CN114970620B - 一种跨设备的滚动轴承故障靶向迁移诊断方法 - Google Patents

Abstract

一种跨设备的滚动轴承故障靶向迁移诊断方法，首先获取利用残差连接的参数共享特征提取模块提取源滚动轴承和目标滚动轴承监测样本中的深层次故障特征；然后构建锚点聚类模块，获取目标域待诊断样本与锚点样本在特征空间中的分布与聚集关系；再构建特征靶向适配模块，使得样本在适配过程中沿设定路径进行适配；最后结合源样本分类损失、目标样本聚类损失和源‑目标样本特征的联合分布差异构建目标函数训练靶向迁移诊断模型；训练所得到的靶向迁移诊断模型能够有效克服实际情况下源域、目标域轴承数据分布差显著的不利影响，实现了上述条件下跨设备的滚动轴承靶向迁移诊断，显著提高了迁移诊断模型的诊断精度和鲁棒性。

Description

一种跨设备的滚动轴承故障靶向迁移诊断方法

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种跨设备的滚动轴承故障靶向迁移诊断方法。

背景技术

滚动轴承是机械设备的关键零部件之一，其健康状态直接影响整个设备的运行，严重情况下将造成重大经济损失，因此，对轴承的健康状态进行准确识别尤为重要。滚动轴承智能诊断方法极大地降低了故障诊断对专家经验知识的依赖，提高了故障诊断的智能化水平以及诊断精度。智能诊断模型往往需要大量带标记样本进行训练，然而，当带标记样本稀缺且故障信息不完备时，现有智能诊断方法性能欠佳。滚动轴承迁移诊断方法，能够利用源域轴承中的诊断知识解决目标域轴承的诊断问题，可望克服标记数据稀缺且故障信息不完备的智能诊断应用难题。

现有的滚动轴承迁移诊断方法([1]Wang X,Shen C,Xia M,et al.Multi-scaledeep intra-class transfer learning for bearing fault diagnosis[J].ReliabilityEngineering&System Safety,2020,202:107050；[2]Chen C,Shen F,Xu J,et al.Domainadaptation-based transfer learning for gear fault diagnosis under varyingworking conditions[J].IEEE Transactions on Instrumentation and Measurement,2020,70:1-10；[3]Wen L,Gao L,Li X.A new deep transfer learning based on sparseauto-encoder for fault diagnosis[J].IEEE Transactions on systems,man,andcybernetics:systems,2017,49(1):136-144.)大多关注并解决同一设备不同工况下滚动轴承的迁移诊断问题，其中，源域与目标域轴承的监测数据分布差异较小。而在工程实际中，跨设备的滚动轴承迁移诊断应用范围及前景更加广泛，同时难度更高。受到测试环境、设备机械结构、轴承型号不一致等因素的影响，不同设备中轴承监测数据的条件分布差异显著，且不同设备中轴承在服役过程中所能发生的故障类型不完全一致。因此，受到实际情况下源域、目标域轴承数据显著的分布差异影响，现有的滚动轴承迁移诊断方法针对跨设备的滚动轴承迁移诊断，存在诊断精度不高、鲁棒性差等问题。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提出一种跨设备的滚动轴承故障靶向迁移诊断方法，提高跨设备条件下故障迁移诊断的诊断精度和鲁棒性。

为达到上述目的，本发明采取的技术方案为：

一种跨设备的滚动轴承故障靶向迁移诊断方法，包括以下步骤：

步骤1：获取待诊断设备A上的目标域滚动轴承振动信号样本集获取设备B上的源域滚动轴承振动信号样本集/>其中，/>为待诊断的无标记样本集，共有N_a个样本，/>为第i个待诊断的无标记样本，为N_b个带有标记的样本集合，将这些样本定义为锚点，/>为第j个锚点样本，为第j个锚点样本的标记，Y^T为锚点样的标记空间；源域样本集由M_S个样本构成，/>为第m个源域样本，/>表示第m个样本的标记，共有R种，Y^S为锚点样的标记空间，并且/>

