CN115099278A - 一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法 - Google Patents

Abstract

本发明公开了一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法,涉及故障诊断领域，利用小波包变换对非线性非平稳振动信号进行时频分析，构建振动信号的小波包时频特征图，针对WPT‑TFF尺寸小、特征分散等特点，设计了一种多组并行的ResNet网络结构，提取WPT‑TFF的深度特征，利用MK‑MMD评估源域和目标域数据深度特征之间的分布差异，与源域样本集的分类损失相结合，对深度特征提取网络进行优化，使得深度特征具有更好的跨域不变性和故障状态区分能力,通过与其他多组故障诊断模型相比较，本发明提出的WMGRNMM诊断模型在旋转机械设备中具有很好的变工况故障诊断和抗噪能力，并在实际工业场景具有较强的适应能力和泛化能力。

Description

一种基于小波包时频图与ResNet迁移网络的设备状态诊断 方法

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法。

背景技术

旋转机械广泛应用在航空航天、轨道交通、石油化工、汽车制造和风力发电等国计民生的重要工程领域，在国民经济生产中具有举足轻重的作用，研究旋转机械的智能故障诊断方法对于保障设备安全高效运行，避免巨大经济损失和重大安全生产事故具有重要的理论意义和工程价值。旋转机械设备产生的振动信号中包含丰富的状态信息，常用于故障诊断。传统机器学习方法如BP神经网络、支持向量机，模糊C均值聚类等方法已经在旋转机械诊断方面已经取得了一系列的研究成果。然而，传统的机器学习需要有效的信号分析手段和先验知识作为引导，无法满足工业领域大数据化的发展需求。

与传统的机器学习相比，深度学习利用端到端的学习思想，可以从振动信号中自适应的提取深层语义特征，减少了经验知识的参与，更适合处理旋转机械设备的复杂振动信号。但随着网络深度的增加，在训练过程中，深度CNN网络容易出现梯度弥散或爆炸问题，为了解决这个问题，本发明利用ResNet解决CNN网络过深而导致的模型退化问题。由于旋转机械设备的时频振动信号中蕴含着丰富的损伤机理，而小波包分解具有强大的非线性非平稳振动信号分析能力，所以选用小波包分析对振动信号进行预处理，希望提取出振动信号中能够反映故障状态的时频信息，利用WPT的振动信号时频特征图构建方法，能够有效的利用不同尺度和不同分辨率的振动信号时频信息，在与深度学习相结合能够有效的提升模型故障诊断准确性。

在变工况应用场景中，源域和目标域的数据不满足独立同分布的假设，导致利用源域数据训练的模型很难在目标域数据上取得好的结果，因此需要引入迁移学习方法解决这一问题。然而在现实应用场景即使是少量目标域数据标签可能也无从获取；如果仅能够得到目标域的数据，而无法得到它们的标签，那么域分布适应的迁移学习方法是一个不错的选择。域分布适应方法通过寻找源域和目标域相似的分布空间来解决变工况迁移问题，本发明利用了多核最大平均差异(MK-MMD)的方法，通过多核线性组合得到最优核，解决单一核带来内核参数选取不当的问题，对源域和目标域的数据的深度特征分布差异进行分析，对深度特征提取网络的优化，解决源域和目标域深度特征之间的分布差异导致的模型诊断能力下降问题。在此基础上，本发明提出了一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，将WPT时频信号分析与MK-MMD相结合，大大提升了模型变工况的故障诊断率和泛化能力。

发明内容

本发明所要解决的技术问题是为了满足目前实际工业生产中对旋转机械设备故障诊断的需求，保证旋转机械能够安全可靠的运行，减少其故障所带来的安全事故风险，本发明提出了一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，满足旋转机械设备故障诊断模型的高精准故障分类要求。

本发明为解决上述技术问题采用以下技术方案：

一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，具体包含如下步骤：

步骤1，利用小波包变换对非线性非平稳振动信号进行时频分析，构建振动信号的小波包分解时频特征图；

步骤2，建立基于ResNet的深度特征提取网络，同时提取振动信号的小波包分解时频特征图的深度特征；

步骤3，利用MK-MMD评估源域和目标域数据深度特征之间的分布差异，与源域样本集的分类损失相结合，对深度特征提取网络进行优化，使得深度特征具有更好的跨域不变性和故障状态区分能力；其中，MK-MMD为多核最大均值误差。

