基于迁移学习理论快速获取轴承故障诊断模型的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114580459A(43)申请公布日2022.06.03(21)申请号202210023070.3G06N3/08(2006.01)(22)申请日2022.01.10G01M13/045(2019.01)(71)申请人芜湖商高大数据技术有限公司地址241000安徽省芜湖市弋江区芜湖高新技术产业开发区中山南路717号5号楼7楼(72)发明人徐徐徐鹏飞杨世飞孙磊邹小勇刘宗斌(74)专利代理机构合肥左心专利代理事务所(普通合伙)34152专利代理师周翠娟(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于迁移学习理论快速获取轴承故障诊断模型的方法(57)摘要本发明涉及旋转机械设备故障诊断技术领域，公开了基于迁移学习理论快速获取轴承故障诊断模型的方法，包括基模型获取和最终模型获取两个部分，基模型获取包括构建源域数据集、数据集划分、模型训练和测试、选取最优基模型，最终模型获取包括最优基模型调整、设置各层网格可训练性、构建目标域数据集、数据集划分、模型训练和测试、获取最终故障诊断模型。利用本发明方法仅需要收集少量的真实数据即可达到良好的训练效果，可极大提升建模的效率和准确性，且可在运行速度较慢或内存较小的设备上运行，设备支持性好。CN114580459ACN114580459A权利要求书1/2页1.基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，包括基模型获取和最终模型获取两个部分，所述的基模型获取部分包括如下步骤：S11、构建源域数据集，利用加速度传感器采集不同工况下实验轴承设备的振动信号并存储；S12、将步骤S11中所得到的源域数据集划分为训练集和测试集，将训练集数据传入ResNet50神经网络模型进行训练，将模型分批次进行多轮训练得到一个备选的基模型，共得到若干个备选基模型，对每个备选基模型都应用测试集数据进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为目标域数据集训练的基模型；所述的最终模型获取部分包括如下步骤：S21、构建目标域数据集，利用加速度传感器采集不同工况下目标轴承的振动信号并存储；S22、将步骤S21中所得到的目标域数据集划分为训练集和测试集；S23、载入步骤S12所获得的基模型，并将其原有输出层用构建的符合目标域数据结构的新输出层替换掉，得到调整后的基模型；S24、将调整后的基模型输出层始终设置为可训练，并按照不同的方式设置其余各层网格的可训练性，分别用步骤S22中目标域数据训练集分批次进行多轮训练，得到若干个备选的故障诊断模型；S25、对步骤S24的每个备选模型用目标域数据测试集进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为最终的故障诊断模型。2.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S11和S21中加速度传感器频响覆盖1‑10KHz，并具有不低于50mg/g的灵敏度，且获取的源域数据量为目标域数据量的10倍以上。3.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S11中的不同工况包括四种：正常工作，轻度不平衡，中度不平衡和重度不平衡。4.如权利要求3所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S21中不同工况的类型和步骤S11中相同或更细，即大于等于4种。5.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S23中新输出层的激活函数使用softmax，输出层的各参数权重初始化值为服从正态分布且均值为0、标准差为0.01的随机数。6.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S24中调整后的基模型其余各层网格可训练性的设置方式分为5种，分别为：(1)将其余各层均设置为可训练；(2)将第一层设置为可训练，随后各层按不可训练和可训练间隔设置；(3)将第一层设置为可训练，随后各层按两层不可训练和一层可训练间隔设置；(4)将第一层设置为可训练，随后各层按三层不可训练和一层可训练间隔设置；(5)将第一层设置为可训练，随后各层按四层不可训练和一层可训练间隔设置。7.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S12的源域数据集和S22的目标域数据集均按每连续10000个数据作为一个样本进行一次分割，并将分割后的所有样本随机打乱，其中选择80％的样本作为训练集，20％的2CN114580459A权利要求书2/2页样本作为测试集，且将每个样本的10000个数据按连续每100个换行的方式变成