步骤2：构建残差连接的参数共享特征提取模块，同时从提取源域轴承样本集与目标域轴承样本集/>中提取深度故障特征，并将提取的特征/>作为特征提取模块的输出，特征提取过程如下公式：

式中，f为样本x经过特征提取模块后的输出，为特征提取模块操作函数，θ_Feature为特征提取模块中待优化参数集合；

步骤3：利用Softmax函数对源域轴承样本的特征进行标签预测，得到源域轴承样本特征/>属于第r种健康状态的预测概率为：

式中：W和b分别为权重矩阵和偏置项；再计算源域数据的预测标记与真实标记之间的误差：

式中：N为批量输入样本数，I{·}为指示函数；

步骤4：构建锚点聚类模块，利用目标域轴承样本的特征建立多元高斯混合模型，其中多元高斯混合模型的聚类数为锚点样本的类别数；

步骤5：计算目标域中待诊断样本和锚点样本间的关系矩阵具体形式如下：

其中，若第i个待诊断样本与第j个锚点样本同簇，a_ij＝1，反之，则a_ij＝0；再计算聚类损失，具体如下公式：

式中，γ为尺度因子，ε为不同簇之间的间隔大小；

步骤6：构建特征靶向适配模块，用以缩小源域和目标域特征样本分布差异；

步骤7：基于Adam优化算法，更新残差连接的参数共享特征提取模块中参数集合θ_Feature，以最小化如下目标函数：

式中，α(n)和μ(n)为正则系数，分别控制锚点聚类和特征靶向适配在模型优化过程中的权重，并符合2q/[1+exp(-kn)]-q的变化规律，其中n＝1,2,…为模型迭代次数，q为正则系数的上限，k控制正则系数的变化率；

步骤8：重复依次执行步骤2至步骤7迭代优化残差连接的参数共享特征提取模块，待模型迭代训练完成后，再将目标域待诊断样本集输入，残差连接的参数共享特征提取模块的输出所对应的健康状态即为预测健康状态。

所述的步骤2构建残差连接的参数共享特征提取模块具体过程如下：

2.1)构建特征输入层，其结构依次为宽核卷积层、线性整流函数激活层和最大池化层；

2.2)构建残差单元，并堆叠z个；

2.3)在残差单元之后，经过平铺层将提取到的深度故障特征平铺成一维向量，并进行单位化处理，将特征映射至单位超球面上。

所述的步骤6构建特征靶向适配模块具体过程如下：

6.1)利用源域样本与目标域中锚点样本标记间的对应关系，构造靶向矩阵具体形式如下：

其中，若第m个源域样本与第j个锚点样本标记一致，b_mj＝1，反之，则b_mj＝0；

6.2)借助目标域中待诊断样本和锚点样本间的关系矩阵Λ与靶向矩阵B设定目标域待诊断样本的适配路径，具体如下公式：

式中，表示目标域中第i个待诊断样本向源域第m个样本的适配路径，λ∈[0,1]为平衡样本适配过程中克服边缘分布差异与条件分布差异的距离成本的变量；

6.3)借助最优传输理论计算使目标域待诊断样本向源域样本移动代价最小的转换矩阵O^T→S，并以此计算源域与目标域样本特征的分布差异，具体如下公式：

式中，括号内为目标域中第i个待诊断样本向源域第m个样本的适配路径为移动代价最小情况下目标域中第i个待诊断样本向源域第m个样本转换的权值，O^*T→S为移动代价最小情况下的转换矩阵，通过如下方式求解：

该式服从约束条件：其中u_m与v_i分别为取第m个源域样本与第i个目标域待诊断样本的概率，对于任意m∈{1,2,…M_S},i∈{1,2,…N_a}，其值初始化为u_m＝1/M_S,v_i＝1/N_a。

