CN113567130A - 基于设备多工况的轴承故障诊断方法 - Google Patents

基于设备多工况的轴承故障诊断方法 Download PDF

Info

Publication number
CN113567130A
CN113567130A CN202110858018.5A CN202110858018A CN113567130A CN 113567130 A CN113567130 A CN 113567130A CN 202110858018 A CN202110858018 A CN 202110858018A CN 113567130 A CN113567130 A CN 113567130A
Authority
CN
China
Prior art keywords
domain
target domain
neural network
convolutional neural
fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110858018.5A
Other languages
English (en)
Inventor
吴定会
祝志超
张娟
唐丹丹
沈艳霞
潘庭龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202110858018.5A priority Critical patent/CN113567130A/zh
Publication of CN113567130A publication Critical patent/CN113567130A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提出一种基于设备多工况的轴承故障诊断方法。首先,通过加速度传感器采集轴承设备在不同工况下的振动信号,并划分为源域和目标域。其次,建立加权域适应卷积神经网络(Weighted Domain Adaption Convolutional Neural Network,WDACNN),网络中包括数据处理、特征提取和故障识别三个模块,在数据处理模块进行数据切割及小波包变换,在特征提取模块采用加权最大均值差异提取域不变特征,在故障识别模块对域特征进行分类。然后,将源域和目标域数据输入到卷积神经网络进行训练。训练完成后,将目标域数据输入到卷积神经网络中进行故障分类。该方法能够减小源域和目标域特征分布的差异，并降低跨域类不平衡的影响，因此，在多工况条件下该方法有望比其他迁移学习方法获得更高的诊断精度。

Description

基于设备多工况的轴承故障诊断方法
技术领域
本发明属于机械设备故障诊断领域,尤其涉及一种基于设备多工况的轴承故障诊断方法。
背景技术
近年来，深度学习方法在故障诊断中得到广泛应用，如卷积神经网络、深度信念网络、长短期记忆、自动编码器等，深度学习方法可以自动提取振动信号的深层次特征，增强非线性表达能力和泛化能力。然而，深度学习方法只有在训练集和测试集具有相同特征分布时才能达到令人满意的效果。但是实际生产应用中轴承设备工况经常变化,导致轴承振动信号的特征分布产生偏差，从而对故障诊断的精度造成一定影响。
迁移学习是解决这一问题的可靠方法。迁移学习包含分别来自源域和目标域的两个不同但相关的数据集,其主要目标是将源域的知识应用到目标领域，并提高目标域预测模型的分类性能。为了实现这一目标，基于深度迁移学习的方法被广泛地应用于各种迁移任务中。这些方法被用于提取域不变特征，并减少源域和目标域之间的特征分布的差异。
目前，已有大量的研究采用迁移学习对机械设备进行故障诊断[1,2,3]，这些方法大多使用最大均值差异作为衡量域特征分布差异的方法，并通过在训练过程中最小化最大均值差异来学习域特征。然而，基于最大均值差异的迁移学习方法忽略了源域和目标域类先验分布的变化(即跨域类的不平衡)，导致域特征学习效果变差,从而影响目标域的故障诊断精度。由于旋转机械工况的频繁变化，轴承故障特征中普遍存在跨域类不平衡问题。因此，在进行设备多工况故障诊断时，应考虑跨域类不平衡的影响。
[1]袁壮,董瑞,张来斌,段礼祥.深度领域自适应及其在跨工况故障诊断中的应用[J].振动与冲击,2020,39(12):281-288.
[2]童靳于,章青,夏晓舟,郑近德,潘海洋.一种基于领域自适应的跨工况滚动轴承故障诊断新方法[J].固体力学学报,2021,42(03):267-276.
[3]党纲,阎高伟,闫飞,陈泽华.基于联合均值差异匹配的域适应故障诊断方法[J].南京理工大学学报,2020，44(03):340-347.
