一种基于少标签数据特征迁移的滚动轴承故障诊断方法.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CN113988126A(43)申请公布日2022.01.28(21)申请号202111245670.6G06N3/04(2006.01)(22)申请日2021.10.26G06N3/08(2006.01)(71)申请人哈尔滨理工大学地址150080黑龙江省哈尔滨市南岗区学府路52号(72)发明人康守强李玉王玉静王庆岩梁欣涛杨得济(74)专利代理机构黑龙江立超同创知识产权代理有限责任公司23217代理人杨立超(51)Int.Cl.G06K9/00(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书3页说明书13页附图7页(54)发明名称一种基于少标签数据特征迁移的滚动轴承故障诊断方法(57)摘要一种基于少标签数据特征迁移的滚动轴承故障诊断方法，用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。本发明的技术要点包括：引入原型对比学习进行域适应，建立基于原型域适应的故障诊断模型；提出将Res2Net结构中增加CBAM注意力机制模块，并进一步更换特征提取网络的激活函数，提高深度网络对滚动轴承数据特征提取能力，最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。本发明方法在滚动轴承变负载条件下具备较好的分类性能，可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题且具有良好的泛化性能。CN113988126ACN113988126A权利要求书1/3页1.一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤一、在一种负载类型下获取包含所有状态且少量带有状态标签的滚动轴承振动信号作为源域数据；在其他负载类型下获取包含所有状态且不带有状态标签的滚动轴承振动信号作为目标域数据，并将目标域数据分为目标域训练数据和目标域测试数据；步骤二、对源域数据和目标域数据进行预处理，获得源域图像数据集和目标域图像数据集；其中，目标域图像数据集包括目标域训练图像数据集和目标域测试图像数据集；步骤三、利用包含改进残差块结构和激活函数的ResNet网络对源域图像数据集和目标域训练图像数据集分别进行特征提取，分别获得源域特征样本集和目标域特征样本集；步骤四、将所述源域特征样本集和目标域特征样本集同时输入原型域适应分类模型，通过基于原型域适应方法对源域特征样本集和目标域特征样本集进行域适应训练；步骤五、迭代循环执行步骤三至步骤四，直至总损失函数达到收敛条件，获得基于原型域适应的滚动轴承故障诊断模型；步骤六、将目标域测试图像数据集输入到训练好的滚动轴承故障诊断模型中，获得最终诊断结果。2.根据权利要求1所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤一中负载类型包括0hp、1hp、2hp和3hp；所述状态包括正常状态和故障状态，所述故障状态包括内圈故障、滚动体故障、外圈故障及不同损伤程度状态。3.根据权利要求2所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤二中所述预处理包括对源域数据和目标域数据做小波变换，分别构建二维源域图像数据集和目标域图像数据集。4.根据权利要求3所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤三中所述改进残差块结构为：引入Res2Net网络结构，在Res2Net网络结构中增加卷积块注意力模块—CBAM模块，CBAM模块由增加通道注意力机制和空间注意力机制组成，Res2Net网络输出的特征依次经过增加通道注意力机制和空间注意力机制，获得通过注意力过程之后输出的特征；其中，经过增加通道注意力机制的计算公式为：式中，表示通过增加通道注意力机制中平均池生成的空间描述；表示通过增加通道注意力机制中最大池生成的空间描述；W0和W1为两个卷积层，σ为Sigmoid函数；经过空间注意力机制的计算公式为：式中，f7×7表示卷积核为7×7；表示通过空间注意力机制中平均池生成的空间描述，表示通过空间注意力机制中最大池生成的空间描述。5.根据权利要求4所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤三中所述激活函数为meta‑acon激活函数，所述meta‑acon激活函数是在激活函数ACON‑C基础上进行修改得到的，所述激活函数ACON‑C表达式为：2CN113988126A权利要求书2/3页C(x)＝(p1‑p2)xσ[β(p1‑p2)x]+p2x其中，p1、p2为可学习的参数；β为平滑因子；x表示特征向量；将上式中的平滑因子β修改替换为下式的βc：其中，βc表示自适应函数在通道空间