CN114997046B - 一种动力学仿真引导的域对抗轴承故障诊断方法 - Google Patents

一种动力学仿真引导的域对抗轴承故障诊断方法 Download PDF

Info

Publication number
CN114997046B
CN114997046B CN202210572220.6A CN202210572220A CN114997046B CN 114997046 B CN114997046 B CN 114997046B CN 202210572220 A CN202210572220 A CN 202210572220A CN 114997046 B CN114997046 B CN 114997046B
Authority
CN
China
Prior art keywords
bearing
domain
fault
sample
simulation
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.)
Active
Application number
CN202210572220.6A
Other languages
English (en)
Other versions
CN114997046A (zh
Inventor
唐刚
余蒙
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.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
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 Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202210572220.6A priority Critical patent/CN114997046B/zh
Publication of CN114997046A publication Critical patent/CN114997046A/zh
Application granted granted Critical
Publication of CN114997046B publication Critical patent/CN114997046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种动力学仿真引导的域对抗轴承故障诊断方法，包括有以下步骤：采集轴承振动信号数据；确定轴承几何参数和形状参数；构建基于轴承‑转子动力学的多自由度故障动力学模型；引入轴承几何参数和形状参数，采用数值计算方法计算动力学模型数值仿真结果；将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；通过少样本域对抗故障诊断模型对包含真实故障的目标域数据集进行故障识别，得到最终的诊断结果。本发明提出的轴承故障诊断方法，在故障样本缺失的情况下实现有效的故障诊断。

Description

一种动力学仿真引导的域对抗轴承故障诊断方法
技术领域
本发明属于滚动轴承故障诊断领域，尤其涉及一种动力学仿真引导的域对抗轴承故障诊断方法。
背景技术
随着机械设备在生产中的广泛应用，生产流程中对机械设备的安全性、可靠度和智能化程度也有了全新要求。轴承常承担支承、传递力和力矩的重要作用，容易在长期高负荷运行下发生疲劳失效，可能导致生产活动被迫中止影响生产效率，甚至引起设备的进一步损伤，造成严重经济损失，甚至重大安全事故。故障导致的停机时间在所有故障的停机时间中占到90％以上。因此，对轴承的状态监测，以及故障的定位、诊断，可以为机械设备的安全、平稳运行提供必要保障，并降低设备的运维成本，同时能够减少生产事故的发生。对机械设备可能故障的人为干预和监测，对保障效率、缩减成本、保护生产环境安全和参与人员人身安全具有重要的现实意义。
传统故障诊断方法通常遵照以下流程：先搭建模拟实验台进行模拟实验或生产环境中采集多种状态下机械各个相关组件的振动加速度信号，然后使用时域、频域和时频域信号处理方法，实现进行故障诊断的目的。由于人工智能和深度学习领域的不断发展，神经网络优秀的特征拟合和提取能力受到大量关注，智能化诊断的需求也逐渐增加，利用深度学习的故障诊断方法已经成为了热门突破性方向之一，以卷积神经网络CNN为代表，在旋转机械故障诊断领域深度学习方法已经拥有了非常普遍的应用。但在实际工业生产过程中存在故障类型不平衡、少标记的情况，同时有故障发生位置受多种因素的影响、故障信号获取难度较大且数据量稀缺、大量数据需要人为标记等客观条件限制，这带来了进行故障诊断模型训练时样本不足、数据不平衡情况的出现，很多情况下难以训练一个实用可靠的诊断模型。
跨工况和跨机械诊断是故障诊断算法由理论走向工程应用的关键。为了克服传统机器学习的缺陷，迁移学习被广泛应用于故障诊断，其不需要假设训练样本和测试样本的分布相同。迁移学习可以通过学习映射将源域的一些特征转换到目标域，以满足机器学习模型使用不同训练样本对故障进行分类和预测的需求。尽管迁移学习方法在故障诊断领域取得了良好的进展，但实用场景中的故障诊断方法仍然受到多限制，大多数迁移学习方法在跨机械迁移等域分布差异较大且样本数量少的情况下难以取得良好效果。现实故障诊断场景中能够轻易获取大量健康轴承的振动数据，然而故障数据的样本量很少。实验环境中常采用人为制造故障的方式获取故障数据，在实际生产环境中可能并不适用。为了充分利用健康数据样本，实现对潜在故障的有效识别，将轴承动力学模型仿真结果与真实场景下的健康运行数据结合，利用健康轴承数据，缩小仿真模型与真实数据间的差异，并解决缺少故障数据的问题。