发明内容
针对现有技术中的不足，本发明的目的在于提供一种基于设备多工况的轴承故障诊断方法，针对多工况轴承故障诊断中存在的跨域类不平衡的问题，减小源域和目标域的特征分布差异，并降低跨域类不平衡的影响，最终采用一个softmax分类器对学习到的域特征进行分类,实现目标域轴承的故障诊断。
为实现上述目的，本发明通过以下技术方案来实现。
本发明的基于设备多工况的轴承故障诊断方法包括以下步骤：
步骤1:利用加速度传感器分别采集轴承设备在第一种工况下的第一振动信号以及第二种工况下的第二振动信号,第一振动信号为源域,源域数据对应的故障类型已知,第二振动信号为目标域,目标域数据对应的故障类型未知；所述故障类型包括：正常、外圈故障、内圈故障、滚动体故障；
步骤2:建立加权域适应卷积神经网络,该卷积神经网络中包括3个模块,分别为数据处理模块、特征提取模块、故障识别模块；
步骤3:将步骤1的全部源域数据和部分目标域数据作为训练集,输入到步骤2所述的加权域适应卷积神经网络中进行训练；
步骤4:将剩余的目标域数据作为测试集,输入到训练好的卷积神经网络中,进行目标域轴承的故障诊断，输出目标域数据对应的故障类型。
具体的，步骤1中采集轴承第一振动信号和第二振动信号的方法为:分别在第一种工况和第二种工况下,通过布置在电机驱动端的加速度传感器采集轴承在正常、外圈故障、内圈故障、滚动体故障这4种故障状态下的振动信号；其中第一种工况下采集到的振动信号的集合称为第一振动信号，第二种工况下采集到的振动信号的集合称为第二振动信号。
具体的，所述加速度传感器的采样频率为12KHz～50KHz。
具体的，步骤1中所述的源域Ds和目标域Dt分别表示为：
Figure BDA0003184777570000021
Figure BDA0003184777570000022
其中,
Figure BDA0003184777570000023
表示源域中第i个样本数据,
Figure BDA0003184777570000024
表示源域中第i个样本的真实标签,标签分别对应轴承的4种故障状态：正常、外圈故障、内圈故障和滚动体故障；ns表示源域的样本数量，
Figure BDA0003184777570000025
表示目标域中第j个样本数据,nt表示目标域的样本数量。
具体的，步骤2所述数据处理模块将步骤1采集到的振动信号切割为长度，即采样点个数，为L的序列；然后，采用小波包变换对切割好的振动数据进行处理，处理完成后每一条振动数据分解为若干个频带，在每个频带中，都有一系列的小波包系数；假设小波包分解的深度为d,则分解后可得到2d条频带，每个频带上的小波系数个数为L/2d，将所有频带上的小波包系数组成小波包系数矩阵，作为卷积神经网络的输入。
为了确保样本数据包含足够的特征信息，切割后的序列长度
Figure BDA0003184777570000026
其中，f表示加速度传感器的采样频率，ω表示轴承每秒钟旋转的圈数。
具体的，步骤2中，所述特征提取模块用于学习源域和目标域的域不变特征，其中引入辅助权重因子对源域样本进行加权,以匹配目标域样本的类权重,然后采用加权最大均值差异度量源域和目标域的特征分布差异,通过最小化加权最大均值差异,使卷积神经网络能够有效解决跨域类不平衡问题。
所述加权最大均值差异是将目标域样本特征和加权后的源域样本特征代入到最大均值差异的经验估计公式中计算得到。所述故障识别模块中,使用softmax分类器对学习到的特征进行分类,从而判断出目标域的故障类型。
具体的，步骤3中，加权域适应卷积神经网络的训练过程包括以下步骤:
3.1:在前向传播阶段,首先固定卷积神经网络的参数,将带标签的源域样本和不带标签的目标域样本同时输入到卷积神经网络,分别得到第二层卷积层的源域输出
Figure BDA0003184777570000027
和目标域输出
Figure BDA0003184777570000031
同时,通过softmax分类器的输出获取输入样本的后验概率以及预测标签；
3.2:在获取输入样本的后验概率后,计算该样本的辅助权重因子αc，c＝0,1,2,3表示样本标签，公式为：
Figure BDA0003184777570000032
其中，ns表示源域样本数量,nt表示目标域的样本数量,
Figure BDA0003184777570000033
表示真实标签为c的源域样本数量，
Figure BDA0003184777570000034
表示目标域样本
Figure BDA0003184777570000035
预测标签为c的概率；
3.3:根据源域样本的真实标签和预测标签,计算源域样本的分类损失,源域的分类损失
Figure BDA0003184777570000036
表示为:
Figure BDA0003184777570000037
其中,
Figure BDA0003184777570000038
表示源域样本的指示变量，当样本真实标签为c时,
Figure BDA0003184777570000039
当样本真实标签为其它时,
Figure BDA00031847775700000310
表示源域中第i个样本预测标签为c的概率；
3.4:根据3.1中获取的第二层卷积层的输出和3.2中获取的辅助权重因子,计算源域和目标域的加权最大均值差异,作为特征分布差异的损失
Figure BDA00031847775700000311
用公式表示为:
Figure BDA00031847775700000312
其中,
Figure BDA00031847775700000313
表示源域样本
Figure BDA00031847775700000314
对应的辅助权重因子,
Figure BDA00031847775700000315
表示该样本在卷积神经网络第2层全连接层的输出,
Figure BDA00031847775700000316
表示目域样本
Figure BDA00031847775700000317
在卷积神经网络第2层全连接层的输出,
Figure BDA00031847775700000318
和
Figure BDA00031847775700000319
分别表示
Figure BDA00031847775700000320
和
Figure BDA00031847775700000321
的高斯核映射,
Figure BDA00031847775700000322
表示再生核希尔伯特空间；
3.5:根据3.1中计算得到的目标域样本的预测标签对目标域样本进行聚类,聚类损失