作为本发明一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法的进一步优选方案，所述步骤1具体如下：

步骤1.1，对采集得到的旋转机械设备振动信号进行四层、五层、六层小波包分解，然后获得其小波包节点系数；

步骤1.2，利用单个小波包叶子节点的系数构建系数矩阵，将所有叶子节点的系数矩阵按照Z字型顺序拼接，建立振动信号的小波包分解时频特征图。

作为本发明一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法的进一步优选方案，所述步骤2具体如下：

步骤2.1，采用4层、5层、6层小波包分解对振动信号进行分解，并构建相应的时频特征图WPT-TFF；

步骤2.2，建立基于ResNet的深度特征提取网络，同时提取振动信号的小波包分解时频特征图的深度特征。

其中，基于ResNet的深度特征提取网络，具体如下：

(1)针对振动信号的时频特征图WPT-TFF尺寸较小，并且状态特征在时频图中是分散存在的：

针对小尺寸的时频特征图WPT-TFF，在ResNet网络中全部采用3*3的卷积核进行特征提取，卷积步长设置为1，并取消了中间层的池化操作；同时限制ResNet网络的深度，设计了一个7层的残差网络深度特征提取模块ResNet Block，以降低图像尺寸小和特征分散对模型泛化能力的影响；

(2)针对不同层数的小波包分解得到的时频特征图有其自身的结构特点：

设计3个7层的ResNet Block组成ResNet网络结构MGRN，分别提取4层、5层、6层WPT-TFF的特征信息，3个结构相同参数独立的7层的ResNet Block更有效提取不同类型的时频特征图WPT-TFF的个性化结构特征，将三个7层的ResNet Block提取的深度特征拼接为组合深度特征送入全连接层，最后进入Softmax分类器进行分类。

作为本发明一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法的进一步优选方案，所述步骤3具体如下：

步骤3.1，将有标签的源域数据和无标签的目标域数据分别送入步骤2中的并行网络MGRN，得源域和目标域数据集的深度特征，记为F_s和F_t，计算F_s和F_t之间的MK-MMD损失，记为

如公式(1)所示，

式中，P是源域边缘概率分布，Q是目标域边缘概率分布，E代表数学期望；φ代表再生希尔伯特空间的映射；H_k代表再生希尔伯特空间使用的核k；

同时，F_s经过全连接层和Softmax分类器得到预测类别信息，结合标签信息，计算交叉熵损失，记为

如公式(2)，

式中：M为类别数；

为符号函数，且

为0或1；p_ic为样本i属于类别c的预测概率；

计算迁移分类模型的总体损失

如公式(3)：

式中，λ_MK-MMD总损失的权衡参数；F_s是源域数据；F_t是目标域数据；

步骤3.2，利用反向传播和梯度下降方法优化深度网络和全连接网络参数；

步骤3.3，测试阶段将目标域样本时频图的深度特征利用训练后的MGRN网络提取，将深度特征送入训练后的FC1，得到样本的类别标签，完成故障分类。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，具有良好的变工况迁移诊断能力，包括状态识别准确率、场景适应能力和抗噪声能力，能够保证旋转机械能够安全可靠的运行，减少其故障所带来的安全事故风险，满足旋转机械设备故障诊断模型的高精准故障分类要求；针对现有旋转机械设备的信号分析方法容易忽略振动信号的时频特性问题，本发明选用了4、5、6小波包分析对振动信号进行预处理，重构成灰度小波包时频特征图，提取出中能够反映旋转机械设备故障状态的时频信息；针对传统深度学习模型不能充分提取不同时频图的有效特征，构建了3个结构相同参数独立的RNB-7网络；针对变工况中模型诊断能力不足的问题，利用MK-MMD评估源域和目标域数据深度特征之间的分布差异，结合源域分类损失，完成深度特征提取网络的优化，提上变工况模型故障诊断准确率。

附图说明

图1是本发明小波包分解时频图构建示意图；

图2是本发明不同层数小波包WPT-TFF特征图；

图3是本发明ResNet Block流程图；

图4是本发明并行网络MGRN结构图；

图5是本发明WMGRNMM故障工况迁移诊断结构图；

图6是各种网络模型故障分类对比实验图；

其中，(a)为数据集0HP的各种迁移模式，(b)为数据集为1HP的各种迁移模式，(c)为数据集为2HP的各种迁移模式，(d)为数据集为3HP的各种迁移模式；

图7(a)是0->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(b)是0->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(c)是0->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(d)是1->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(e)是1->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(f)是1->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(g)是2->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(h)是2->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(i)是2->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(j)是3->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(k)是3->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图7(l)是3->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

