CN117370851B - 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 - Google Patents

Abstract

本发明公开了一种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，包括步骤如下：从源域和目标域机器获取轴承振动信号数据；通过自适应输入长度模块AILM对源域和目标域的振动信号进行预处理，获取网络的输入数据；构建特征提取模块用于提取状态特征，并利用密集块使前面所有卷积层和后面卷积层密集链接，实现从低维特征中获取信息；构建状态分类模块和源域与目标域损失函对数据分类，并引用最大均值差异MMD使源域和目标域对齐；构建总优化目标函数L，进行模型参数更新，得到最优轴承智能健康状态识别网络AILTLN，将经预处理后的数据输入到最优网络，完成轴承智能健康状态识别。发明中所提AILTLN在轴承智能健康状态识别的TL中优于其他现有方法。

Description

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

技术领域

本发明涉及轴承故障诊断技术领域，具体涉及一种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。

背景技术

输入长度(IL)是用于轴承智能健康状态(IHSIB)识别的迁移学习(TL)网络中的一个重要元素。然而，在大多数研究中使用的是固定IL，且数据较大。例如，1024、2048、4096和8595是最为常见的输入长度。可变输入长度首次提出是在2020年提出，转速为1797、1772、1750和1730分别选择输入长度为1026、1145、1390和1149。邵等分析了IL为512至4096时平均测试精度、测试精度标准偏差和平均计算时间的变化趋势。然而，上述基于IL的方法考虑了不变域特征，而忽略了IL的影响。当源域和目标域差异很大时，一些重要的特征会丢失。因此，亟需一种能够有效地提高轴承健康状态智能识别精度的方法。

发明内容

为解决现有技术中存在的问题，本发明提供了一种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，首先将振动信号通过自适应输入长度模块AILM，选取适当长度的振动数据，通过在特征提取器模块中构造分组卷积、反卷积和实例归一化，利用全连接层和soft-max交叉熵损失函数进行健康状态识别，引用最大均值差异MMD使源域和目标域对齐，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种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，包括如下步骤：

S1、数据采集：从源域和目标域机器获取轴承振动信号数据；

S2、数据预处理：通过自适应输入长度模块AILM对源域和目标域的振动信号进行预处理，获取网络的输入数据；

S3、构建特征提取模块：在轴承智能健康状态识别网络AILTLN中采用五个卷积网络和一个反卷积网络构建特征提取模块，从由源样本和未标记的目标样本组成的输入数据中提取状态特征，并利用密集块(Dense Block)使前面所有卷积层和后面卷积层密集链接，实现从低维特征中获取信息；

S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括两个全连接层，采用全连接层(Fully connected layer)将特征提取模块提取的状态特征进行数据分类，并引入soft-max损失函数和MMD损失函数使源域和目标域对齐；

S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优轴承智能健康状态识别网络AILTLN，将经步骤S2预处理后的数据输入到最优网络，完成轴承智能健康状态识别与诊断。

优选的，在步骤S2中，所述自适应输入长度模块AILM的目的是截断故障特征频率最大值的t倍带宽，具体包括如下步骤：

S21、先对振动信号包络解调，通过重叠数据分割，将振动信号分成长度为L_i的若干部分；

S22、根据轴承参数中的旋转频率、滚子数、滚子直径、节圆直径和接触角，计算出轴承故障的特征频率，计算后，选取其最大值，得到输入长度参数，用于确定从源域和目标域输入到网络对应数量的数据。

优选的，所述计算具体包括：设包络谱前L_i点的带宽为B_w、则输入长度/>计算公式所示如下：

其中，f_s为采样频率；

内圈、外圈、滚子和保持架的输入长度分别计算如下：

其中，f_r、z、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角。

优选的，所述轴承智能健康状态识别网络AILTLN包括分别为Conv1，Conv2，Conv3，Conv4和Conv5的五个卷积模块、一个反卷积模块Tconv、和FC1、FC2的两个全连接层；每个卷积模块中包括分组卷积层GC(Group convolutional layer)、实例归一化层IN(Instancenormalization layer)和激活层(Activation layer)。

