p(x＝k)＝{p₁,p₂,...p_k}

分类损失函数为：

式中，y_i为样本数据的真实标签，

为样本数据的预测标签。

使用源域的数据对分类器进行训练，直接应用于目标域数据，达到迁移 学习的目的。

步骤6中，优化目标函数为：

Loss＝L_similarity+L_diference+L_recon+L_classify-λL_domain。

以凯斯西储大学轴承数据中心的数据集与XJTU-SY滚动轴承加速寿命 试验数据集为例，验证本发明的诊断方法的有效性。

凯斯西储大学对轴承四种人造故障类型数据进行了采集，包括正常、轴 承内圈故障、轴承外圈故障、滚动体故障。每种故障类型又分有若干种工况， 包括负载，转速，故障严重程度等不同。本发明中选取了48KHz的采样频率 采集的三种类型的轴承振动数据，用于组成训练集。三种不同的工况如表1 所示；轴承健康状态的划分如表2所示。按照表2选定数据集。

XJTU-SY数据集对正常轴承进行寿命测试，在三类工况下，采集其从正 常到自然失效时的全周期振动数据，本发明中只截取失效后的振动数据，用 于组成验证集。三种不同工况如表3所示；轴承健康状态的划分如表4所示， 按照表4选定验证集。

表1凯斯西储大学数据集工况

表2凯斯西储大学轴承健康状态划分

表3 XJTU-SY数据集工况

表4 XJTU-SY轴承健康状态划分

本发明的基于对抗迁移网络的变工况轴承的健康状态评估具体包括以下 步骤：

步骤1，选择表2、4中轴承的振动信号数据，为了验证变工况的评估情 况，所有工况下的数据都需选择。

步骤2，对振动信号按时间序列分割为子样本信号，为了保证样本的均 衡性，采用移动时窗对信号进行分割时需进行重采样，采样频率为1024Hz， 每一个子样本信号的长度为2048，每次偏移长度为3000，得到子样本信号u 后，对子样本信号进行小波变换，取其低频成分的信号U并进行归一化处理：

式中

表示低频时频谱信号的均值，s表示低频频谱信号的标准差，

表 示预处理后的子样本信号，归一化处理后的一个样本时频谱信号如图2所示， 该样本时频谱信号即为构造网络的输入数据。

然后对预处理后的子样本信号

根据其对应的轴承的状态，以one-hot 编码的形式添加类别标签y，并采用标签平滑正则化方法更新所有子样本信 号

的类别标签y：

式中，y表示样本的真实概率分布，

是平滑因子，q是人为引入的一个 固定分布，可以看作是为概率分布引入固定分布的噪声，本实施例中q取平 均分布。

为了验证该方法对变工况轴承状态评估的有效性，实验选择若干种凯斯 西储大学轴承数据的数据组成源域数据，选择若干种XJTU-SY轴承数据组 成目标域数据进行测试，针对各工况的异同，本实验工作了以下六组测试如 表5，最后取其平均值。

表5实验测试组

步骤3，构建基于实现变工况轴承的状态评估，具体包括：

(1)构建特征提取网络，如图4所示：

首先，搭建残差块，如图3所示。第一步，搭建卷积层，选择3×3大小 的卷积核对样本信号的特征信息进行自适应提取；第二步，搭建BN层，将 卷积层的输出进行标准化处理，使每层卷积层输入的分布都尽可能相似，第 三步，重复第一，第二步，使残差块含有两个卷积层和两个BN层；第四步， 搭建恒等映射层，选择1×1大小的卷积核对残差块的初始输入样本信号进行 卷积操作，得到恒等输出；第五步，将最后一个BN层的输出与恒等映射层 的输出相加，得到残差块的输出。

其次，搭建深度残差网络。第一步，搭建过渡卷积层，选择1×1的卷积 核，将输入样本信号规范为3通道，1024×1024的矩阵，然后经过一个BN 层，将样本信号的分布标准化；

X₁＝B(w*X₀)

式中，w表示卷积核，*表示卷积操作，B(·)为标准化函数；

第二步，使用四个残差块依次对预处理后的样本信号进行特征提取，并 用ReLU函数构建激活层，将最后一个残差块的输出作为激活层的输入；

式中：X为输入样本数据，

为第i层权重矩阵，

为第i层偏置向量，

为第i层恒等映射矩阵，F(·)为激活函数；

第三步，构建全连接层，将提取到的特征转换为长度为128的列向量。

h＝W_fx_f

式中，h为全连接层输出的特征向量，W_f为全连接层的权重矩阵，x_f为 输入向量。

(2)构建对抗迁移网络如图5所示：

首先，对特征提取网络提取到的源域和目标域的特征进行处理。第一步， 提取源域和目标域的共有特征，具体操作为，计算特征提取网络输出的源域 与目标域的特征向量的最大均值化差异(MMD)；第二步，分离源域和目标域 各自的私有特征与共有特征，具体操作为，对两个源域(目标域)样本信号 经过特征提取网络的输出进行内积计算，令其正交。