本发明的有益效果为：

本发明提出了一种跨设备的滚动轴承故障靶向迁移诊断方法，该方法构建残差连接的参数共享特征提取模块获取数据中深度故障特征，分别构建目标域中待诊断特征和锚点特征间的关系矩阵与靶向矩阵，再结合最优传输理论规划样本适配轨迹，从而实现了跨设备的滚动轴承靶向迁移诊断。本发明克服了实际情况下源域、目标域数据分布差异显著的问题，最终提高了迁移诊断模型的诊断精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

参照图1，一种跨设备的滚动轴承故障靶向迁移诊断方法，包括以下步骤：

步骤1：获取待诊断设备A上的目标域滚动轴承振动信号样本集获取设备B上的源域滚动轴承振动信号样本集/>其中，/>为待诊断的无标记样本集，共有N_a个样本，/>为第i个待诊断的无标记样本，为N_b个带有标记的样本集合，将这些样本定义为锚点，/>为第j个锚点样本，为第j个锚点样本的标记，Y^T为锚点样的标记空间；源域样本集由M_S个样本构成，为第m个源域样本，/>表示第m个样本的标记，共有R种，Y^S为锚点样的标记空间，并且/>

步骤2：构建残差连接的参数共享特征提取模块，同时从提取源域轴承样本集与目标域轴承样本集/>中提取深度故障特征，并将提取的特征/>作为特征提取模块的输出，特征提取过程如下公式：

式中，f为样本x经过特征提取模块后的输出，为特征提取模块操作函数，θ_Feature为特征提取模块中待优化参数集合；

构建残差连接的参数共享特征提取模块具体过程如下：

2.1)构建特征输入层，其结构依次为宽核卷积层、线性整流函数激活层和最大池化层；

2.2)构建残差单元，并堆叠z个；

2.3)在残差单元之后，经过平铺层将提取到的深度故障特征平铺成一维向量，并进行单位化处理，将特征映射至单位超球面上；

步骤3：利用Softmax函数对源域轴承样本的特征进行标签预测，得到源域轴承样本特征/>属于第r种健康状态的预测概率为：

式中：W和b分别为权重矩阵和偏置项；再计算源域数据的预测标记与真实标记之间的误差：

式中：N为批量输入样本数，I{·}为指示函数；

步骤4：构建锚点聚类模块，利用目标域轴承样本的特征建立多元高斯混合模型，其中多元高斯混合模型的聚类数为锚点样本的类别数；

步骤5：计算目标域中待诊断样本和锚点样本间的关系矩阵具体形式如下：

其中，若第i个待诊断样本与第j个锚点样本同簇，a_ij＝1，反之，则a_ij＝0；再计算聚类损失，具体如下公式：

式中，γ为尺度因子，ε为不同簇之间的间隔大小；

步骤6：构建特征靶向适配模块，用以缩小源域和目标域特征样本分布差异；

构建特征靶向适配模块的具体过程如下：

6.1)利用源域样本与目标域中锚点样本标记间的对应关系，构造靶向矩阵具体形式如下：

其中，若第m个源域样本与第j个锚点样本标记一致，b_mj＝1，反之，则b_mj＝0；

6.2)借助目标域中待诊断样本和锚点样本间的关系矩阵Λ与靶向矩阵B设定目标域待诊断样本的适配路径，具体如下公式：

式中，表示目标域中第i个待诊断样本向源域第m个样本的适配路径，λ∈[0,1]为平衡样本适配过程中克服边缘分布差异与条件分布差异的距离成本的变量；

6.3)借助最优传输理论计算使目标域待诊断样本向源域样本移动代价最小的转换矩阵O^T→S，并以此计算源域与目标域样本特征的分布差异，具体如下公式：

式中，括号内为目标域中第i个待诊断样本向源域第m个样本的适配路径为移动代价最小情况下目标域中第i个待诊断样本向源域第m个样本转换的权值，O^*T→S为移动代价最小情况下的转换矩阵，可通过如下方式求解：