图8(a)是本发明3-1迁移模式下WMGRN模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(b)是本发明3-1迁移模式下WMGRNMM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(c)是本发明3-1迁移模式下WRNMM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(d)是本发明3-1迁移模式下WRN18MM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(e)是本发明3-1迁移模式下WRN34MM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图9是本发明一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法的流程原理图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

下面将结合附图及具体实施例对本发明作进一步地补充说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本领域的技术人员应该明白，在不脱离本发明上述技术思想的情况下，根据本领域的基础技术知识和手段，对本发明做出各种替换与变更，均应包含在本发明的保护范围之内。

本发明是以如下技术方案实现一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，如图9所示，具体如下：

步骤1.小波包分解时频图构建：

本发明对采集得到的旋转机械设备振动信号进行四层、五层、六层小波包分解，然后获得其小波包节点系数，由于不同的小波包节点系数代表的物理意义不同，我们提出利用单个小波包叶子节点的系数构建系数矩阵。为了方便后续二维卷积核提取小波系数的深度特征，我们将所有叶子节点的系数矩阵按照Z字型顺序拼接，建立振动信号的小波包分解时频特征图(简称WPT-TFF)。

这里以4096个采样点的旋转机械设备振动信号样本为例，介绍小波包分解时频特征图构建过程，如图1所示。

1)振动信号样本经过4层小波包分解可以得到16个小波包叶子节点，每个小波包叶子节点有256个小波包系数。

2)将每个叶子节点小波包系数构建成一个16*16的系数矩阵。

3)将这16个小波包叶子节点的系数矩阵按编号进行Z字形拼接，可以得到旋转机械设备振动信号样本的WPT-TFF。

步骤2.基于ResNet的深度特征提取网络：

为了更好分析旋转机械设备振动信号在不同尺度和分辨率下的时频特性，这里采用4层、5层、6层小波包分解对振动信号进行分解，并构建相应的时频特征图WPT-TFF(4)、WPT-TFF(5)、WPT-TFF(6)，不同故障状态下的振动信号WPT-TFF如图1所示。建立基于ResNet的深度特征提取网络，同时提取WPT-TFF(4)、WPT-TFF(5)、WPT-TFF(6)的深度特征。通过对图2的分析，ResNet深度特征提取网络面临以下2个问题：

(1)振动信号的WPT-TFF尺寸较小，并且状态特征在时频图中是分散存在的。

(2)不同层数的小波包分解得到的时频特征图有其自身的结构特点。

对于问题(1)，首先，针对小尺寸的WPT-TFF，这里在ResNet网络中全部采用3*3的卷积核进行特征提取，卷积步长设置为1，并取消了中间层的池化操作；然后，与常规的ResNet通过增加网络深度来提高特征提取能力不同，这里限制了ResNet网络的深度，设计了一个7层的残差网络深度特征提取模块ResNet Block(这里简称RNB-7)，如图3所示，以降低图像尺寸小和特征分散对模型泛化能力的影响。

对于问题(2)，设计了3个RNB-7组成并行网络MGRN，分别提取4层、5层、6层WPT-TFF的特征信息，如图4所示，3个结构相同参数独立的RNB-7可以更有效提取不同类型的WPT-TFF的个性化结构特征，将三个RNB-7提取的深度特征拼接为组合深度特征送入全连接层，最后进入Softmax分类器进行分类。

步骤3.基于MK-MMD的迁移诊断模型设计

利用旋转机械设备中源域有标签数据对步骤2中的故障诊断模型进行训练，可以得到表达源域数据故障状态的深度特征，而当源域与目标域数据的深度特征存在分布差异时，模型在目标域的识别准确率会大幅下降。为提高源域数据和目标域数据深度特征概率分布的相似性，这里采用MK-MMD对源域数据和目标域数据的深度特征进行领域适配度量。将有标签的源域数据和无标签的目标域数据分别送入步骤2中的MGRN，可以得源域和目标域数据集的深度特征，记为F_s和F_t，计算F_s和F_t之间的MK-MMD损失，记为