Figure BDA00031847775700000323
用公式表示为:
Figure BDA00031847775700000324
其中,
Figure BDA00031847775700000325
表示预测标签为c的目标域样本
Figure BDA00031847775700000326
在卷积神经网络第2层全连接层的输出,
Figure BDA00031847775700000327
表示预测标签为c的目标域样本
Figure BDA00031847775700000328
在卷积神经网络第2层全连接层的输出；
3.6:将3.3～3.5中计算得到的3个损失函数合并,得到卷积神经网络的总损失函数,合并后的公式如下:
Figure BDA00031847775700000329
其中,λ和γ分别表示
Figure BDA00031847775700000330
和
Figure BDA00031847775700000331
对应的权衡参数；
3.7:在反向传播中，使用小批量随机梯度下降算法更新卷积神经网络参数；
3.8:重复进行3.1～3.7，当训练次数大于设定的最大训练次数时，卷积神经网络训练完成。
本发明的有益效果如下:
本发明采用加权域适应卷积神经网络实现轴承设备在不同工况下的故障诊断。由于在多种工况下采集到的轴承振动信号特征分布存在差异，并且源域和目标域中的振动信号存在跨域类不平衡问题，采用普通的域适应深层网络进行故障诊断会影响泛化能力，从而降低轴承的故障诊断精度。本发明提出了加权域适应卷积神经网络进行故障诊断，首先在网络前向传播过程中构建了基于加权最大均值差异的损失项,以及基于目标域聚类的损失项。前者引入辅助权重因子对源域中的每个类进行加权，使加权后的源域和目标域共享相同的类权重,从而降低了跨域类不平衡的影响。后者对目标域中的具有相同预测标签的样本进行聚类,进一步提升了卷积神经网络的分类能力。因此,本发明中的方法比基于最大均值差异的迁移学习故障诊断方法具有更高的诊断精度。
附图说明
图1是跨域类不平衡问题的辅助分析图。
图2是本发明提出的基于设备多工况的轴承故障诊断方法流程图。
图3是加权域适应卷积神经网络的框架。
图4是加权域适应卷积神经网络训练流程图。
图5是4种对比方法基于t-SNE的特征可视化图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供了一种基于设备多工况的轴承故障诊断方法。针对多工况轴承故障诊断中存在的跨域类不平衡的问题，本发明在卷积神经网络的前向传播过程中引入辅助权重因子,对源域中每一个样本进行加权,以此来匹配目标域样本的类权重,并构造了基于加权最大均值差异的域差异损失项,同时对目标域中具有相同预测标签的样本进行了聚类,建立起目标域聚类损失项。在后向传播过程中,通过最小化各损失项的组合,对网络参数进行优化,使训练好的加权域适应卷积神经网络能够减小源域和目标域的特征分布差异，并降低跨域类不平衡的影响。最终采用一个softmax分类器对学习到的域特征进行分类,实现目标域轴承的故障诊断。
对于本领域技术人员而言,源域和目标域是迁移学习中两个基本的概念。在迁移学习中,源域和目标域是两个不同但相关的数据集,其中源域样本标签已知,目标域样本标签未知。而迁移学习的主要目标是将源域的知识应用到目标域,解决目标域中的任务,这种迁移学习方法也被称为域适应。具体到本发明的应用环境中,源域是指在某种工况下采集到的轴承振动信号以及振动信号对应的故障状态的集合,目标域是指另一种工况下采集到的相同规格的轴承的振动信号的集合。通过本实例提供的方法,可以将源域中轴承的故障信息迁移到目标域中,获取目标域的预测标签,从而实现目标域轴承的故障诊断。
为了更好地理解本发明方法的优点,此处结合图1对跨域类不平衡问题进行分析。可以看出,图1中源域Ds和目标域Dt中每一类样本的先验分布(即类权重)不相等。具体的,图1(a)部分未采用迁移学习策略进行分类,源域和目标域的特征分布没有实现对齐,导致目标域中有大量的误分类的样本。图1(b)部分采用了迁移学习算法,该算法采用了最大均值差异度量源域和目标域的特征分布差异,最大均值差异的经验估计公式如下:
Figure BDA0003184777570000051
其中ns和nt分别表示源域和目标域的样本数量,
Figure BDA0003184777570000052
表示源域中第i个样本数据,
Figure BDA0003184777570000053
分别表示目标域中第j个样本数据,
Figure BDA0003184777570000054
和
Figure BDA0003184777570000055
分别表示
Figure BDA0003184777570000056
和
Figure BDA0003184777570000057
的高斯核映射,
Figure BDA0003184777570000058
表示再生核希尔伯特空间。
虽然图1(b)部分采用了迁移学习算法,但是由于没有考虑到源域和目标域中样本的类权重的变化,即跨域类不平衡问题,导致分类效果仍然不是十分理想。图1(c)部分采用基于加权域适应的迁移学习方法,该算法采用了加权最大均值差异度量源域和目标域的特征分布差异,加权最大均值差异的经验估计公式如下:
Figure BDA0003184777570000059
其中,
Figure BDA00031847775700000510
表示源域中样本
Figure BDA00031847775700000511
的真实标签，
Figure BDA00031847775700000512
表示样本
Figure BDA00031847775700000513
的辅助权重因子。可以看出,该方算法在原始的迁移学习方法中采用辅助权重因子对目标域类权重进行了匹配,降低了跨域类不平衡的影响,从而提升了目标域的分类效果。
以下详细描述本发明的具体实现。
如图2所示，本发明的多工况轴承故障诊断方法包括如下步骤：
步骤1:利用加速度传感器分别采集轴承设备在两种不同工况下的振动信号,分别标记为第一振动信号和第二振动信号,其中第一振动信号对应的故障类型已知,将其划分为源域,第二振动信号对应的故障类型未知,将其划分为目标域。
该步骤所述的源域Ds用公式表示为：
Figure BDA00031847775700000514
所述的目标域Dt用公式表示为:
Figure BDA00031847775700000515
其中,
Figure BDA00031847775700000516
表示源域中第i个样本数据,