发明内容
本发明所要解决的技术问题是：针对实用场景中，在跨机械迁移等域分布差异较大且样本数量少的情况下迁移学习故障诊断效果不佳；大量健康状态样本没有充分利用的问题。提出基于动力学仿真的域对抗轴承故障诊断方法。
本发明包含以下步骤：
S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；
S2：根据轴承型号确定轴承几何参数和形状参数；
S3：构建基于轴承-转子动力学理论的2自由度故障动力学模型；
优选地，步骤S3具体包括：
S31：构建2自由度故障动力学模型公式如下：
Figure GDA0004091135090000021
m是轴承内圈和主轴的集中质量，x、y表示内圈和主轴在X和Y方向上的位移，c表示等效阻尼，Wx、Wy分别表示内圈滚道和主轴在X和Y方向上承受的径向载荷力，ω表示主轴转速，t表示过程已用时间，表示fx和fy表示Z个滚动体总接触力在X方向和Y方向上的分力
Figure GDA0004091135090000022
Figure GDA0004091135090000023
K指表面接触刚度，δ表示滚动体的接触变形，j表示第j个滚动体，fu表示轴承不平衡质量引起的不平衡力：
fu＝meω2    (4)
e表示转子不平衡量。
fm表示不对中量影响下的激振力：
fm＝-2mcΔEω2    (5)
mc表示联轴器质量，ΔE表示不对中量。
S32：向动力学模型中引入轴承缺陷，模拟轴承滚道存在单点缺陷的情况。定义缺陷宽度为L，深度为H。缺陷轴承滚动体接触变形表示为
δj＝xcosθj+ysinθj-γ-H'    (6)
其中H'表示滚动体附加位移。
设置开关函数判断滚动体是否滚进缺陷中，当缺陷位于轴承外圈时，附加位移的开关函数如下：
Figure GDA0004091135090000024
Figure GDA0004091135090000031
表示轴承外圈缺陷的角位置，ζ指外圈缺陷对应的圆弧大小，ζ＝L/ro，ro表示轴承外圈半径。
轴承外圈缺陷的位移激励函数Ho定义为
Figure GDA0004091135090000032
ΔHo表示外圈故障下滚动体的最大附加位移：
Figure GDA0004091135090000033
当缺陷位于轴承内圈时，附加位移的开关函数如下：
Figure GDA0004091135090000034
Figure GDA0004091135090000035
表示轴承外圈缺陷的角位置，ζ＝L/ri，ri指轴承内圈半径。
轴承内圈缺陷的位移激励函数Hi表示为
Figure GDA0004091135090000036
ΔHi表示滚动体的最大附加位移：
Figure GDA0004091135090000037
S4：引入轴承的几何参数和形状参数，采用4阶龙格库塔法计算动力学模型的仿真结果；
S5：通过TLCC时滞互相关算法，将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；
优选地，步骤S5具体包括：
S51：按不同比例对仿真信号进行缩放，然后再与真实样本的正常信号进行叠加，生成信号的表达式为：
Figure GDA0004091135090000038
Figure GDA0004091135090000039
其中，
Figure GDA00040911350900000310
分别表示所构建的源域内的外圈故障、内圈故障信号，
Figure GDA00040911350900000311
表示真实轴承信号，
Figure GDA00040911350900000312
分别表示数值模拟的外圈故障和内圈故障信号，TLCC(·)表示使用时滞互相关算法计算互相关并作滑移处理，a、b表示比例系数；
S6：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果；
优选地，步骤S6具体包括：
S61：使用源数据集
Figure GDA0004091135090000041
初始化训练特征提取器g和分类器h，该步骤的损失函数为：
LC(f)＝E[l(f(Xs),Y)]     (15)
l(·)表示交叉熵损失函数，Xs表示源域数据集，Y表示数据样本对应的标签；
S62：使用源域数据集
Figure GDA0004091135090000042
和目标域有标签数据集
Figure GDA0004091135090000043
构造四组样本对
Figure GDA0004091135090000044
然后使用四组样本训练组类别判别器d，该环节中会冻结g来完成，该步骤的损失函数为：
Figure GDA0004091135090000045
Figure GDA0004091135090000046
是
Figure GDA0004091135090000047
的标签，D是判别器d。φ是特征提取模块；
S63：冻结d，更新特征模块g和预测函数h，以混淆d并提高分类精度。这一步骤执行过程中需要冻结d，该步骤的损失函数为：
Figure GDA0004091135090000048
其中γ在样本分类和域混淆之间取得平衡。模型优化的结果是将
Figure GDA0004091135090000049
中的样本对错误地分类为
Figure GDA00040911350900000410
错误地分类为
Figure GDA00040911350900000411
即判别器d不再能够将不同分布的正负对与源分布的样本对区分开来，而分类器仍然能够区分正样本对和负样本对；