如公式(1)所示，

式中，P是源域边缘概率分布，Q是目标域边缘概率分布，E代表数学期望；φ代表再生希尔伯特空间的映射；H_k代表再生希尔伯特空间使用的核k。

同时，F_s经过全连接层和Softmax分类器得到预测类别信息，结合标签信息，可以计算交叉熵损失，记为

如公式(2)，

式中：M为类别数；

为符号函数(0或1)；p_ic样本i属于类别c的预测概率。

计算迁移分类模型的总体损失

如公式(3)：。

式中，λ_MK-MMD总损失的权衡参数；F_s是源域数据；F_t是目标域数据。

这里源域和目标域共享深度特征提取网络参数，整个网络的目标是让总损失最小，利用反向传播和梯度下降方法优化深度网络和全连接网络参数。测试阶段将目标域样本时频图的深度特征利用训练后的MGRN网络提取，将深度特征送入训练后的FC1，得到样本的类别标签，完成故障分类。基于MK-MMD的迁移诊断模型提取的深度特征可以表达源域数据故障状态，同时，减小源域和目标域数据深度特征的差异性，提高了模型的泛化能力。

具体实施例如下：

步骤1，采集0HP、1HP、2HP、3HP四种下不同功率下的各种状态轴承振动信号，分为源域数据和目标域数据，其中源域数据既包含轴承样本数据，又包含对应的样本标签，目标域数据只含有轴承样本数据，不包含轴承样本对应的标签。轴承振动信号根据内圈、外圈、滚动体受损伤程度分为12种故障类型，标签依次为0到11。

步骤2，对训练集和测试集的样本信号进行小波包分解，得到每个样本信号四层、五层、六层小波包分解的小波包系数，根据得到的小波包节点系数代表振动信号不同尺度下的时频特性的物理意义不同。本发明利用单个小波包叶子节点的系数构建系数矩阵；以4096个采样点的振动信号样本对于四层小波包构建时频特征图，首先振动信号样本经过4层小波包分解可以得到16个小波包叶子节点，每个小波包叶子节点有256个小波包系数；其次将每个叶子节点小波包系数构建成一个16*16的系数矩阵；最后将这16个小波包叶子节点的系数矩阵按编号进行Z字形拼接，可以得到振动信号样本的WPT-TFF。五层、六层小波包构建时频特征图和四层小波包一样。

步骤3，为了更好分析源域和目标域轴承振动信号在不同尺度和分辨率下的时频特性，解决WPT-TFF尺寸较小导致状态特征在时频图中分散的问题。通过将对应的WPT-TFF(4)、WPT-TFF(5)、WPT-TFF(6)时频特征图送入7层的RNB-7网络中，如以降低图像尺寸小和特征分散对模型泛化能力的影响。

步骤4，为了更好的提取源域和目标域四层、五层、六层小波包时频图的组合深度特征；设计了3个RNB-7组成并行网络MGRN，分别提取4层、5层、6层WPT-TFF的特征信息，3个结构相同参数独立的RNB-7可以更有效提取不同类型的WPT-TFF的个性化结构特征，将三个RNB-7提取的深度特征拼接为组合深度特征，源域样本的深度特征送入全连接层FC1，结合softmax分类器和源域标签信息，计算交叉熵损失

步骤5，为提高源域数据和目标域数据深度特征概率分布的相似性，这里采用MK-MMD对源域数据和目标域数据的深度特征进行领域适配度量。计算源域和目标域样本的深度特征MK-MMD距离，得到源域和目标域深度特征空间的MK-MMD损失

步骤6，利用源域样本分类损失

反向传播优化全连接层FC1，计算

损失并反向传播优化MGRN；迭代步骤3)-5)，直到

损失迭代次数达到目标要求，达到最小化损失的模型参数，得到训练后的MGRN和FC1；利用训练后的MGRN网络提取目标域样本时频图的深度特征，将深度特征送入训练后的FC1，得到样本的类别标签。这里源域和目标域共享深度特征提取网络参数，整个网络的目标是让总损失最小，利用反向传播和梯度下降方法优化深度网络和全连接网络参数。基于MK-MMD的迁移诊断模型提取的深度特征可以表达源域数据故障状态，同时，减小源域和目标域数据深度特征的差异性，提高了模型的泛化能力。