该式服从约束条件：其中u_m与v_i分别为取第m个源域样本与第i个目标域待诊断样本的概率，对于任意m∈{1,2,…M_S},i∈{1,2,…N_a}，其值初始化为u_m＝1/M_S,v_i＝1/N_a；

步骤7：基于Adam优化算法，更新残差连接的参数共享特征提取模块中参数集合θ_Feature，以最小化如下目标函数：

式中，α(n)和μ(n)为正则系数，分别控制锚点聚类和特征靶向适配在模型优化过程中的权重，并符合2q/[1+exp(-kn)]-q的变化规律，其中n＝1,2,…为模型迭代次数，q为正则系数的上限，k控制正则系数的变化率；

步骤8：重复依次执行步骤2至步骤7迭代优化残差连接的参数共享特征提取模块，待模型迭代训练完成后，再将目标域待诊断样本集输入，残差连接的参数共享特征提取模块的输出所对应的健康状态即为预测健康状态。

实施例：以轴承-转子系统支承轴承的健康状态识别为案例，对本发明方法的有效性进行验证。

获得源域滚动轴承振动信号样本集A来自电机故障试验台，如表1所示，该数据集中包含四种轴承健康状态：正常、内圈故障、外圈故障、滚动体故障。振动信号在电机转速为1500r/min、负载10N·m的工况下获取，在测试过程中，振动信号样本的采样频率为25600Hz。测试结束后，每种健康状态的样本数为546个，每个样本中包含1200个数据点。

获得目标域滚动轴承振动信号样本集B来自某轴承-转子系统，如表1所示，该数据集中包含四种轴承健康状态：正常、内圈故障、外圈故障、滚动体故障。振动信号分别在在电机转速为1800r/min、2400r/min和2700r/min三种工况下获取，在测试过程中，振动信号样本的采样频率为12800Hz。三种工况下，每种健康状态的样本数为512个，每个样本中包含1200个数据点。

表1源滚动轴承与目标滚动轴承的振动信号样本集

基于表1所示的数据集A、B，构建迁移诊断任务如表2所示，用以验证本发明的可行性。

表2迁移诊断任务

为排除随机因素干扰，实验重复10次，计算诊断结果的统计值，如表3所示，本发明在三个迁移诊断任务上分别取得了100％、100％、99.98％的诊断精度，说明本发明的诊断准确性高，验证了本发明在解决实际情况下源域、目标域数据分布差异显著的迁移诊断问题中的可行性。

表3不同方法的诊断效果对比

另外选取两种诊断方法对比本方法的效果。方法1具有与本发明相同结构的残差连接的领域共享特征提取模块，区别在于无锚点领域聚类模块和特征分布靶向适配模块，仅使用极少量锚点样本进行监督训练模型，在三个迁移诊断任务上的精度分别为60.57％、58.35％、56.27％，明显低于本发明。方法2具有与本发明相同结构的残差连接的领域共享特征提取模块，区别在于使用了高斯核最大均值差异对特征分布差异进行度量，其中高斯核函数参数通过启发式中值搜索确定，这种方法在三个迁移诊断任务上的精度分别为88.51％、99.99％、87.38％，也低于本发明。

通过对比本发明与其余两种诊断方法，表明本发明有效地克服了实际情况下源域、目标域数据分布差异显著的影响，提高了迁移诊断模型的诊断精度。

Claims (3)

1.一种跨设备的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下步骤：

步骤1：获取待诊断设备A上的目标域滚动轴承振动信号样本集获取设备B上的源域滚动轴承振动信号样本集/>其中，/>为待诊断的无标记样本集，共有N_a个样本，/>为第i个待诊断的无标记样本，/>为N_b个带有标记的样本集合，将这些样本定义为锚点，/>为第j个锚点样本，/>为第j个锚点样本的标记，Y^T为锚点样的标记空间；源域样本集由M_S个样本构成，/>为第m个源域样本，表示第m个样本的标记，共有R种，Y^S为锚点样的标记空间，并且/>

