跨工况的滚动轴承故障靶向迁移诊断方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116026593A(43)申请公布日2023.04.28(21)申请号202211631915.3G06F17/16(2006.01)(22)申请日2022.12.19G06F17/13(2006.01)(71)申请人山东大学地址250061山东省济南市历下区经十路17923号(72)发明人张法业刘福政姜明顺张雷隋青美贾磊(74)专利代理机构济南圣达知识产权代理有限公司37221专利代理师祖之强(51)Int.Cl.G01M13/045(2019.01)G06N3/0464(2023.01)G06N3/0455(2023.01)G06N3/094(2023.01)权利要求书2页说明书11页附图2页(54)发明名称跨工况的滚动轴承故障靶向迁移诊断方法及系统(57)摘要本发明提供了一种跨工况的滚动轴承故障靶向迁移诊断方法及系统，解决了传统滚动轴承故障诊断算法难以提取源域和目标域中网络深层特征信息、无法实现有效的跨域故障诊断的问题。本发明利用特征编码器从输入的滚动轴承振动信号中精确地提取信号的高维映射特征；将该特征进一步输入到图构建层，挖掘数据的深层特征，并利用多通道核图卷积网络对实例图建模；利用基于差异和对抗的训练来最小化源域和目标域分布之间的距离，分类器则使用提取的域不变特征来完成跨域故障识别。本发明与其他方法相比较，在滚动轴承跨工况条件下，可以更好的提取深层特征用于跨域传递，极大的提高了诊断准确率。CN116026593ACN116026593A权利要求书1/2页1.一种跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下过程：获取滚动轴承的振动信号；通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；其中，根据源域训练集结合分类器得到的深层高维特征得到分类损失，根据源域训练集和目标域训练集得到的深层高维特征得到结构差异损失，根据源域训练集和目标域训练集得到的深层高维特征以及对抗网络，得到对抗损失；以分类损失、第一参数与结构差异损失的乘积、第二参数与对抗损失的乘积三者的加和为总体损失函数，根据总体目标函数，通过反向传播算法优化特征提取器、分类器和判别器的参数。2.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，图构建层用于获取邻接矩阵，包括：根据特征编码器网络，从样本数据中获得高维特征映射，即X＝G(x)；提取的高维特征映射，输入到线性层中，经过Softmax后表示为通过线性层的特征与其转置之间进行矩阵相乘计算，获得邻接矩阵A，通过KNN算法，构造边关系，即3.如权利要求2所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，多通道核图卷积网络，包括：其中，X代表输入，A代表邻接矩阵，代表可训练权值矩阵，G代表多通道核图卷积操作，代表第ki个通道在第L层的高维特征表示，[·]代表特征拼接，H表示经过多通道核图卷积网络后的输出特征。4.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，交叉熵损失LC，包括：其中，表示分类器的预测结果，E表示数学期望值，为源域样本，为其标签。5.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，结构差异损失Ls，包括：其中，和分别表示第i个源域样本和第j个目标域样本经过特征提取器后的2CN116026593A权利要求书2/2页特征映射，φ表示非线性特征映射，Ωk表示嵌入提取的特征到再生核希尔伯特空间RKHS中的距离度量，采用m个核的凸组合ku来对映射进行有效地估计：其中，αu是不同核的加权参数，且E表示数学期望值，为源域样本，为目标域样本。6.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，对抗损失LAD，包括：其中，D(·)为经过判别器后的特征输出，和分别表示第i个源域样本和第j个目标域样本经过特征提取器后的特征映射，E表示数学期望值，为源域样本，为目标域样本。7.如权利要求1所述的跨工况的滚动轴承故障靶向迁移诊断方法，其特征在于，通过反向传播算法优化特征提取器、分类器和判别器的参数，包括：其中，代表偏微分算子，η代表学习率，θF代表特征提取器的参数，θC代表分类器的参数，θD代表判别器的参数，LC为交叉熵损失，Ls为结构差异损失，LAD为对抗损失。8.一种跨工况的滚动轴承故障靶向迁移诊断系统，其特征在于，包括：数据获取模块，被配置为：获取滚动轴承的振动信号；特征提取模块，被配置为：通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；故障诊断模块，被配置为：根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；其中，根据源域训练集结合分类器得到