S64：根据收敛性反复进行第二步和第三步。
本发明的优点与积极效果在于：
本发明采用轴承故障动力学模型，求解动力学仿真数据，并通过与实际运行数据结合的方法，充分利用实际运行过程中的数据进行数据扩增，有效降低了域分布差异，提高了数据间的可迁移性；采用深度域对抗适应网络，实现有效少样本故障诊断。
本发明在滚动轴承故障诊断中具有良好的效果。
附图说明
图1是本发明方法流程图；
图2是本发明优选实施例中轴承动力学示意图；
图3是本发明优选实施例中时滞互相关算法示意图；
图4是本发明优选实施例中的深度域对抗诊断模型。
具体实施方案
下面对照附图并结合优选的实施方案对本发明作进一步说明。
如图1所示，本发明的实施例公开了一种少样本域对抗的滚动轴承故障诊断方法，包含以下步骤：
S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；
S2：根据轴承型号确定轴承几何参数和形状参数，优选地，本例中选用的轴承型号为N306，实施例中的模型参数如下表所示，
Figure GDA0004091135090000051
S3：构建基于轴承-转子动力学理论的2自由度故障动力学模型，模型简化如图2所示；
在进一步的实施例中，步骤S3具体包括：
S31：构建2自由度故障动力学模型公式如下：
Figure GDA0004091135090000052
m是轴承内圈和主轴的集中质量，x、y表示内圈和主轴在X和Y方向上的位移，c表示等效阻尼，Wx、Wy分别表示内圈滚道和主轴在X和Y方向上承受的径向载荷力，ω表示主轴转速，t表示过程已用时间，表示fx和fy表示Z个滚动体总接触力在X方向和Y方向上的分力
Figure GDA0004091135090000053
Figure GDA0004091135090000054
K指表面接触刚度，δ表示滚动体的接触变形，j表示第j个滚动体，fu表示轴承不平衡质量引起的不平衡力：
fu＝meω2 (4)
e表示转子不平衡量。
fm表示不对中量影响下的激振力：
fm＝-2mcΔEω2 (5)
mc表示联轴器质量，ΔE表示不对中量。
S32：向动力学模型中引入轴承缺陷，模拟轴承滚道存在单点缺陷的情况。定义缺陷宽度为L，深度为H。缺陷轴承滚动体接触变形表示为
δj＝xcosθj+ysinθj-γ-H'     (6)
其中H'表示滚动体附加位移。
设置开关函数判断滚动体是否滚进缺陷中，当缺陷位于轴承外圈时，附加位移的开关函数如下：
Figure GDA0004091135090000061
Figure GDA0004091135090000062
表示轴承外圈缺陷的角位置，ζ指外圈缺陷对应的圆弧大小，ζ＝L/ro，ro表示轴承外圈半径。
轴承外圈缺陷的位移激励函数Ho定义为
Figure GDA0004091135090000063
ΔHo表示外圈故障下滚动体的最大附加位移：
Figure GDA0004091135090000064
当缺陷位于轴承内圈时，附加位移的开关函数如下：
Figure GDA0004091135090000065
Figure GDA0004091135090000066
表示轴承外圈缺陷的角位置，ζ＝L/ri，ri指轴承内圈半径。
轴承内圈缺陷的位移激励函数Hi表示为
Figure GDA0004091135090000067
ΔHi表示滚动体的最大附加位移：
Figure GDA0004091135090000068
S4：引入轴承的几何参数和形状参数，采用4阶龙格库塔法计算动力学模型的仿真结果；
S5：通过如图3所示的TLCC时滞互相关算法，找到两信号最大相关的位置，然后将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；
在进一步的实施例中，步骤S5具体包括：
S51：按不同比例对仿真信号进行缩放，然后再与真实样本的正常信号进行叠加，生成信号的表达式为：
Figure GDA0004091135090000071
Figure GDA0004091135090000072
其中，
Figure GDA0004091135090000073
分别表示所构建的源域内的外圈故障、内圈故障信号，
Figure GDA0004091135090000074
表示真实轴承信号，
Figure GDA0004091135090000075
分别表示数值模拟的外圈故障和内圈故障信号，TLCC(·)表示使用时滞互相关算法计算互相关并作滑移处理，a、b表示比例系数。
S6：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果。
在进一步的实施例中，步骤S6具体包括；
S61：使用源数据集
Figure GDA0004091135090000076
初始化训练特征提取器g和分类器h，该步骤的损失函数为：
LC(f)＝E[l(f(Xs),Y)]    (15)
l(·)表示交叉熵损失函数，Xs表示源域数据集，Y表示数据样本对应的标签。
S62：使用源域数据集
Figure GDA0004091135090000077
和目标域有标签数据集
Figure GDA0004091135090000078
构造四组样本对
Figure GDA0004091135090000079
然后使用四组样本训练组类别判别器d，该环节中会冻结g来完成，该步骤的损失函数为：
Figure GDA00040911350900000710
Figure GDA00040911350900000711
是
Figure GDA00040911350900000712
的标签，D是判别器d。φ是特征提取模块。