其次，对每个残差块提取到的特征进行重构：

式中，X_i′为第i层重构得到的特征矩阵，

为第i层解码操作的权重矩 阵，

为第i层重构的偏置向量

再次，构建域分类网络，对源域样本信号经过特征提取网络输出的特征 向量进行域归属判断，

D′(x)＝1-|tanh(D(x))|

式中，p_pred表示样本域标签的预测值，p_real表示样本域的真实值。

然后，构建梯度反转层，在误差实现域分类网络和特征提取网络的对抗 学习：

L_domain＝∑[p_reallogp_pred+(1-p_real)log(1-p_pred)]

最后，前向传播通过SoftMax分类器，输出轴承健康状态评估结果。

(3)对抗迁移网络参数调整：

(a)由(2)步中构建的对抗迁移网络，如图5所示。图中，共有4个 特征提取网络，每个特征提取网络有4个残差块和1个全连接层。残差块中 的每个卷积层都使用3*3大小的卷积核进行特征提取，经过第1，2，3，4 个FR后特征图个数分别为64，128，256，512；经过第1个全连接层后输出 的特征向量的维度为128。以使用源域数据训练的提取共有特征的一路网络 的输出作为最终的评估结果；

(b)得到步骤(a)网络的输出后，计算对抗迁移网络的损失函数Loss， 损失函数定义为所有网络层损失值的加权和：

Loss＝α₁L_similarity+α₂L_diference+α₃L_recon+α₄L_classify-λL_domain

式中，α₁,α₂,α₃,α₄表示权值系数；

(c)利用反向传播算法，更新对抗迁移网络的参数，直到损失函数Loss 收敛，设置训练的次数为200次，训练的Batch-size为128，学习率为0.001， 网络的优化器为SGD；

(d)对抗迁移网络训练完成后，通过测试集验证对抗迁移网络模型的有 效性。

进一步地，对抗迁移网络测试验证过程如下：

(a)按照步骤2中划分的训练集与测试集分别训练测试模型，记录每组 测试得到的准确度；

(b)6组测试完成后，取其平均值作为最终评估结果。

本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以 及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令， 所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央 处理单元(CPU)，或者采用其他通用处理器、数字信号处理器(DSP)、专用集 成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门 或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心， 其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令 从而实现相应方法流程或相应功能；本发明实施例所述的处理器可用于主轴 轴承状态评估方法的操作。

一种主轴轴承状态评估系统，包括：

预处理模块，用于将主轴轴承径向原始振动信号数据按时间序列分割成 子样本信号，将子样本信号中未知故障类型数据划分为目标域数据，将子样 本信号中已知故障类型数据划分为源域数据；

训练集划分模块，用于将源域数据和目标域数据采用小波变换方法得到 低频时频谱信号，并对低频时频谱信号进行归一化处理得到归一化处理后的 子样本数据，对归一化处理后的子样本数据中的源域数据以one-hot编码形 式添加相应的健康状态标记，将归一化处理后的子样本数据中的目标域数据 以及标记后的源域数据划分为训练集；

主轴轴承状态预测模块，根据训练集中提取的源域数据和目标域数据的 特征进行预训练，将采集到主轴轴承状态监控数据进行状态评估输出评估结 果。

本发明再一个实施例中，本发明还提供了一种存储介质，具体采用计算 机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆 设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存 储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持 的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行 的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包 括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM 存储器，也可以是非不稳定的存储器(Non-volatile memory)，例如至少一个磁 盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条 以上指令，以实现上述实施例中可用于主轴轴承状态评估方法的相应步骤。

Claims (10)

1.一种主轴轴承状态评估方法，其特征在于，包括以下步骤：

S1，将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号，将子样本信号中未知故障类型数据划分为目标域数据，将子样本信号中已知故障类型数据划分为源域数据；

S2，将源域数据和目标域数据采用小波变换方法得到低频时频谱信号，并对低频时频谱信号进行归一化处理得到归一化处理后的子样本数据，对归一化处理后的子样本数据中的源域数据以one-hot编码形式添加相应的健康状态标记，将归一化处理后的子样本数据中的目标域数据以及标记后的源域数据划分为训练集；