优选的，在步骤S4中，具体包括如下：通过Conv3层接收Conv1层和Tconv的拼接特征图，利用Conv4和Conv5提取高级特征，并作为状态分类模块(Health state classifier)HSC的输入，利用HSC识别源样本的标签并学习一个可分类的特征空间，对于输入特征图第i层的前向传播过程表示为：

X_i+1＝ReLU(IN(GC(x_i)))

分类损失函数表示为；

其中，L_y为soft-max交叉熵损失函数，为新数据集的自适应样本；采用MMD在源域和目标域之间对齐特征表示，公式定义为：

其中n_s和n_t表示源域和目标域的训练样本数，φ(·)表示将每个实例映射到内核的希尔伯特空间。

优选的，所述总优化目标函数L公式表示如下：

L＝L_c+λL_mmd

其中，L_mmd＝MMD²(y_s,y_t)

L_C是分类损失函数，y_s，y_t分别是源域和目标域经过归一化后输出的数据，θ_c,θ_mmd分别表示为分类项和域分布差异比对项的参数，网络可以通过随机梯度下降算法进行训练，更新如下：

其中，λ为权衡参数。

本发明的有益效果是：本发明方法不局限于特定机械设备轴承的故障诊断方法，本发明泛化能力强，适用于多种类机械设备的轴承零部件，提出了一种基于包络谱分析的自适应长度输入选择模块；在特征提取器中构造分组卷积、反卷积和实例归一化；利用全连接层和soft-max交叉熵损失函数进行健康状态识别，引入最大均值差异MMD使源域和目标域对齐，通过实验验证，发明中所提AILTLN在轴承智能健康状态识别的TL中优于其他现有方法。

附图说明

图1为本发明方法步骤流程示意图；

图2为自适应输入长度模块处理示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明提供一种技术方案：一种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，如图1所示，包括如下步骤：

S1、数据采集：从源域和目标域机器获取轴承振动信号数据；

S2、数据预处理：通过自适应输入长度模块AILM对源域和目标域的振动信号进行预处理，获取网络的输入数据；

S3、构建特征提取模块：在轴承智能健康状态识别网络AILTLN中采用五个卷积网络和一个反卷积网络构建特征提取模块，从由源样本和未标记的目标样本组成的输入数据中提取状态特征，并利用密集块(Dense Block)使前面所有卷积层和后面卷积层密集链接，实现从低维特征中获取信息。Dense block是网络“连接方式”，后面的卷积层和前面所有的卷积层密集连接(dense connection)，其一大特色是通过特征在通道上连接，实现特征重用(feature reuse)，也使得模型更加紧凑。

S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括两个全连接层，采用全连接层(Fully connected layer)和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；

S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优轴承智能健康状态识别网络AILTLN，将经步骤S2预处理后的数据输入到最优网络，完成轴承智能健康状态识别与诊断。

进一步的，在步骤S2中，所述自适应输入长度模块AILM的目的是截断故障特征频率最大值的t(t选1-5)倍带宽，具体包括如下步骤：

S21、先对振动信号包络解调，通过重叠数据分割，将振动信号分成长度为L_i的若干部分；

S22、根据轴承参数中的旋转频率、滚子数、滚子直径、节圆直径和接触角，计算出轴承故障的特征频率，计算后，选取其最大值，得到输入长度参数，用于确定从源域和目标域输入到网络对应数量的数据。

进一步的，所述计算具体包括：设包络谱前L_i点的带宽为B_w、则输入长度/>计算公式所示如下：

根据轴承参数很容易计算出轴承故障的特征频率，其中，f_s为采样频率；

如图2所示，内圈、外圈、滚子和保持架的输入长度分别计算如下：

其中，f_r、z、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角。

进一步的，所述轴承智能健康状态识别网络AILTLN包括分别为Conv1，Conv2，Conv3，Conv4和Conv5的五个卷积模块、一个反卷积模块Tconv、和FC1、FC2的两个全连接层，如表1所示。