Figure BDA00031847775700000517
表示源域中第i个样本的真实标签。ns表示源域的样本数量。
Figure BDA00031847775700000518
表示目标域中第j个样本数据,nt表示目标域的样本数量。
该步骤所述轴承故障类型包括正常、外圈故障、内圈故障以及滚动体故障。
该步骤所述的第一振动信号和第二振动信号可以理解为电机轴承在运行过程中产生的振动加速度信号,通过振动信号可以识别出轴承设备的故障类型。
分别在第一种工况和第二种工况下,通过布置在电机驱动端的加速度传感器采集轴承在正常、外圈故障、内圈故障、滚动体故障这4种故障状态下的振动信号，加速度传感器的采样频率为12KHz～50KHz；其中第一种工况下采集到的振动信号的集合称为第一振动信号，第二种工况下采集到的振动信号的集合称为第二振动信号。
步骤2:建立如图3所示的加权域适应卷积神经网络,图中C表示卷积层，P表示池化层，FC表示连接层，
Figure BDA00031847775700000519
表示源域在FC2的输出，
Figure BDA00031847775700000520
表示目标域在FC2的输出，
Figure BDA00031847775700000521
表示源域样本的预测标签，
Figure BDA0003184777570000061
表示目标域样本的预测标签。该网络包括3个模块,分别为数据处理模块1、特征提取模块2、故障识别模块3。
所述数据处理模块1中需要对数据作如下处理:
首先，将步骤1采集到的振动信号切割为长度(采样点个数)为L的序列。为了确保样本数据包含足够的特征信息,切割后的序列长度
Figure BDA0003184777570000062
其中，f表示加速度传感器的采样频率，ω表示轴承每秒钟旋转的圈数。然后,采用小波包变换对切割好的振动数据进行处理,处理完成后每一条振动数据分解为若干个频带，在每个频带中，都有一系列的小波包系数。假设小波包分解的深度为d,则分解后可得到2d条频带,每个频带上的小波系数个数为L/2d,将所有频带上的小波包系数组成小波包系数矩阵,作为卷积神经网络的输入。
所述的特征提取模块2主要用于提取域不变特征。为了降低跨域类不平衡产生的影响，在该模块中采用辅助权重因子，将卷积神经网络全连接层输出的源域样本特征按照目标域样本的类权重进行加权，然后将目标域样本特征和加权后的源域样本特征代入到最大均值差异的经验估计公式中进行计算,得到加权最大均值差异。然后只需要对网络进行训练，就可以逐渐减小域间的加权最大均值差异,并使得域间的特征分布逐渐对齐，从而学习到域不变特征。
在故障识别模块3中,使用softmax分类器对学习到的域不变特征进行分类,实现目标域的故障诊断。
步骤3:将全部源域数据和部分(如50％)目标域数据作为训练集,输入到步骤2所述的加权域适应卷积神经网络进行训练。
如图4所示,加权域适应卷积神经网络的训练过程包括以下步骤:
3.1:在前向传播阶段,首先固定卷积神经网络的参数,将带标签的源域样本和不带标签的目标域样本同时输入到卷积神经网络,分别得到第二层卷积层的源域输出
Figure BDA0003184777570000063
和目标域输出
Figure BDA0003184777570000064
同时,通过softmax的输出获取输入样本的后验概率以及预测标签。
3.2:在获取输入样本的后验概率后,计算该样本的辅助权重因子αc(c＝0,1,2,3表示样本标签),公式为：
Figure BDA0003184777570000065
其中，ns表示源域样本数量,nt表示目标域的样本数量,
Figure BDA0003184777570000066
表示真实标签为c的源域样本数量,
Figure BDA0003184777570000067
表示目标域样本
Figure BDA0003184777570000068
预测标签为c的概率。
3.3:根据源域样本的真实标签和预测标签,计算源域样本的分类损失,源域的分类损失
Figure BDA0003184777570000069
表示为:
Figure BDA00031847775700000610
其中,
Figure BDA00031847775700000611
表示源域样本的指示变量，当样本真实标签为c时，
Figure BDA00031847775700000612
当样本真实标签为其它时,
Figure BDA0003184777570000071
表示源域中第i个样本预测标签为c的概率。
3.4:根据3.1中获取的第二层卷积层的输出和3.2中获取的辅助权重因子,计算源域和目标域的加权最大均值差异,作为特征分布差异的损失
Figure BDA0003184777570000072
用公式表示为:
Figure BDA0003184777570000073
其中,
Figure BDA0003184777570000074
表示源域样本
Figure BDA0003184777570000075
对应的辅助权重因子,
Figure BDA0003184777570000076
表示该样本在卷积神经网络第2层全连接层的输出,
Figure BDA0003184777570000077
表示目域样本
Figure BDA0003184777570000078
在卷积神经网络第2层全连接层的输出,
Figure BDA0003184777570000079
和
Figure BDA00031847775700000710
分别表示
Figure BDA00031847775700000711
和
Figure BDA00031847775700000712
的高斯核映射，
Figure BDA00031847775700000713
表示再生核希尔伯特空间。
3.5:根据3.1中计算得到的目标域样本的预测标签对目标域样本进行聚类,聚类损失
Figure BDA00031847775700000714
用公式表示为:
Figure BDA00031847775700000715
其中,
Figure BDA00031847775700000716
表示预测标签为c的目标域样本
Figure BDA00031847775700000717
在卷积神经网络第2层全连接层的输出,
Figure BDA00031847775700000718
表示预测标签为c的目标域样本
Figure BDA00031847775700000719
在卷积神经网络第2层全连接层的输出。