S3，从训练集中提取源域数据和目标域数据的特征进行预训练主轴轴承状态评估模型的训练，利用训练后的主轴轴承状态评估模型实现变工况下主轴轴承的状态评估。

2.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，原始信号数据包括多种工况下不同状态主轴轴承的振动信号，采集原始信号数据时，采样频率40kHz以上。

3.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，

S2-1，采用移动时窗对原始振动信号数据进行分割，得到子样本信号u；

S2-2，对所得子样本信号u应用小波变换获得时频谱图，并过滤高频成分，获得低频时频谱信号U；

S2-3，对所得低频时频谱信号U进行归一化处理：

式中：

为低频时频谱信号的均值，s为低频时频谱信号的标准差，

为归一化处理后的子样本信号；

S2-4，对归一化处理后的源域子样本信号

根据其对应的主轴轴承的状态，以one-hot编码的形式添加类别标签y；

S2-5，采用标签平滑正则化方法更新添加的所有子样本信号

的类别标签y，得到更新后的类别标签

式中：

是平滑因子，q是人为引入的一个固定分布，目的是为概率分布引入固定分布的噪声；

S2-6，根据实际工况划分训练集T_train与测试集T_test，其中训练集T_train中源域样本数据与目标域样本数据的比例为4:1。

4.根据权利要求3所述的一种主轴轴承状态评估方法，其特征在于，给源域子样本信号

添加一个n维的类别标签向量y，n为主轴轴承健康状态种类数，并将该样本信号健康状态对应的标签向量第i位置为1，其余位全部置为0。

5.根据权利要求1所述的一种主轴轴承状态评估方法，其特征在于，采用深度残差网络作为特征提取器F提取源域数据和目标域数据的特征；利用分层解码器DE对每层网络提取的特征进行重构；采用特征分离网络G分离源域本数据与目标域样本数据的私有特征和共有特征；采用域分类器D判别样本来自源域还是目标域，并构建梯度反转层实现对抗学习，并使用源域样本特征对标签预测器C进行训练。

6.根据权利要求5所述的一种主轴轴承状态评估方法，其特征在于，采用深度残差网络压缩输入数据的特征：

式中：H_i为第i层输出特征，X为输入样本数据，W_i ^c为第i层权重矩阵，

为第i层偏置向量，W_i ^l为第i层恒等映射矩阵，*表示卷积操作，F(·)为激活函数；

解码器将每个残差块得到的特征矩阵重构成与输入数据相同维度的矩阵：

式中：X′_i为第i层重构得到的特征矩阵，W_i ^d为第i层解码操作的权重矩阵，

为第i层重构的偏置向量；

重构过程的损失函数为：

L_recon＝∑L_{si_mse}(X^s,X′^s)+∑L_{si_mse}(X^t,X′^t)

式中：X^s为源域样本特征矩阵，X′^s为重构后的源域样本特征矩阵，X^t目标域样本特征矩阵，X′^t重构后的目标域样本特征矩阵，a_ij、b_ij为矩阵A、B的元素，m、n为矩阵的行数和列数

通过全连接层将输出信号转变为特征向量：

h＝W_fx_f

式中，h为全连接层的输出的特征向量，W_f为全连接层的权重矩阵，x_f为全连接层的输入向量。

7.根据权利要求6所述的一种主轴轴承状态评估方法，其特征在于，使用随机梯度下降算法SGD优化特征提取器F、域分类器D、构建标签预测器C以及特征分离网络G的总损失，得到训练完成的主轴轴承状态评估模型；优化目标函数为：

Loss＝L_similarity+L_diference+L_recon+L_classify-λL_domain。

8.一种主轴轴承状态评估系统，其特征在于，包括：

预处理模块，用于将主轴轴承径向原始振动信号数据按时间序列分割成子样本信号，将子样本信号中未知故障类型数据划分为目标域数据，将子样本信号中已知故障类型数据划分为源域数据；

训练集划分模块，用于将源域数据和目标域数据采用小波变换方法得到低频时频谱信号，并对低频时频谱信号进行归一化处理得到归一化处理后的子样本数据，对归一化处理后的子样本数据中的源域数据以one-hot编码形式添加相应的健康状态标记，将归一化处理后的子样本数据中的目标域数据以及标记后的源域数据划分为训练集；

主轴轴承状态预测模块，根据训练集中提取的源域数据和目标域数据的特征进行预训练，将采集到主轴轴承状态监控数据进行状态评估输出评估结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

Images