表1 AILTLN的网络结构

每个卷积模块中包括分组卷积层GC(Group convolutional layer)、实例归一化层IN(Instance normalization layer)和激活层(Activation layer)。利用一个整流线性单元运算ReLU(·)将源和目标映射函数重新缩放为一个激活层。

其中分组卷积(GC)是CNN网络的一种类型，使用层间过滤器依赖关系的稀疏性，在不影响准确性的情况下快速减少参数的数量。输入特征图是分组和卷积的。假设输入xⁱ特征图在i层被划分为G层，命名为和/>是分组卷积的权重矩阵，分组卷积可以表示为：

其中*表示卷积计算。

其中，实例归一化(IN)是批量归一化(Batch normalization)的一种，

其中x_i和y_i分别是归一化层的输入和输出，i是一个指数。

对于一维信号，i＝(i_N,i_C)是特征向量，其索引顺序为(N,C)，其中N是批量轴，C为通道轴，u_i、σ和∈分别表示平均值、标准差值和常数。S_i是计算平均值和标准差的像素集，t是该集的大小。

其中，密集网(DenseNet)由密集块组成，其包括缓解梯度消失问题和鼓励特征重用两个优点。l^th层接收前一层的特征，结合在0,...,l-1层中产生的特征映射[x₀,x₁,...,x_l-1]作为输入，即：

x_l＝H_l([x₀,x₁,...,x_l-1])

其中H_l(·)是作为复合函数。作为输入连接的直接结果，特征映射通过前一层学习。这鼓励在前面的层中重用特性，从而产生更紧凑的模型。

进一步的，在步骤S4中，具体包括如下：通过Conv3层接收Conv1层和Tconv的拼接特征图，利用Conv4和Conv5提取高级特征，并作为状态分类模块(Health stateclassifier)HSC的输入，利用HSC识别源样本的标签并学习一个可分类的特征空间，对于输入特征图第i层的前向传播过程表示为：

X_i+1＝ReLU(IN(GC(x_i)))

分类损失函数表示为；

其中，L_y为soft-max交叉熵损失函数，为新数据集的自适应样本；采用MMD在源域和目标域之间对齐特征表示，公式定义为:

其中n_s和n_t表示源域和目标域的训练样本数，φ(·)表示将每个实例映射到内核的希尔伯特空间。矩阵由源域、目标域和相交域的K_s,s,K_t,t,K_s,t核矩阵组成。

高级特征(High-levelfeature)定义为高级的语义信息，是由其他信息综合得出来的信息，然后在分类的时候使用它进行判断。

进一步的，总优化目标函数L公式表示如下：

L＝L_c+λL_mmd

其中，L_mmd＝MMD²(y_s,y_t)

L_C是分类损失函数，y_s，y_t分别是源域和目标域经过归一化后输出的数据，θ_c,θ_mmd分别表示为分类项和域分布差异比对项的参数，网络可以通过随机梯度下降算法进行训练，更新如下：

其中，λ为权衡参数。在本发明中为平衡L_c和L_mmd，取λ＝0.5。

实验验证：

利用凯斯西储大学(CWRU)的公共滚动轴承数据和中国铁路高速车辆(HSV)的车轮轴承数据验证了该方法的有效性。对于验证1，我们在相同的数据集下跨位置评估了所提出的方法。对于验证2，我们跨数据集评估了所提出的方法。此外，为了验证AILTLN的优越性，我们将其与其他现有的TL方法进行了比较，并进行了详细的讨论和分析。

为了证明所提出的方法的优势，在本工作中实现了三种方法。这些方法通过源域样本进行训练，并通过目标域样本进行测试。此外，在比较工作中还对不含密集块(DB)的方法进行了比较。此外，对比方法的详细描述如下。