1实验数据介绍

采用轴承故障诊断实验平台数据集，实验数据集包括0HP、1HP、2HP、3HP四种下不同功率下的12kHz驱动端、12kHz风扇端、48kHz驱动端振动数据不同马力对应的转速如表1所示。表1为数据集对应的转速和基准数据。本次实验对采样频率为12kHz的驱动端振动数据进行分析，共包括12种不同状态的轴承：(0)正常的(1)内圈损伤，直径为0.007inch(2)外圈损伤直，径为0.007inch(3)滚动体损伤，直径为0.007inch(4)内圈损伤，直径为0.014inch(5)外圈损伤，直径为0.014inch(6)滚动体损伤，直径为0.014inch(7)内圈损伤，直径为0.021inch(8)外圈损伤，直径为0.021inch(9)滚动体损伤，直径为0.021inch(10)内圈损伤，直径为0.028inch(11)滚动体损伤，直径为0.028inch。

表1

以4096个采样点的振动信号序列为一个样本，获取单一功率下每种状态轴承的振动信号样本各30个，利用四种不同功率下的振动数据建立四种不同工况的数据集，分别为0HP数据集、1HP数据集、2HP数据集、3HP数据集，每一种数据集包括了360个振动信号样本，如表2所示。这里对四种工况状态下的数据集进行相互迁移诊断试验，共有12种迁移模式(0HP->1HP,0-2,0-3,1-0,1-2,1-3,2-0,2-1,2-3,3-0,3-1,3-2)，其中0-1表示训练集(源域)为0HP数据集，测试集(目标域)为1HP数据集。

表2

2实验步骤

为了验证本发明所提出的基于WPT时频分析与特征迁移结合的轴承故障诊断方法在不同工况状态之间的迁移诊断效果我们设置了四组实验，验证所提出的方法有效性。第一组实验，对比WMGRNMM模型与WMGRN模型，WMGRN模型与WMGRNMM模型相比网络结构相同，但是没有使用MK-MMD进行域适应优化；第二组实验，我们对比了WMGRNMM模型与WRNMM模型，WRNMM模型，与WMGRNMM相比，改变了深度特征提取网络，使用单个RNB-7网络代替MGRN，将WP-TFF(4)、WP-TFF(5)、WP-TFF(6)作为三个通道输入单个RNB-7中；第三组实验，我们对比了WMGRNMM模型与WRN18MM和WRN34MM模型，WRN18MM和WRN34MM模型增加了Resnet的深度，分别使用经典ResNet18和ResNe34网络代替本文设计的RNB-7网络；第四组实验，为了展示WMGRNMM模型的抗噪声能力，通过原始的振动信号中加入3dB、5dB、8dB、10dB四种信噪比的噪声来测试噪声信号对振动模型的影响。本发明通过实验对比分析了四组实验轴承故障诊断准确率，详细说明如下。

第一组实验，WMGRNMM模型与WMGRN模型的实验结果如表3所示，从表中我们可知WMGRNMM模型分类准确率在各个工况迁移过程中都远高于WMGRN模型。WMGRNM M模型平均分类准确率比WMGRN模型平均分类准确率高出9.17％。而且WMGRN模型在各种工况迁移诊断模式中表现不稳定，最高达到97％，最低仅有81％，准确率差异过大。这说明，WPT和MGRN提的取源域和目标域数据的深度特征在不同工况条件下存在一定的分布差异，导致源域数据训练的诊断模型无法在目标域取得较好的识别准确率。而加入MK-MMD域迁移方法后，WMGRNMM模型在各种模式下诊断结果都有了大幅提升，结果稳定在97％以上，平均准确率为98.52％。可见MK-MMD损失函数能够更好的度量源域与目标域之间的距离，减少两域之间的分布差异，保持模型稳定性，更好的优化模型分类准确率。

表3

第二组实验，WMGRNMM模型与WRNMM模型，WRNMM模型实验结果如表4所示，从表中我们可知WMGRNMM模型分类准确率在各个工况迁移过程中都远高于WMGRN模型。而且WMGRNMM模型平均分类准确率为98.52％，而WRNMM模型平均分类准确率只有95.09％比WMGRNMM模型平均分类准确率低3.43％。可见单个RNB-7网络模型无法兼顾不同层数的小波包分解得到的时频特征图自身的结构特点，导致WRNMM模型无法完全提取到WPT-TFF中包含的不同特征，从而减低迁移模型故障准确率。因此我们可以得出对于WP-TFF(4)、WP-TFF(5)、WP-TFF(6)中不同分辨率的时频特征，采用三个独立参数的并行网络效果比采用单个网络提取深度特征的效果要好。