S63：冻结d，更新特征模块g和预测函数h，以混淆d并保持较高的分类精度。这一步骤执行过程中需要冻结d，该步骤的损失函数为：
Figure GDA00040911350900000713
其中γ在样本分类和域混淆之间取得平衡。模型优化的结果是将
Figure GDA00040911350900000714
中的样本对错误地分类为
Figure GDA00040911350900000715
错误地分类为
Figure GDA00040911350900000716
即判别器d不再能够将不同分布的正负样本对与源分布的正负样本区分开来，而分类器仍然能够区分正样本和负样本。
S64：根据收敛性反复进行第二步和第三步。
下述采用本发明的优选实施例的滚动轴承故障的诊断方法来对滚动轴承的已知轴承型号和少量故障数据来建立故障诊断模型，并采用滚动轴承的故障数据来对本发明的优选实施例的滚动轴承故障的诊断方法进行验证。
本发明优选实施例中采集机械系统在有缺陷和无缺陷情况下的滚动轴承的振动信号，以完成滚动轴承损伤部位的确定。滚动轴承发生故障的部位分为外圈、内圈，故障尺寸大小具有轴承早期、中期、晚期情况，为了说明本发明的滚动轴承故障的诊断方法的有效性，下述同时采集了滚动轴承未发生故障的正常状态下的振动信号，与故障情况下的信号对比进行处理；以保证本发明提出的滚动轴承故障诊断方法可以检测滚动轴承是否处于正常状态。
实验所用的故障诊断实验台包括振动实验台的主体系统、润滑辅助系统以及数据采集系统。该实验台数据采集系统由机载在线监测系统原理样机、加速度传感器等组成，主要完成对轴承振动数据的采集与处理、数据显示与记录等功能。故障类型一共分为正常轴承、外圈缺陷、内圈缺陷3类，正常轴承包含200个样本，共600个样本。信号的采样频率为10KHz。
本发明优选实施例的滚动轴承故障诊断的方法流程包括：
S101：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；
S102：根据轴承型号确定轴承几何参数和形状参数；
S103：构建基于轴承-转子动力学理论的2自由度故障动力学模型；
S104：引入轴承的几何参数和形状参数，采用4阶龙格库塔数值计算法计算动力学模型的仿真结果；
S105：通过TLCC时滞互相关算法，将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；
S106：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果。本实施例中不同初始带标签样本数训练下模型的故障诊断结果如下
每一类有标签样本数 1 2 5 10
方法1诊断结果(％) 47.6 50.2 77.2 90.7
本发明诊断结果(％) 74.1 89.1 91.1 93.5
选择卷积神经网络作为分类器构成方法1，比较不同标签量的情况，可以看出随着标签数量的提高，诊断精度也不断提高，且本发明方法的准确率一直高于方法1,。当有标签样本量达到5个以上时，诊断精度达到较高水平。
以上所述，仅为本发明的具体实施方式之一，但本发明的保护范围并不局限于此，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，包含以下几个步骤：
S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；
S2：根据轴承型号确定轴承几何参数和形状参数；
S3：构建基于轴承-转子动力学理论的2自由度故障动力学模型；
S4：引入轴承的几何参数和形状参数，采用4阶龙格库塔法计算动力学模型的仿真结果；
S5：通过TLCC时滞互相关算法，将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集，TLCC时滞互相关算法生成数据集包含以下几个步骤：
S51：TLCC时滞互相关算法选取仿真信号和真实信号的正常样本，采用TLCC时滞互相关算法计算信号之间的相位差，然后通过滑移的方法消除两信号的相位差，并将对齐相位的正常信号与数值仿真得到的故障信号进行线性叠加，生成包含实际工况和实际背景噪声信息的轴承故障信号，以获得用于诊断模型训练的源域数据；
S52：按不同比例对仿真信号进行缩放，然后再与真实样本的正常信号进行叠加，生成信号的表达式为：
Figure FDA0004091135080000011
Figure FDA0004091135080000012
其中，
Figure FDA0004091135080000013
分别表示所构建的源域内的外圈故障、内圈故障信号，
Figure FDA0004091135080000014
表示真实轴承信号，
Figure FDA0004091135080000015
分别表示数值模拟的外圈故障和内圈故障信号，TLCC(·)表示使用时滞互相关算法计算互相关并作滑移处理，a、b表示比例系数；
S6：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果。
2.根据权利要求1所述的一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，所述步骤S3中的轴承-转子动力学模型中引入滚动轴承和转子的不平衡、不对中误差。
3.根据权利要求1所述的一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，构建的少样本域对抗迁移故障诊断模型包括有以下步骤：
S1：使用源数据集
Figure FDA0004091135080000016
初始化训练特征提取器g和分类器h，该步骤的损失函数为：