3.6:将3.3～3.5中计算得到的3个损失函数合并,得到卷积神经网络的总损失函数,合并后的公式如下:
Figure BDA00031847775700000720
其中,λ和γ分别表示
Figure BDA00031847775700000721
和
Figure BDA00031847775700000722
对应的权衡参数。
3.7:在反向传播中,使用小批量随机梯度下降算法更新卷积神经网络参数。
3.8:重复进行3.1～3.7,,当训练次数大于设置的最大训练次数，比如2000时,卷积神经网络训练完成。
步骤4:将剩余的目标域数据作为测试集,输入到训练好的卷积神经网络中,进行目标域轴承的故障诊断，输出目标域数据对应的故障类型。
以下对通过实验验证本发明的技术效果。
1数据描述。
试验台由2马力电机、扭矩传感器、测力机和相关控制电子设备组成，试验轴承支撑试验台。试验台通过安装在12kHz频率的加速度计收集振动数据。为了获得轴承故障数据，人为地将单一故障点引入轴承内圈、外圈和滚动体中。每个单个故障点的故障直径分为0.007英寸、0.014英寸和0.021英寸，表示不同的故障严重程度。本实施例选取3种不同载荷(1HP,2HP,3HP)下运行的电机轴承驱动端的振动数据作为数据集。这3个载荷被视为3种工况。3种工况下的数据集分别标记为A、B、C。实验对故障严重程度不敏感。因此，每个数据集都包含四种轴承故障状态，即正常(N)、外圈故障(OF)、内圈故障(IF)、滚动体故障(BF)。样本长度为1024。
2实验设置。
本实例中评估了6组迁移实验:A→B、A→C、B→A、B→C、C→A和C→B。其中，箭头的左侧表示源域，而箭头的右侧表示目标域。源域中的N、OF、IF、BF样本数分别为60、60、60、60，目标域中的样本数分别为120、100、80、60。为了符合无监督迁移学习任务的典型评估协议，每组任务使用100％源域样本和50％目标域样本作为训练集，利用目标域其余50％样本测试网络的故障诊断性能。每组迁移实验的信息如下表1所示。
表1
Figure BDA0003184777570000081
为了进一步验证本发明提出的方法WDACNN的有效性，将本发明与以下的3种故障诊断方法进行对比。这些方法的信息如下：(1)卷积神经网络(Convolutional NeuralNetwork,CNN),没有采用迁移学习策略，仅使用源域来训练CNN，然后将训练后的模型直接应用于目标域；(2)深度卷积迁移学习网络(Deep Convolutional Transfer LearningNetwork,DCTLN)，采用最小化最大均值差异的迁移学习策略来学习域不变特征。(3)基于特征的转移神经网络(Feature based Transfer Neural Network,FTNN),采用了多层次的域自适应迁移学习策略来学习域特征。为了确保实验的公平性,所有方法的超参数设置相同,并且采用相同的数据集。
3结果分析。
表2
方法 A→B A→C B→A B→C C→A C→B 平均值
CNN 92.14％ 86％ 90.13％ 84.5％ 82.5％ 87.33％ 87.07％
DCTLN 95.83％ 90.13％ 90.83％ 92.33％ 92.83％ 90.33％ 92.05％
FTNN 95.56％ 90.83％ 92.67％ 89.53％ 86.53％ 89.58％ 90.75％
WDACNN 99.17％ 94％ 97.17％ 98.72％ 90.83％ 92.14％ 95.32％
表2显示了WDACNN和其他三种方法的比较结果。可以看出，在多数迁移实验中，WDACNN具有较高的故障诊断精度。6组转移故障诊断实验的平均准确率达到95.32％，优于其他方法。
为了直观地揭示源域与目标域之间特征分布的对齐情况，引入了t分布随机邻域嵌入(t-SNE)，将高维特征映射到二维空间中进行可视化。以迁移实验B→C为例，映射结果如图5所示，其中坐标轴component 1和component 2分别表示经t-SNE映射后的特征分量,图例中source和target分别表示源域和目标域,BF,OF,IF,N分别表示四中故障类型,例如source_BF表示源域中滚动体故障数据。5(a)-(d)分别对应于CNN、DCTLN、FTNN和WDACNN的特征可视化图。从图5(d)可以看出,相比于其它的轴承故障诊断方法,采用了本发明提出的WDACNN之后,源域和目标域的特征分布对齐效果达到最佳，这是因为WDACNN采用的加权最大均值差异算法克服了跨域类不平衡的影响，使深层网络学习到更多的域不变特征。

Claims (10)

1.基于设备多工况的轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1:利用加速度传感器分别采集轴承设备在第一种工况下的第一振动信号以及第二种工况下的第二振动信号，第一振动信号为源域,源域数据对应的故障类型已知，第二振动信号为目标域,目标域数据对应的故障类型未知；所述故障类型包括：正常、外圈故障、内圈故障、滚动体故障；
步骤2:建立加权域适应卷积神经网络，该卷积神经网络中包括3个模块,分别为数据处理模块、特征提取模块、故障识别模块；
步骤3:将步骤1的全部源域数据和部分目标域数据作为训练集，输入到步骤2所述的加权域适应卷积神经网络中进行训练；
步骤4:将剩余的目标域数据作为测试集,输入到训练好的卷积神经网络中,进行目标域轴承的故障诊断，输出目标域数据对应的故障类型。
2.如权利要求1所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤1中采集轴承第一振动信号和第二振动信号的方法为:分别在第一种工况和第二种工况下，通过布置在电机驱动端的加速度传感器采集轴承在正常、外圈故障、内圈故障、滚动体故障这4种故障状态下的振动信号；其中第一种工况下采集到的振动信号的集合称为第一振动信号，第二种工况下采集到的振动信号的集合称为第二振动信号。
3.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述加速度传感器的采样频率为12KHz～50KHz。
4.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤1中所述的源域Ds和目标域Dt分别表示为：
Figure FDA0003184777560000011
Figure FDA0003184777560000012
其中,