AILTLN_O：在本文提出的方法中，Conv3层接收Conv1层和TConv层的串联特征映射。为了验证网络设计的合理性，AILTLN-O的Conv3层接收了TConv层的特征映射。其他参数与AILTLN相同。

DANN:DANN是一种有效的方法，它对来自源域的未标记数据进行训练，并对来自目标域的未标记数据进行测试。它使用标准层、梯度反转层、随机动量梯度下降和损失函数。

DTLCNN：基于任务特定特征的两层以分层的方式来优化CNN的参数。使用多个高斯核的线性组合来计算域损失。时域信号作为图像输入，用于不同工作条件下的轴承智能健康状态识别。

TICNN:TICNN采用一种新颖的自动特征提取方法，结合MMD对源域和目标域之间的距离进行对齐。这是一种在噪声环境下通过端到端方法实现轴承智能健康状态识别。使用交叉熵作为损失函数来估计soft-max输出概率分布和目标类概率分布。估计分布和目标分布。

验证1同一数据集下不同工况下所提出方法的评价

数据集的详细如表2所示，风扇端(Fan end)的振动信号记为CWRUF，驱动端(Driveend)的振动信号记为CWRUD。CWRUF和CWRUD分别各有五个任务。

表2验证1的数据集

除了TL相同的工作条件下，90组TL任务验证所提AILTLN的有效性，其中50组由(其中i,j＝0,1,2,3,4)和40组由/>其中(X＝D,F i,j＝0,1,2,3,4i≠j)。其中/>表示在TL中A为源域，B为目标域。在研究中选取了直径为0.014英寸的断层。每个任务的四种运行状态包括正常(Nm)、外圈故障(OF)、内圈故障(IF)和滚子故障(BF)。D_0和F_0包含四种工作速度，其他只包含一个工作速度，如表3所示。

表3验证1的TL任务设计

结果对比：分别对DANN、TI_CNN、DTLCNN、AILTLN_O、AILTLN进行实验，以D_0→D_i为例，源域为D_0的DANN的5个TL任务的平均准确分别为98.07％、97.89％、97.78％、96.79％、95.94％，而D_1、D_2、D_3和D_4的准确率分别为98.07％、97.89％、97.78％、96.79％和95.94％。对于D_i→D_i和F_i→F_i，所有方法的平均准确率都很高。这表明所有方法可以很好地处理相同数据之间的TL，并且可以准确地完成轴承智能健康状态识别。然而，对于D_i→F_i和F_i→D_i,DANN、TI_CNN和DTLCNN的平均准确率都很低，如同在“猜测”。这表明这些方法在不同工作条件之间的TL效果很差，不能准确地完成轴承智能健康状态识别。对于AILTLN_O和AILTLN在所有的任务中都表现优秀，但AILTLN略微优于AILTLN_O。这表明低维特征有助于提高网络的性能，如表4所示。

表4验证1中各方法的对比结果

验证2跨域不同工况下所提出方法的评价

在高速铁路车辆中进行了三种健康状态，设置了数据集的详细信息。研究中选取了直径为0.014英寸的断层。每个任务的三个运行状态包括正常(Nm)、外圈故障(OF)和内圈故障(IF)，如表5所示。

表5验证2的数据集

30组TL任务包括12组不同数据集之间不同工作条件下的C_i→H_i(其中i,j＝0,1,2)和18组同一数据集在不同工作条件下的X_i→X_j(其中X＝C,H i,j＝0,1,2,i≠j)，验证了AILTLN的有效性。