LC(f)＝E[l(f(Xs),Y)]   (3)
l(·)表示交叉熵损失函数，Xs表示源域数据集，Y表示数据样本对应的标签；
S2：使用源域数据集
Figure FDA0004091135080000017
和目标域有标签数据集
Figure FDA0004091135080000018
构造四组样本对
Figure FDA0004091135080000019
然后使用四组样本训练组类别判别器d，训练过程会冻结g来完成，该步骤的损失函数为：
Figure FDA0004091135080000021
其中
Figure FDA0004091135080000022
是
Figure FDA0004091135080000023
的标签，D是判别器d，φ是特征提取模块，它收到一对样本作为输入，得到特征映射后，将特征映射结果作为输出，传递给d；
S3：冻结d，更新特征模块g和预测函数h，以混淆d并提高分类精度，这一步骤执行过程中需要冻结d，该步骤的损失函数为：
Figure FDA0004091135080000024
其中γ在样本分类和域混淆之间取得平衡，模型优化的结果是将
Figure FDA0004091135080000025
中的样本对错误地分类为
Figure FDA0004091135080000026
错误地分类为
Figure FDA0004091135080000027
即判别器d不再能够将不同分布的正负对与源分布的正负对区分开来，而分类器仍然能够区分正对和负对；
S4：训练过程中根据收敛性反复进行第二步和第三步。
4.根据权利要求3所述的一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，构造成对正样本两组
Figure FDA0004091135080000028
和
Figure FDA0004091135080000029
其中
Figure FDA00040911350800000210
由多对来自源域的相同类别标签的样本组成，
Figure FDA00040911350800000211
的成对样本具有相同的类别标签，分别来自源域和目标域；对目标域训练样本的标签和域信息进行编码；将负样本对分为
Figure FDA00040911350800000212
和
Figure FDA00040911350800000213
两组，
Figure FDA00040911350800000214
来自具有不同类别标签的源分布的样本，
Figure FDA00040911350800000215
类别标签和域分布都不同。
5.根据权利要求3所述的一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，诊断模型的特征提取模块g和分类模块h由具有多个一维卷积层的一维卷积神经网络和全连接层建模。
6.根据权利要求3所述的一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，模型的损失函数(5)通过联合优化源域分类损失、目标域分类损失和判别器分类损失使模型达到最优。
CN202210572220.6A 2022-05-24 2022-05-24 一种动力学仿真引导的域对抗轴承故障诊断方法 Active CN114997046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210572220.6A CN114997046B (zh) 2022-05-24 2022-05-24 一种动力学仿真引导的域对抗轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572220.6A CN114997046B (zh) 2022-05-24 2022-05-24 一种动力学仿真引导的域对抗轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN114997046A CN114997046A (zh) 2022-09-02
CN114997046B true CN114997046B (zh) 2023-04-28

Family

ID=83028749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572220.6A Active CN114997046B (zh) 2022-05-24 2022-05-24 一种动力学仿真引导的域对抗轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN114997046B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3736740A1 (en) * 2019-05-06 2020-11-11 Dassault Systèmes Experience learning in virtual world
CN113032929A (zh) * 2021-04-01 2021-06-25 温州大学 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法
CN113177448B (zh) * 2021-04-19 2023-06-13 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

Also Published As

Publication number Publication date
