基于迁移卷积神经网络的滚动轴承跨工况故障检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114152442A(43)申请公布日2022.03.08(21)申请号202111599703.7(22)申请日2021.12.24(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人余士成林鹏韦吉祥曹九稳(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱月芬(51)Int.Cl.G01M13/045(2019.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称基于迁移卷积神经网络的滚动轴承跨工况故障检测方法(57)摘要本发明公开了一种基于迁移卷积神经网络的滚动轴承跨工况故障检测方法。本发明首先利用滑动窗口技术进行数据切割，并对每个窗口的振动信号进行归一化处理。其次，搭建一维卷积神经网络模型与迁移卷积神经网络模型，一维卷积神经网络简单方便，训练参数少，能够满足故障检测领域实时性的需求；在源域训练数据训练一维卷积神经网络模型的基础上，使用MMD微调卷积网络特征提取模块，构造微调迁移卷积神经网络使得迁移卷积神经网络提取的特征具有域不变性，进而进行目标域数据的故障检测。本发明所使用的迁移卷积神经网络结构简单，训练速度快，且具有较高的跨工况准确率，为滚动轴承跨工况故障检测提供了一种新方法。CN114152442ACN114152442A权利要求书1/2页1.基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其特征在于包含如下步骤：步骤1、数据预处理；收集已有工况S下的滚动轴承原始振动信号，构建源域振动信号数据集；收集目标工况T下的滚动轴承原始振动信号，构建目标域振动信号数据集；利用滑动窗口技术对每一组原始振动信号进行分割，并对每个窗口的振动信号进行归一化处理，构建源域样本数据集和目标域样本数据集；步骤2、模型搭建；构建一维卷积神经网络模型M和迁移卷积神经网络模型I；步骤3、模型训练；训练一维卷积神经网络模型M和迁移卷积神经网络模型I；步骤4、滚动轴承状态识别；将步骤1处理后的滚动轴承目标域数据集输入到训练好的迁移卷积神经网络I中，预测数据集中滚动轴承的状态信息，验证模型表现；步骤5、滚动轴承实时监测；利用滑动窗口技术，对滚动轴承振动信号进行截取，并依次送入训练好的迁移卷积神经网络模型；可根据迁移卷积神经网络的输出值获取滚动轴承对应的状态信息。2.根据权利要求1所述的基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其特征在于步骤1所述的已有工况S下的滚动轴承原始振动信号，按照故障位置和故障程度分类为w个类型，每种故障类型下的原始振动信号为步骤1所述的目标工况T下的滚动轴承原始振动信号，按照故障位置和故障程度分为w个类型，每种故障类型下的原始振动信号为3.根据权利要求1所述的基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其特征在于步骤1中原始振动信号进行分割实现如下：设定滑动窗口长度为L，滑动步长为S，生成样本数为t；样本di＝{x0，…，xL},i＝1,2,ST3,…,t；得到源域样本数据集D＝{d1,d2,d3...,dt}和目标域样本数据集D＝{d1,d2,Sd3,...,dt}；然后对源域样本数据集与目标域样本数据集切分：将源域样本数据集D切分为和将目标域样本数据集DT切分为和4.根据权利要求1所述的基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其特征在于步骤2具体实现如下：2‑1.构建一维卷积神经网络模型M：构建的一维卷积神经网络的结构为输入层‑卷积层‑池化层‑卷积层‑池化层‑卷积层‑池化层‑全连接层‑全连接层‑输出层；将输入一维卷积神经网络M进行训练，得到网络参数；2‑2.构建迁移卷积神经网络模型I：构建的迁移卷积神经网络的结构与一维卷积神经网络模型M相同；将训练好的一维卷积神经网络M的参数迁移至迁移卷积神经网络模型I；将源域样本数据集和目标域样本数据集输入迁移卷积神经网络，冻结特征提取层，进行微调；2‑3.将目标域样本数据集输入迁移卷积神经网络，验证模型表现。5.根据权利要求4所述的基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其2CN114152442A权利要求书2/2页特征在于所述一维卷积神经网络模型M训练方法包括前向传播和反向传播两个过程。6.根据权利要求4所述的基于迁移卷积神经网络的滚动轴承跨工况故障检测方法，其特征在于所述的迁移卷积神经网络模型微调属于半监督学习方法，将源域样本数据集和目标域样本数据集输入迁移卷积神经网络，计算源域样本数据集的分类误差，同时计算源域样本数据集和目标域样本数据集经过特征提取后的最大平均差异。7.根据权利要求6所述的基于迁移卷