Figure FDA0003184777560000013
表示源域中第i个样本数据,
Figure FDA0003184777560000014
表示源域中第i个样本的真实标签,标签分别对应轴承的4种故障状态：正常、外圈故障、内圈故障和滚动体故障；ns表示源域的样本数量，
Figure FDA0003184777560000015
表示目标域中第j个样本数据,nt表示目标域的样本数量。
5.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤2所述数据处理模块将步骤1采集到的振动信号切割为长度，即采样点个数，为L的序列；然后，采用小波包变换对切割好的振动数据进行处理，处理完成后每一条振动数据分解为若干个频带，在每个频带中，都有一系列的小波包系数；假设小波包分解的深度为d,则分解后可得到2d条频带，每个频带上的小波系数个数为L/2d，将所有频带上的小波包系数组成小波包系数矩阵，作为卷积神经网络的输入。
6.如权利要求5所述的基于设备多工况的轴承故障诊断方法，其特征在于，为了确保样本数据包含足够的特征信息，切割后的序列长度
Figure FDA0003184777560000016
其中，f表示加速度传感器的采样频率，ω表示轴承每秒钟旋转的圈数。
7.如权利要求5所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤2中，所述特征提取模块用于学习源域和目标域的域不变特征，其中引入辅助权重因子对源域样本进行加权,以匹配目标域样本的类权重,然后采用加权最大均值差异度量源域和目标域的特征分布差异,通过最小化加权最大均值差异,使卷积神经网络能够有效解决跨域类不平衡问题。
8.如权利要求7所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述加权最大均值差异是将目标域样本特征和加权后的源域样本特征代入到最大均值差异的经验估计公式中计算得到。
9.如权利要求7所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述故障识别模块中,使用softmax分类器对学习到的特征进行分类,从而判断出目标域的故障类型。
10.如权利要求9所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤3中，加权域适应卷积神经网络的训练过程包括以下步骤:
3.1:在前向传播阶段,首先固定卷积神经网络的参数,将带标签的源域样本和不带标签的目标域样本同时输入到卷积神经网络,分别得到第二层卷积层的源域输出
Figure FDA0003184777560000021
和目标域输出
Figure FDA0003184777560000022
同时,通过softmax分类器的输出获取输入样本的后验概率以及预测标签；
3.2:在获取输入样本的后验概率后,计算该样本的辅助权重因子αc，c＝0,1,2,3表示样本标签，公式为：
Figure FDA0003184777560000023
其中，ns表示源域样本数量,nt表示目标域的样本数量,
Figure FDA0003184777560000024
表示真实标签为c的源域样本数量，
Figure FDA0003184777560000025
表示目标域样本
Figure FDA0003184777560000026
预测标签为c的概率；
3.3:根据源域样本的真实标签和预测标签,计算源域样本的分类损失,源域的分类损失
Figure FDA0003184777560000027
表示为:
Figure FDA0003184777560000028
其中,
Figure FDA0003184777560000029
表示源域样本的指示变量，当样本真实标签为c时,
Figure FDA00031847775600000210
当样本真实标签为其它时,
Figure FDA00031847775600000211
Figure FDA00031847775600000212
表示源域中第i个样本预测标签为c的概率；
3.4:根据3.1中获取的第二层卷积层的输出和3.2中获取的辅助权重因子,计算源域和目标域的加权最大均值差异,作为特征分布差异的损失
Figure FDA00031847775600000213
用公式表示为:
Figure FDA00031847775600000214
其中，
Figure FDA00031847775600000215
表示源域样本
Figure FDA00031847775600000216
对应的辅助权重因子,
Figure FDA00031847775600000217
表示该样本在卷积神经网络第2层全连接层的输出,
Figure FDA00031847775600000218
表示目域样本
Figure FDA00031847775600000219
在卷积神经网络第2层全连接层的输出,
Figure FDA00031847775600000220
和
Figure FDA00031847775600000221
分别表示
Figure FDA00031847775600000222
和
Figure FDA00031847775600000223
的高斯核映射,
Figure FDA00031847775600000224
表示再生核希尔伯特空间；
3.5:根据3.1中计算得到的目标域样本的预测标签对目标域样本进行聚类,聚类损失
Figure FDA00031847775600000225
用公式表示为:
Figure FDA0003184777560000031
其中,
Figure FDA0003184777560000032
表示预测标签为c的目标域样本
Figure FDA0003184777560000033
在卷积神经网络第2层全连接层的输出,
Figure FDA0003184777560000034
表示预测标签为c的目标域样本
Figure FDA0003184777560000035
在卷积神经网络第2层全连接层的输出；
3.6:将3.3～3.5中计算得到的3个损失函数合并,得到卷积神经网络的总损失函数,合并后的公式如下:
Figure FDA0003184777560000036
其中,λ和γ分别表示
Figure FDA0003184777560000037
和
Figure FDA0003184777560000038
对应的权衡参数；