表4

第三组实验，WMGRNMM模型与WRN18MM和WRN34MM模型实验结果如表5所示，随着网络深度的增加两种模型的识别准确率并没有明显提升，反而很多迁移模式下出现了下降，WMGRNMM模型分类准确度要优于WRN18MM和WRN34MM模型。而WRN18MM模型平均分类准确度为93.51％要优于平均分类准确度为92.41％的WRN34MM模型。因为发明轴承振动信号的WPT-TFF尺寸较小，并且状态特征在时频图中是分散存在的，随着网络深度的增加，WP-TFF在网络模型中特征图分散存在可能会造成大量的特征信息冗余，从而影响模型的分类准确度。

表5

为了更好的对比各个模型准确率与WMGRNMM模型在迁移工况的差异，绘制了图6。

其中，图(a)为数据集0HP的各种迁移模式，图(b)为数据集为1HP的各种迁移模式，图(c)为数据集为2HP的各种迁移模式，图(d)为数据集为3HP的各种迁移模式。

从图中可以得出，因为WMGRN模型没有使用MK-MMD损失函数计算源域和目标域之间的权重因子，减少两域之间的分布差异，所以WMGRN模型的轴承故障迁移分类准确率最低，可见MK-MMD对迁移故障诊断模型准确率有很大的提升。

图7(a)-图7(l)为各种迁移模式下的各模型状态识别准确率随迭代次数的变化情况，

图7(a)是0->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(b)是0->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(c)是0->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(d)是1->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(e)是1->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(f)是1->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(g)是2->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(h)是2->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(i)是2->3迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(j)是3->0迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(k)是3->1迁移模式下的各模型状态识别准确率随迭代次数的变化情况；图7(l)是3->2迁移模式下的各模型状态识别准确率随迭代次数的变化情况；

可以发现经过4200次迭代以后所有模型都能够收敛，一般在2000次迭代后识别准确率趋于稳定，达到最佳水平。总体来看，提出的WMGRNMM模型在各种迁移模式下的表现均优于其他模型，WRNMM次之，结果表明WMGRNMM模型具有很好的稳定性。WRN18MM和WRN34MM模型在部分模式下的结果会优于WRNMM模型，但容易出现由于网络深度加深而导致的过拟合问题，总体效果比WRNMM模型差。

为了比较不同模型提取的深度特征的自适应能力，我们利用t-SNE方法来对各模型提取的深度特征进行分析，并利用样本标签和预测标签的混淆矩阵来分析状态识别结果的特点。

图8(a)-图8(e)是3-1迁移模式下各诊断模型的t-SNE特征分析图和诊断结果混淆矩阵。

其中，图8(a)是本发明3-1迁移模式下WMGRN模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(b)是本发明3-1迁移模式下WMGRNMM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(c)是本发明3-1迁移模式下WRNMM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(d)是本发明3-1迁移模式下WRN18MM模型的t-SNE特征分析图和诊断结果混淆矩阵；

图8(e)是本发明3-1迁移模式下WRN34MM模型的t-SNE特征分析图和诊断结果混淆矩阵。

通t-SNE图可以看出，相比于WMGRN，引入MK-MMD损失后，WMGRNMM模型提取的深度特征具有更好的类别可分性，提高了不同类别信号样本之间的距离，通过混淆矩阵可以看出，错误分类的种类和数量都有明显降低。相比于WRNMM、WRN18MM和WRN34MM模型，WMGRNMM模型的深度特征也具有更好的类别可分性。

第四组实验，利用WMGRNMM模型对加入各种信噪比噪声的数据进行诊断分析，和不加噪声的对比结果如表6所示。通过表6可知，对于8dB、10dB的加噪数据，WMGRNMM模型的准确率没有明显的下降。对于5dB的加噪数据，模型的诊断准确率有略微的下降，但仍然能够保持大于97％的平均准确率。对于3dB的加噪数据，WMGRNMM模型准确率受到了一定的影响，平均下降了3％。加噪对比实验结果表明，当信噪比大于5db时，WMGRNMM模型准确率受噪声的影响较小，WMGRNMM模型具有良好的抗噪能力。

表6

综上实验结果可以得出以下结论：

(1)提出的振动信号WPT-TFF构建方法，能够有效的从非线性非平稳的振动信号中提取出反应故障状态的时频特征，抗噪能力强，有利于后续深度特征提取。

(2)设计了基于ResNet的深度特征提取网络RNB7，能够解决WPT-TFF尺寸小、特征分散等问题，MGRN网络结构可以更有效的从不同层数的多尺度多分辨率WPT-TFF中提取深度特征。

