【技術實現步驟摘要】
本專利技術涉及工業設備的零部件故障診斷，尤其是涉及深度學習的軸承故障診斷方法。
技術介紹
1、在一系列機械設備中，軸承作為重要的傳動部件，直接影響整個系統的性能和安全性。?隨著機械設備的長期運行，惡劣的工作環境或材料的老化可能會導致各種類型的軸承故障。?據統計，30%的旋轉機械故障是由軸承故障引起的。?因此，及時、準確地診斷軸承的健康狀態對于防止故障升級、保障設備安全運行具有重要意義。
2、由于系統的振動信號可以洞察其內部健康狀態，研究人員開發了一系列基于振動信號的軸承故障診斷方法。多為利用時間、頻率和時頻域分析獲得信號的偏度、峰度、平均值等統計特征實現軸承故障診斷。然而，傳統的軸承故障診斷方法存在著局限性。基于原始振動信號的診斷方法容易受到環境噪聲的干擾，而基于頻域分析的方法需要技術人員具有高度的專業知識。隨著人工智能的發展，以卷積神經網絡（cnn）為代表的深度學習方法憑借其強大的特征提取能力在軸承故障診斷方面取得了顯著的成功。遺憾的是，這些方法仍然表現出明顯的缺點：1）來自不同操作條件的數據表現出分布差異，使得在原始數據集上訓練的模型難以在所有場景中推廣。?然而，獲得不同工況下的標記數據集是不現實的。?2）大多數方法直接將深度學習模型應用于機械信號的分析，而深度網絡提取的抽象特征缺乏基于工程的物理可解釋性。
3、為此，現有技術需要進一步改進和完善。
技術實現思路
1、本專利技術提供一種機理驅動的可解釋域自適應軸承故障診斷方法，不僅能夠從振動信號中提取具備
2、為達到上述目的，本專利技術采用如下技術方案：
3、一種機理驅動的可解釋域自適應軸承故障診斷方法，包括以下步驟：
4、s1、采集不同工況下的故障軸承的振動信號，并分為多個樣本作為初始數據集；
5、s2、根據軸承的振動響應機理設計一個自編碼網絡，該自編碼網絡可以從振動信號中提取具備物理意義的特征參數；
6、s3、構建物理特征矩陣，在每個樣本輸入到自編碼網絡之前，根據最大故障特征頻率被分為多個分段信號，每個分段信號在機理驅動的自編碼網絡中單獨重構，此時，自編碼網絡會通過迭代不斷優化物理特征參數，以減少重構信號與原始信號之間的誤差；當重構信號達到一定精度時，認為解碼矩陣已經從原始信號中提取出具有物理意義的特征參數，然后將這些分段信號的物理特征參數拼接成向量矩陣，作為一個樣本的物理特征矩陣；
7、s4、每個樣本的物理特征矩陣在域自適應網絡中進行進一步特征提取，并完成跨工況下的故障診斷。
8、上述方案進一步是，所訴步驟s2中根據軸承的振動響應機理設計的自編碼網絡，它的整體過程可以用公式表示為：
9、；
10、式中， x0為原始信號，wen為編碼矩陣，y為經過壓縮之后的編碼向量，wde為解碼矩陣，則是重構之后的信號；其中，解碼矩陣被設計為由多個故障沖擊響應原子 f h組成：
11、；
12、式中，與分別為第項原子的幅值，固有頻率參數、阻尼比與沖擊發生時刻。
13、上述方案進一步是，所訴步驟s3中優化物理特征參數過程如下：
14、維度為n的信號在自編碼網絡訓練的過程中，重構信號與原始信號之間的誤差用均方損失函數來計算，通過結合梯度下降法和余弦退火法對特征參數進行優化，來達到間接優化解碼矩陣的目的；在優化迭代過程中沖擊時刻落入噪聲區間使，添加了沖擊力矩搜索模塊，增強自編碼網絡的特征提取能力。
15、上述方案進一步是，所述步驟s4中跨工況下的故障診斷，具體為使用機理驅動的自編碼網絡替代了dann網絡中常用的深度卷積特征提取器，然后把所提取出來的物理特征矩陣在淺層卷積中進行進一步的特征提取，最后在域判別器和分類器的共同作用下完成跨工況下的故障診斷。
16、上述方案進一步是，沖擊力矩搜索模塊工作如下：為沖擊力矩設置三個不同的初始值，分別為[0，t/3，2t/3]，t為分段信號的時間長度，三個并行自編碼網絡用于迭代初始化；以便分別負責搜索信號頭部、中部和尾部的沖擊時刻；然后求初始重構信號與原始信號之間的皮爾遜相關系數；如果初始重構信號的沖擊時刻更接近真實信號，則其皮爾遜相關系數會更大，因此，選擇皮爾遜相關系數最大的一組參數進行深度迭代，盡可能避免噪聲區間內所有特征參數的迭代更新。
17、上述方案進一步是，所述步驟s1中的初始數據集包含有標簽的源域數據和無標簽的目標域數據，每種類別的數據按2048采樣點的長度劃分樣本。
18、本專利技術根據軸承的振動響應機理設計一個自編碼網絡，并在每個樣本輸入到自編碼網絡之前，先根據最大故障特征頻率被分為多個分段信號，每個分段信號在機理驅動的自編碼網絡中單獨重構，提取出具有物理意義的特征參數，然后將這些分段信號的物理特征參數拼接成向量矩陣，作為一個樣本的物理特征矩陣；再將每個樣本的物理特征矩陣在域自適應網絡中進行進一步特征提取，并完成跨工況下的故障診斷；與使用原始域對抗網絡算法進行故障診斷相比具備更強的可解釋性，同時能夠提高模型的性能，提升了軸承故障診斷準確性，并能及時診斷軸承健康狀態，降低經濟損失。
本文檔來自技高網...【技術保護點】
1.一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所訴步驟S2中根據軸承的振動響應機理設計的自編碼網絡，它的整體過程可以用公式表示為：
3.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所訴步驟S3中優化物理特征參數過程如下：
4.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所述步驟S4中跨工況下的故障診斷，具體為使用機理驅動的自編碼網絡替代了DANN網絡中常用的深度卷積特征提取器，然后把所提取出來的物理特征矩陣在淺層卷積中進行進一步的特征提取，最后在域判別器和分類器的共同作用下完成跨工況下的故障診斷。
5.根據權利要求3所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，沖擊力矩搜索模塊工作如下：為沖擊力矩設置三個不同的初始值，分別為[0，T/3，2T/3]，T為分段信號的時間長度，三個并行自編碼網絡用于迭代初始化；以便分別負責搜索信號頭部、中部
6.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所述步驟S1中的初始數據集包含有標簽的源域數據和無標簽的目標域數據，每種類別的數據按2048采樣點的長度劃分訓練樣本。
...【技術特征摘要】
1.一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所訴步驟s2中根據軸承的振動響應機理設計的自編碼網絡，它的整體過程可以用公式表示為：
3.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所訴步驟s3中優化物理特征參數過程如下：
4.根據權利要求1所述的一種機理驅動的可解釋域自適應軸承故障診斷方法，其特征在于，所述步驟s4中跨工況下的故障診斷，具體為使用機理驅動的自編碼網絡替代了dann網絡中常用的深度卷積特征提取器，然后把所提取出來的物理特征矩陣在淺層卷積中進行進一步的特征提取，最后在域判別器和分類器的共同作用下完成跨工況下的故障診斷。...
【專利技術屬性】
技術研發人員：蔣飛，鄺毅聰，林偉圻，吳兆乾，
申請(專利權)人：東莞理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。