CN114997046A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Jiao et al. Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis
Li et al. Deep convolution domain-adversarial transfer learning for fault diagnosis of rolling bearings
Wang et al. Multisource domain feature adaptation network for bearing fault diagnosis under time-varying working conditions
CN110751207B (zh) 基于深度卷积域对抗迁移学习的故障诊断方法
Xiong et al. Data fusion method based on mutual dimensionless
Xu et al. A bearing fault diagnosis method without fault data in new working condition combined dynamic model with deep learning
CN112665852B (zh) 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
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
Fan et al. Fan fault diagnosis based on lightweight multiscale multiattention feature fusion network
Zhao et al. Class-aware adversarial multiwavelet convolutional neural network for cross-domain fault diagnosis
Shen et al. A new penalty domain selection machine enabled transfer learning for gearbox fault recognition
Liang et al. Semisupervised subdomain adaptation graph convolutional network for fault transfer diagnosis of rotating machinery under time-varying speeds
Yu et al. Multisource partial transfer network for machinery fault diagnostics
CN113496061A (zh) 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法
Wang et al. Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network
Chen et al. Rotor fault diagnosis system based on sGA-based individual neural networks
Wan et al. Bearing Fault Diagnosis Based on Multi-Sensor Information Coupling and Attentional Feature Fusion
Wang et al. A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination
CN114997046B (zh) 一种动力学仿真引导的域对抗轴承故障诊断方法
Liu et al. A lifelong learning method based on generative feature replay for bearing diagnosis with incremental fault types
Yu et al. Few-shot fault diagnosis method of rotating machinery using novel MCGM based CNN
Xu et al. Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions
He et al. An intelligent fault diagnosis scheme using transferred samples for intershaft bearings under variable working conditions
Caponetto et al. Deep learning algorithm for predictive maintenance of rotating machines through the analysis of the orbits shape of the rotor shaft
CN116051911B (zh) 基于不确定性学习的小样本轴承振动图像数据故障诊断方法

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
GR01 Patent grant
GR01 Patent grant