3.7:在反向传播中，使用小批量随机梯度下降算法更新卷积神经网络参数；
3.8:重复进行3.1～3.7，当训练次数大于设定的最大训练次数时，卷积神经网络训练完成。
CN202110858018.5A 2021-07-28 2021-07-28 基于设备多工况的轴承故障诊断方法 Pending CN113567130A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110858018.5A CN113567130A (zh) 2021-07-28 2021-07-28 基于设备多工况的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110858018.5A CN113567130A (zh) 2021-07-28 2021-07-28 基于设备多工况的轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN113567130A true CN113567130A (zh) 2021-10-29

Family

ID=78168569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110858018.5A Pending CN113567130A (zh) 2021-07-28 2021-07-28 基于设备多工况的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113567130A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
CN114492533A (zh) * 2022-01-30 2022-05-13 华中科技大学 一种变工况轴承故障诊断模型的构建方法及应用
CN114580239A (zh) * 2022-03-07 2022-06-03 合肥工业大学 一种考虑不确定性的桥梁损伤识别方法
CN114638060A (zh) * 2022-03-10 2022-06-17 重庆英科铸数网络科技有限公司 故障预测方法、系统、电子设备和计算机程序产品
CN114738389A (zh) * 2022-03-29 2022-07-12 南京航空航天大学 一种面向打滑诊断的智能轴承系统及打滑诊断预测方法
CN114838936A (zh) * 2022-04-13 2022-08-02 北京交通大学 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN114863117A (zh) * 2022-04-17 2022-08-05 北京化工大学 一种基于数据增强和加权域适应的开集故障诊断方法
CN115563553A (zh) * 2022-09-29 2023-01-03 南京理工大学 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
CN115758130A (zh) * 2022-09-30 2023-03-07 中国民用航空飞行学院 一种无监督迁移学习的滚动轴承故障诊断方法及系统
CN116226469A (zh) * 2023-05-09 2023-06-06 华南理工大学 一种储能设备故障的智能诊断方法及系统
CN116337447A (zh) * 2022-12-19 2023-06-27 苏州大学 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备
US11709979B1 (en) 2022-10-28 2023-07-25 Hefei University Of Technology Bridge damage identification method considering uncertainty
CN117216635A (zh) * 2023-09-12 2023-12-12 中国矿业大学 基于多领域自适应构造式增量网络的轴承故障诊断方法
CN117370851A (zh) * 2023-08-31 2024-01-09 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275175A (zh) * 2020-02-20 2020-06-12 腾讯科技（深圳）有限公司 神经网络训练方法、装置、图像分类方法、设备和介质
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112307950A (zh) * 2020-10-29 2021-02-02 重庆大学 Gis振动缺陷辨识的细节特征量提取及智能分析方法
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112665852A (zh) * 2020-11-30 2021-04-16 南京航空航天大学 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN113011523A (zh) * 2021-04-14 2021-06-22 中国矿业大学 一种基于分布对抗的无监督深度领域适应方法
CN113139664A (zh) * 2021-04-30 2021-07-20 中国科学院计算技术研究所 一种跨模态的迁移学习方法
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275175A (zh) * 2020-02-20 2020-06-12 腾讯科技（深圳）有限公司 神经网络训练方法、装置、图像分类方法、设备和介质
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112307950A (zh) * 2020-10-29 2021-02-02 重庆大学 Gis振动缺陷辨识的细节特征量提取及智能分析方法
CN112665852A (zh) * 2020-11-30 2021-04-16 南京航空航天大学 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN113011523A (zh) * 2021-04-14 2021-06-22 中国矿业大学 一种基于分布对抗的无监督深度领域适应方法