(3)通过引入MK-MMD对深度特征提取网络进行优化，能够大幅提高诊断模型在变工况场景下的诊断准确率，在故障试验台的实验结果表明，在训练数据样本数据量有限的条件下，WMGRNMM能够很好的解决工况迁移诊断问题，并具有较强的抗噪能力。

本发明提出了一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，通过凯斯西储大学实验台对比了多种实验验证了提出的WMGRNMM方法的故障识别准确性和泛化能力。

以上内容是结合实际案例的具体实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明，在不脱离本发明构思的前提下，相关领域的技术人员对其做出若干简单推演或替换均应视为属于本发明的保护范围。

Claims (4)

1.一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，其特征在于：具体包含如下步骤：

步骤1，利用小波包变换对非线性非平稳振动信号进行时频分析，构建振动信号的小波包分解时频特征图；

步骤2，建立基于ResNet的深度特征提取网络，同时提取振动信号的小波包分解时频特征图的深度特征；

步骤3，利用MK-MMD评估源域和目标域数据深度特征之间的分布差异，与源域样本集的分类损失相结合，对深度特征提取网络进行优化，使得深度特征具有更好的跨域不变性和故障状态区分能力；其中，MK-MMD为多核最大均值误差。

2.根据权利要求1所述的一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，其特征在于：所述步骤1具体如下：

步骤1.1，对采集得到的旋转机械设备振动信号进行四层、五层、六层小波包分解，然后获得其小波包节点系数；

步骤1.2，利用单个小波包叶子节点的系数构建系数矩阵，将所有叶子节点的系数矩阵按照Z字型顺序拼接，建立振动信号的小波包分解时频特征图。

3.根据权利要求1所述的一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，其特征在于：所述步骤2具体如下：

步骤2.1，采用4层、5层、6层小波包分解对振动信号进行分解，并构建相应的时频特征图WPT-TFF；

步骤2.2，建立基于ResNet的深度特征提取网络，同时提取振动信号的小波包分解时频特征图的深度特征。

其中，基于ResNet的深度特征提取网络，具体如下：

(1)针对振动信号的时频特征图WPT-TFF尺寸较小，并且状态特征在时频图中是分散存在的：

针对小尺寸的时频特征图WPT-TFF，在ResNet网络中全部采用3*3的卷积核进行特征提取，卷积步长设置为1，并取消了中间层的池化操作；同时限制ResNet网络的深度，设计了一个7层的残差网络深度特征提取模块ResNet Block，以降低图像尺寸小和特征分散对模型泛化能力的影响；

(2)针对不同层数的小波包分解得到的时频特征图有其自身的结构特点：

设计3个7层的ResNet Block组成ResNet网络结构MGRN，分别提取4层、5层、6层WPT-TFF的特征信息，3个结构相同参数独立的7层的ResNet Block更有效提取不同类型的时频特征图WPT-TFF的个性化结构特征，将三个7层的ResNet Block提取的深度特征拼接为组合深度特征送入全连接层，最后进入Softmax分类器进行分类。

4.根据权利要求1所述的一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法，其特征在于：所述步骤3具体如下：

步骤3.1，将有标签的源域数据和无标签的目标域数据分别送入步骤2中的并行网络MGRN，得源域和目标域数据集的深度特征，记为F_s和F_t，计算F_s和F_t之间的MK-MMD损失，记为

如公式(1)所示，

式中，P是源域边缘概率分布，Q是目标域边缘概率分布，E代表数学期望；φ代表再生希尔伯特空间的映射；H_k代表再生希尔伯特空间使用的核k；

同时，F_s经过全连接层和Softmax分类器得到预测类别信息，结合标签信息，计算交叉熵损失，记为

如公式(2)，

式中：M为类别数；

为符号函数，且

为0或1；p_ic为样本i属于类别c的预测概率；

计算迁移分类模型的总体损失

如公式(3)：

式中，λ_MK-MMD总损失的权衡参数；F_s是源域数据；F_t是目标域数据；

步骤3.2，利用反向传播和梯度下降方法优化深度网络和全连接网络参数；

步骤3.3，测试阶段将目标域样本时频图的深度特征利用训练后的MGRN网络提取，将深度特征送入训练后的FC1，得到样本的类别标签，完成故障分类。

Images