一种基于深度迁移学习的轴承故障诊断模型及训练方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115828753A(43)申请公布日2023.03.21(21)申请号202211573470.8G06N3/08(2023.01)(22)申请日2022.12.08G01M13/045(2019.01)(71)申请人湖南工业大学地址412000湖南省株洲市天元区泰山路88号(72)发明人万烂军李园园崔雪艳宁佳恩李长云王志兵罗海霞(74)专利代理机构广州粤高专利商标代理有限公司44102专利代理师杜梅花(51)Int.Cl.G06F30/27(2020.01)G06F18/241(2023.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于深度迁移学习的轴承故障诊断模型及训练方法(57)摘要本发明公开了一种基于深度迁移学习的轴承故障诊断模型及训练方法，本发明构建包括共享特征提取模块、多源域适配模块和轴承故障诊断模块的模型，基于数据并行的思想，根据工作节点的数量将包含了多个源域和目标域的大规模轴承振动数据集切分成若干个块，在每个工作节点中采用相同的轴承故障诊断模型来处理该数据集中多个不同的块，利用Horovod‑GPU分布式并行计算平台进行分布式训练，采用Ring‑AllReduce架构进行参数同步更新，在保证故障诊断准确率的前提下显著提高了模型训练效率，解决了实际工业生产中轴承诊断准确率不高以及进行参数更新时存在通信瓶颈和扩展效率不佳的问题。CN115828753ACN115828753A权利要求书1/2页1.一种基于深度迁移学习的轴承故障诊断模型，其特征在于，包括共享特征提取模块、多源域适配模块和轴承故障诊断模块；所述共享特征提取模块包括源域特征提取器和目标域特征提取器，用于对样本数据的特征提取，得到特征数据；所述多源域适配模块包括特定域适配组件，用于对特征数据进行分类，得到源域特征数据和目标域特征数据；所述轴承故障诊断模块包括特定域故障分类器，对源域特征数据和目标域特征数据进行故障识别和故障分类。2.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述基于深度迁移学习的轴承故障诊断模型以分布式并行计算平台进行分布式训练，采用Ring‑AllReduce架构进行参数同步更新。3.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述卷积神经网络主要由卷积层、BN层、最大池化层和全连接层组成。4.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述特定域适配组件包括领域鉴别器，领域鉴别器由全连接层和防止过拟合的Dropout层组成。5.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述特定域故障分类器由全连接层和Dropout层组成。6.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述共享特征提取模块包括多个源域特征提取器和一个目标域特征提取器，且源域特征提取器和目标域特征提取器共享同一个一维卷积神经网络。7.根据权利要求1所述基于深度迁移学习的轴承故障诊断的模型提供训练方法，其特征在于，步骤包括：S1.构建基于深度迁移学习的轴承故障诊断模型；S2.在分布式并行计算平台的工作节点中将来自源域和目标域中的训练样本输入共享特征提取模块中，经过卷积层、池化层和全连接层进行共享特征提取，得到特征数据；S3.将S2中得到的特征数据输入多源域适配模块进行源域数据和目标域数据鉴别，再通过轴承故障诊断模块对样本数据分为不同的轴承故障类别，获得该模型的分类损失、联合分布损失以及分类器差异损失；S4.将S3获得的该模型的分类损失、联合分布损失以及分类器差异损失进行反向传播来计算该模型中每一层的参数对应的梯度，并按工作节点的个数n将所有层的梯度分为n个梯度块；S5.采用Ring‑AllReduce架构对梯度块的梯度进行累加和传递，将累加后的梯度分发到所有工作节点，每个工作节点对该节点上每个块的梯度求平均值，每个工作节点使用梯度平均值对该节点上的轴承故障诊断模型进行参数更新；S6.判断基于深度迁移学习的轴承故障诊断模型是否已收敛，若否，则返回步骤6；若是，则停止模型训练，输出最终的轴承故障诊断模型。8.根据权利要求7所述基于深度迁移学习的轴承故障诊断的训练方法，其特征在于，步骤S5中，在累加和传递过程中需要经过n‑1次，在第k次梯度传递与累加中，若1≤i≤k，则第i个工作节点将其上第(i‑k)％n+n+1个块的梯度传递给右邻居节点，右邻居节点将该梯度2CN115828753A权利要求书2/2页块累加到该节点上第(i‑k)％n+n+1个梯度块；若k≤i≤n，则第i个工作节点将其上第(i‑k)％n+1个梯度块传递