分别对DANN、TI_CNN、DTLCNN、AILTLN_O、AILTLN进行X_i→X_j实验。取C_0→C_i为例，对于源域为C_0的DANN，C_1、C_2、C_3和C_4的TL任务的平均准确率96.02％、95.2％和95.09％。对于C_i→C_i和H_i→H_i所有方法的平准准确率很高，这表明所有方法都可以很好地处理相同数据集之间的TL，并且可以准确地完成轴承智能健康状态识别。然而，对于C_i→H_i和H_i→C_i，DANN，TI_CNN和DTLCNN准确率都很低，这表明这些方法对于不同的工作环境不能完成对轴承智能健康状态识别任务。对于AILTLN_O和AILTLN在所有的任务中都表现优秀，但是AILTLN要比AILTLN_O准确率高出许多。这样的结果表明低维特征有助于网络提升其性能，如表6所示。

表6验证2中各方法的对比结果

本发明方法提出的基于包络谱分析的自适应长度输入选择模块；在特征提取器中构造分组卷积、反卷积和实例归一化；利用全连接层和soft-max交叉熵损失函数进行健康状态识别；利用最大均值差异使源域和目标域对齐，通过实验验证，发明中所提AILTLN在轴承智能健康状态识别的TL中优于其他现有方法。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种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，其特征在于，包括如下步骤：

S1、数据采集：从源域和目标域机器获取轴承振动信号数据；

S2、数据预处理：通过自适应输入长度模块AILM对源域和目标域的振动信号进行预处理，获取网络的输入数据；

所述自适应输入长度模块AILM的目的是截断故障特征频率最大值的t倍带宽，具体包括如下步骤：

S21、先对振动信号包络解调，通过重叠数据分割，将振动信号分成长度为L_i的若干部分；

S22、根据轴承参数中的旋转频率、滚子数、滚子直径、节圆直径和接触角，计算出轴承故障的特征频率，计算后，选取其最大值，得到输入长度参数，用于确定从源域和目标域输入到网络对应数量的数据；

所述计算具体包括：设包络谱前L_i点的带宽为B_w、则输入长度/>计算公式所示如下：

其中，f_s为采样频率；

内圈、外圈、滚子和保持架的输入长度分别计算如下：

其中，f_r、z、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角；

S3、构建特征提取模块：在轴承智能健康状态识别网络AILTLN中采用五个卷积网络和一个反卷积网络构建特征提取模块，从由源样本和未标记的目标样本组成的输入数据中提取状态特征，并利用密集块使前面所有卷积层和后面卷积层密集链接，实现从低维特征中获取信息；

S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括两个全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；

S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优轴承智能健康状态识别网络AILTLN，将经步骤S2预处理后的数据输入到最优网络，完成轴承智能健康状态识别与诊断；

所述总优化目标函数L公式表示如下：

L＝L_c+λL_mmd

其中，L_mmd＝MMD²(y_s,y_t)

θ_c,θ_mmd分别表示为分类项和域分布差异比对项的参数，网络可以通过随机梯度下降算法进行训练，更新如下：

其中，λ为权衡参数。

2.根据权利要求1所述的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，其特征在于：所述轴承智能健康状态识别网络AILTLN包括分别为Conv1，Conv2，Conv3，Conv4和Conv5的五个卷积模块、一个反卷积模块Tconv、和FC1、FC2的两个全连接层；每个卷积模块中包括分组卷积层GC、实例归一化层IN和激活层。

3.根据权利要求1所述的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，其特征在于：在步骤S4中，具体包括如下：通过Conv3层接收Conv1层和Tconv的拼接特征图，利用Conv4和Conv5提取高级特征，并作为状态分类模块HSC的输入，利用HSC识别源样本的标签并学习一个可分类的特征空间，对于输入特征图第i层的前向传播过程表示为：

X_i+1＝ReLU(IN(GC(x_i)))

分类损失函数表示为；

其中，L_y为soft-max交叉熵损失函数，为新数据集的自适应样本；采用MMD在源域和目标域之间对齐特征表示，公式定义为：

其中n_s和nt表示源域和目标域的训练样本数，φ(·)表示将每个实例映射到内核的希尔伯特空间。