步骤2：构建残差连接的参数共享特征提取模块，同时从提取源域轴承样本集与目标域轴承样本集/>中提取深度故障特征，并将提取的特征作为特征提取模块的输出，特征提取过程如下公式：

式中，f为样本x经过特征提取模块后的输出，为特征提取模块操作函数，θ_Feature为特征提取模块中待优化参数集合；

步骤3：利用Softmax函数对源域轴承样本的特征进行标签预测，得到源域轴承样本特征/>属于第r种健康状态的预测概率为：

式中：W和b分别为权重矩阵和偏置项；再计算源域数据的预测标记与真实标记之间的误差：

式中：N为批量输入样本数，I{·}为指示函数；

步骤4：构建锚点聚类模块，利用目标域轴承样本的特征建立多元高斯混合模型，其中多元高斯混合模型的聚类数为锚点样本的类别数；

步骤5：计算目标域中待诊断样本和锚点样本间的关系矩阵具体形式如下：

其中，若第i个待诊断样本与第j个锚点样本同簇，a_ij＝1，反之，则a_ij＝0；再计算聚类损失，具体如下公式：

式中，γ为尺度因子，ε为不同簇之间的间隔大小；

步骤6：构建特征靶向适配模块，用以缩小源域和目标域特征样本分布差异；

步骤7：基于Adam优化算法，更新残差连接的参数共享特征提取模块中参数集合θ_Feature，以最小化如下目标函数：

式中，α(n)和μ(n)为正则系数，分别控制锚点聚类和特征靶向适配在模型优化过程中的权重，并符合2q/[1+exp(-kn)]-q的变化规律，其中n＝1,2,…为模型迭代次数，q为正则系数的上限，k控制正则系数的变化率；

步骤8：重复依次执行步骤2至步骤7迭代优化残差连接的参数共享特征提取模块，待模型迭代训练完成后，再将目标域待诊断样本集输入，残差连接的参数共享特征提取模块的输出所对应的健康状态即为预测健康状态。

2.根据权利要求1所述的方法，其特征在于，所述的步骤2构建残差连接的参数共享特征提取模块具体过程如下：

2.1)构建特征输入层，其结构依次为宽核卷积层、线性整流函数激活层和最大池化层；

2.2)构建残差单元，并堆叠z个；

2.3)在残差单元之后，经过平铺层将提取到的深度故障特征平铺成一维向量，并进行单位化处理，将特征映射至单位超球面上。

3.根据权利要求1所述的方法，其特征在于，所述的步骤6构建特征靶向适配模块具体过程如下：

6.1)利用源域样本与目标域中锚点样本标记间的对应关系，构造靶向矩阵具体形式如下：

其中，若第m个源域样本与第j个锚点样本标记一致，b_mj＝1，反之，则b_mj＝0；

6.2)借助目标域中待诊断样本和锚点样本间的关系矩阵Λ与靶向矩阵B设定目标域待诊断样本的适配路径，具体如下公式：

式中，表示目标域中第i个待诊断样本向源域第m个样本的适配路径，λ∈[0,1]为平衡样本适配过程中克服边缘分布差异与条件分布差异的距离成本的变量；

6.3)借助最优传输理论计算使目标域待诊断样本向源域样本移动代价最小的转换矩阵O^T→S，并以此计算源域与目标域样本特征的分布差异，具体如下公式：

式中，括号内为目标域中第i个待诊断样本向源域第m个样本的适配路径 为移动代价最小情况下目标域中第i个待诊断样本向源域第m个样本转换的权值，O^*T→S为移动代价最小情况下的转换矩阵，通过如下方式求解：

该式服从约束条件：其中u_m与v_i分别为取第m个源域样本与第i个目标域待诊断样本的概率，对于任意m∈{1,2,…M_S},i∈{1,2,…N_a}，其值初始化为u_m＝1/M_S,v_i＝1/N_a。