基于域不变序列变换的滚动轴承故障诊断迁移学习方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114720130A(43)申请公布日2022.07.08(21)申请号202210310039.8(22)申请日2022.03.28(71)申请人青岛明思为科技有限公司地址266000山东省青岛市李沧区金水路171号4号楼1-6层(72)发明人张季阳刘志亮艾婷左明健(74)专利代理机构成都行之智信知识产权代理有限公司51256专利代理师温利平(51)Int.Cl.G01M13/045(2019.01)G06F17/15(2006.01)G06F17/16(2006.01)权利要求书6页说明书14页附图1页(54)发明名称基于域不变序列变换的滚动轴承故障诊断迁移学习方法(57)摘要本发明公开了一种基于域不变序列变换的滚动轴承故障诊断迁移学习方法，首先利用HMM模型将原始仿真数据转换为状态观测序列，消除仿真数据与实际故障数据在幅值上的差异，保留关键的故障特征频率信息，以消除仿真数据与实际数据之间的分布差异，获取域不变的故障信息；然后，将状态观测序列输入GRU故障诊断模型中，利用GRU的长时间序列建模能力获取数据的时序相关性，从而提取判别性的故障特征，实现了对滚动轴承的故障诊断。CN114720130ACN114720130A权利要求书1/6页1.一种基于域不变序列变换的滚动轴承故障诊断迁移学习方法，其特征在于，包括以下步骤：(1)、构建滚动轴承故障仿真模型x(t)；其中，s(·)表示传感器获得的由轴承局部缺陷产生的冲击响应函数，表示第次冲击的幅值，T表示冲击过程的重复周期，表示第次冲击相对于周期T的微小波动，I为冲击次数，n(t)为环境噪声，t为表示采样时刻；(2)、根据模型x(t)产生滚动轴承故障仿真数据；根据构建的滚动轴承故障仿真模型x(t)生成滚动轴承在K种故障状态下T个采样时刻的仿真数据集X＝[X1,X2,…,Xk,…,XK]；其中，记在第k种故障状态下得到的轴承故障仿真数据为(3)、利用滑动窗口对仿真数据集X进行采样；(3.1)、采用长度为L，滑动步长为s的滑动窗口对仿真数据集X中的每一组仿真数据Xk进行滑动窗口采样，得到时间序列训练样本集合S＝[S1,S2,…,Sk,…,SK]，其中，Sk为：其中，n表示第k种故障状态的时间序列训练样本子集Sk包含的时序子序列的个数，i＝1,2,…,n且满足n≤[(T‑L)/s]+1；(3.2)、将时间序列训练样本集合S作为仿真数据训练集Settrain，S中各个时序子序列所对应的故障状态编号k组成对应的标签集Labeltrain；2CN114720130A权利要求书2/6页其中，(4)、通过隐马尔可夫模型HMM生成仿真数据域不变状态序列训练集；(4.1)、采用短时傅立叶变换STFT对Settrain进行分解，得到分解后的仿真数据训练集其中，为分解后第k种故障状态的时间序列训练样本子集，表示分解后第k种故障状态下的第i个时序样本；为经过STFT变换后的序列长度；经过变换后的各时序样本包含个时刻的数据，(4.2)、随机初始化HMM模型；设所有可能的隐藏状态的集合Q为：Q＝{q1,…,qj,...,qN}(6)其中，qj表示第j个隐藏状态，N为隐藏状态的总个数；设所有可能的时序数据观测值的集合V为：V＝{v1,…,vl,...vM}(7)其中，vl表示第l个时序数据观测值，M为时序数据观测值的总个数；将HMM模型表示为：λ＝{A,B,C}(8)其中，为隐马尔科夫模型的状态概率矩阵，ajj'表示由3CN114720130A权利要求书3/6页时刻的隐藏状态qj在时刻变为隐藏状态qj'的概率值，为观测状态概率矩阵，bjl表示在隐藏状态qj下生成观测值vl的概率值，为隐藏状态初始概率分布矩阵，cj表示在初始时刻时隐藏状态为qj的概率值；(4.3)、利用鲍姆‑韦尔奇算法训练HMM模型；(4.3.1)、随机初始化HMM模型三个概率矩阵A、B、C的参数；(4.3.2)、使用前向后向算法计算在给定HMM模型λ以及经过STFT变换后的各个时序样本时，在时刻处于隐藏状态qj的概率；以及在给定HMM模型λ和时序样本在时刻的隐藏状态qj时，在时刻时处于隐藏状态qj'的概率根据和更新模型参数：其中，j,j'＝1,2,…,N，l＝1,2,…,M；(4.3.3)、如果概率矩阵A，B，C的各元素值已经收敛，则算法结束，得到训练好的HMM模型；否则，返回(4.3.2)继续迭代；(4.4)、通过训练好的HMM模型使用维特比算法获取时序样本的隐藏状态；(4.4.1)、设经过STFT变换后的各个时序样本对应的隐藏状态序列为4CN114720130A权利要求书4/6页任意一个时刻的隐藏状态对应的观测序列为任意一个时刻的观测值则定义局部状态为在时刻隐藏状态为qj时所有