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统
CN113139664A (zh) * 2021-04-30 2021-07-20 中国科学院计算技术研究所 一种跨模态的迁移学习方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112399B (zh) * 2021-11-26 2022-12-02 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
CN114492533A (zh) * 2022-01-30 2022-05-13 华中科技大学 一种变工况轴承故障诊断模型的构建方法及应用
CN114580239A (zh) * 2022-03-07 2022-06-03 合肥工业大学 一种考虑不确定性的桥梁损伤识别方法
CN114580239B (zh) * 2022-03-07 2022-09-27 合肥工业大学 一种考虑不确定性的桥梁损伤识别方法
CN114638060B (zh) * 2022-03-10 2023-02-17 重庆英科铸数网络科技有限公司 故障预测方法、系统、电子设备
CN114638060A (zh) * 2022-03-10 2022-06-17 重庆英科铸数网络科技有限公司 故障预测方法、系统、电子设备和计算机程序产品
CN114738389A (zh) * 2022-03-29 2022-07-12 南京航空航天大学 一种面向打滑诊断的智能轴承系统及打滑诊断预测方法
CN114838936A (zh) * 2022-04-13 2022-08-02 北京交通大学 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN114863117A (zh) * 2022-04-17 2022-08-05 北京化工大学 一种基于数据增强和加权域适应的开集故障诊断方法
CN115563553A (zh) * 2022-09-29 2023-01-03 南京理工大学 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
CN115563553B (zh) * 2022-09-29 2023-03-31 南京理工大学 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
CN115758130A (zh) * 2022-09-30 2023-03-07 中国民用航空飞行学院 一种无监督迁移学习的滚动轴承故障诊断方法及系统
US11709979B1 (en) 2022-10-28 2023-07-25 Hefei University Of Technology Bridge damage identification method considering uncertainty
CN116337447A (zh) * 2022-12-19 2023-06-27 苏州大学 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备
CN116337447B (zh) * 2022-12-19 2024-07-19 苏州大学 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备
CN116226469A (zh) * 2023-05-09 2023-06-06 华南理工大学 一种储能设备故障的智能诊断方法及系统
CN116226469B (zh) * 2023-05-09 2023-08-08 华南理工大学 一种储能设备故障的智能诊断方法及系统
CN117370851A (zh) * 2023-08-31 2024-01-09 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法
CN117370851B (zh) * 2023-08-31 2024-04-16 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法
CN117216635A (zh) * 2023-09-12 2023-12-12 中国矿业大学 基于多领域自适应构造式增量网络的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN113567130A (zh) 基于设备多工况的轴承故障诊断方法
CN111964908B (zh) 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN109918752B (zh) 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110751207B (zh) 基于深度卷积域对抗迁移学习的故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN111709448A (zh) 一种基于迁移关系网络的机械故障诊断方法
CN110672343A (zh) 基于多注意力卷积神经网络的旋转机械故障诊断方法
CN109186964B (zh) 基于角度重采样与roc-svm的旋转机械故障诊断方法
CN113375941A (zh) 高速动车组轴承的开集故障诊断方法
CN115563536A (zh) 基于子域自适应的滚动轴承故障诊断方法
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN114564987B (zh) 一种基于图数据的旋转机械故障诊断方法及系统
CN112763215B (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN115688040A (zh) 一种机械设备故障诊断方法、装置、设备及可读存储介质
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
CN114548152A (zh) 一种基于迁移学习的船用滑动轴承剩余寿命预测方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113076920A (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211029