一种基于多标签领域自适应模型的轴承复合故障诊断方法.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CN114118138A(43)申请公布日2022.03.01(21)申请号202111233566.5(22)申请日2021.10.22(71)申请人苏州大学地址215000江苏省苏州市姑苏区十梓街1号(72)发明人陈良褚刘星(74)专利代理机构苏州吴韵知识产权代理事务所(普通合伙)32364代理人朱亮(51)Int.Cl.G06K9/00(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于多标签领域自适应模型的轴承复合故障诊断方法(57)摘要本发明提供了一种针对变工况条件下未知目标域中轴承复合故障的诊断方法，包括：基于多层领域自适应方法构建由深度残差网络组成的故障特征提取器；输入预处理后的轴承振动信号，对源域及目标域数据经过多个残差块提取到的特征都进行分布差异匹配，得到可迁移的特征；通过多标签学习将复合故障表示为单一故障的组合；运用二元关联策略为各类单一故障分别训练对应的二分类器，从复合故障中分离出各单一故障特征并分别进行诊断。本发明解决了传统诊断方案依赖专家知识且难以对复合故障进行有效解耦并识别的问题，实现了变工况下对轴承复合故障的精确诊断，同时摆脱了现有方法对标记数据的依赖，能够对相关但不可见的目标域进行准确诊断。CN114118138ACN114118138A权利要求书1/3页1.一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：包括以下步骤：步骤1：采集不同工作条件下的旋转机械轴承振动信号并进行预处理，经过快速傅里叶变换后转化为频域信号；步骤2：将带标签的故障样本作为用于训练模型的源域数据，不同工况下无标记的样本则作为待检测的目标域数据，以此来验证所提方法在诊断无标记的目标数据时的有效性；步骤3：针对轴承故障诊断问题的特点，构建含有多个残差块结构的故障特征提取器；步骤4：使用源域数据对网络进行预训练，并设置学习率ξ及超参数λ；步骤5：将源域及目标域样本输入经过预训练的故障特征提取器，通过逐层卷积并度量分布差异提取到可迁移的特征；步骤6：基于多核最大均值差异联合多个核函数的子空间映射对故障特征进行精确表达，并采用多层领域自适应策略对从源域及目标域中抽取出的多层故障特征进行分布差异匹配；步骤7：运用多标签学习中的二元关联策略构建多标签分类器，对复合故障数据进行多标签转化：(x,y)→{(x,yj)|j＝1,...,C}，其中C表示单一故障类别数；步骤8：将多标签分类任务转化为多个二分类问题，从复合故障中分离出各单一故障特C征，为各类单一故障分别训练对应的二分类器:h＝(h1,...,hC):χ→{0,1}。输入经过特征提取器提取的可迁移特征得到分类结果；步骤9：输出关联后的多标签:并基于二分类交叉熵计算分类损失；步骤10：结合分类损失与计算多层多核最大均值差异得到的分布匹配损失得到总损失函数，并对其进行反向传播更新权值，并采用Adam算法加快模型收敛并更新模型参数；步骤11：模型训练结束后，使用目标域的测试集样本评估模型的诊断效果。2.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤4中所述的超参数λ为调整分布匹配损失权重的权衡系数。3.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤5中所述的故障特征提取器，设有1个用于输入的卷积层、1个ReLu激活层以及4个残差单元，为了适应输入的轴承故障信号图的尺寸，将网络中卷积层的内核尺寸设置为3×3。4.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤5中所述卷积操作为通过输入层的卷积计算抽取输入的源域和目标域频域图中的故障特征，并输出64维特征向量；将经过输入层计算并激活的特征向量输入故障特征提取器的残差块中，用F表示学习到的残差函数，则残差块中第l层到更深的第L层特征的计算过程如下：5.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤6中所述多核最大均值差异通过计算不同分布的数据在再生核希尔伯特2CN114118138A权利要求书2/3页空间中的距离来度量对应分布间的差异。再生核希尔伯特空间是由核函数k构成的空间，对于每一个再生核希尔伯特空间都有唯一与之对应的k，而核函数直接影响了再生核希尔伯特空间的特征映射能力；单一核函数的表达能力是有限的，而多核最大均值差异方法则很好的解决了这一问题；MK‑MMD中的核函数k是正定函数{ku}的线性组合，由多个核函数的加权和表示：令Hk为定义在X上的函数f:X→R的再生核希尔伯特空间，φ:X→Hk为将X