【技術實現步驟摘要】
本專利技術屬于健康監測，特別涉及一種基于時頻分析與特征遷移結合的跨工況軸承故障診斷方法。
技術介紹
1、自動傾斜器是直升機操縱系統的重要組成部分，是將駕駛員操縱轉化為槳葉變距的“紐帶”。自動傾斜器軸承是自動傾斜器的關鍵組成部分，在實際使用過程中，具有外部負載條件復雜、工作環境惡略等特點，同時其設計幾乎不存在結構余度，一旦失效將產生嚴重后果。因此，開展自動傾斜器軸承故障診斷識別對于提高直升機安全性與可靠性具有重要意義。
2、傳統的軸承故障診斷算法包含三個部分：信號采集、特征構造與故障診斷。由于軸承振動信號中包含大量動態信息，故多選擇在關鍵位置布置振動傳感器采集振動信號完成軸承故障診斷。目前，軸承故障診斷算法分為兩類：傳統信號分析與機器學習和深度學習算法。傳統信號分析與機器學習對先驗知識與特征篩選經驗具有較高要求，無法滿足工業領域大數據發展需求，深度學習算法相對傳統故障診斷算法，可以自主提取原始軸承振動信號特征，減少人為經驗影響，更適合處理復雜軸承振動數據，但是深度學習算法無法對非平穩、非線性振動信號進行特征全面提取，影響最終分類準確率，因此將時頻分析處理算法和深度學習相結合既能解決特征丟失問題，又能充分利用深度學習強大的高精準故障分析診斷能力。雖然時頻分析和深度學習相結合在同工況環境下取得不錯的效果，但在變工況應用場景中，訓練集和測試集的數據不滿足獨立同分布的假設，導致利用訓練集數據訓練的深度學習模型很難在測試集數據上取得好的結果，因此需要引入遷移學習方法解決這一問題。
技術實現思路
1、專利技術目的：提出一種基于時頻分析與特征遷移結合的跨工況軸承故障診斷方法，運用小波包變換對原始信號(包含訓練集和測試集)進行多尺度細化分析構造小波包分解時頻圖,將時頻圖輸入多核卷積神經網絡結構完成遷移模型搭建與測試，實現跨工況軸承故障識別。
2、技術方案
3、一種基于時頻分析與特征遷移結合的軸承故障診斷方法，包括以下步驟：
4、s1：采集振動樣本數據，將振動樣本數據分為訓練集和測試集；
5、s2：對訓練集和測試集中的每一個樣本數據均進行小波包分解，獲得每一個樣本數據的四層小波包分解時頻系數；
6、s3：將每一個樣本數據的時頻系數進行二維重構；
7、s4：將每一個樣本數據二維重構后的時頻系數按照z字形拼接方法構造四層時頻圖，并進行歸一化；
8、s5：構建一個mscnn網絡模型；
9、s6：將每個樣本的四層時頻圖送入mscnn網絡，提取對應的組合深度特征；
10、s7：計算訓練集所有樣本的總交叉熵損失；
11、s8：判斷總交叉熵損失是否滿足要求，若滿足進入下一步，否則根據總交叉熵損失優化mscnn網絡；
12、s9：計算訓練集所有樣本和測試集所有樣本的在高維特征空間的mk-mmd距離損失量lmk-mmd；
13、s10：計算總體損失l，若總體損失滿足要求，則進入s12，否則進入下一步；
14、s11判斷是否等于設定的迭代次數，若是，則進入s12，根據總體損失l否則優化mscnn網絡，返回s6；
15、s12：利用訓練后的mscnn網絡提出測試集樣本數據，進行故障類型判斷。
16、進一步，s1中，訓練集和測試集的樣本數據比例為自由設定，可根據數據實際情況確定；訓練集的每個樣本數據均包含故障標簽，測試集的樣本數據不包含數據標簽。
17、進一步，s3中，二維重構過程如下：將每一個樣本數據平均分成n段，每段數據的長度為n，將n段數據作為二維重構矩陣的n行，構造一個n行n列的矩陣,n的計算公式如下：
18、
19、其中，len表示每一個樣本數據的長度，[]表示向下取整。
20、進一步，s4中，四層時頻圖構造過程如下：四層小波分解包分解時頻系數二維重構后按照從低頻向高頻依次定義為n1-n16，按照z字型拼接方法構造四層時頻圖[n1,n2,n6,n7；n3,n5,n8,n13；n4,n9,n12,n14；n10,n11,n15,n16]，該過程目的在于令時頻系數分布更加均勻，便于mscnn提取時頻圖的深度特征。
21、進一步，s5中，mscnn網絡模型包括：卷積預處理，包含卷積層、relu層和歸一化層，三個并行的卷積處理，包含6個卷積層、3個relu層、6個歸一化層和一個全局平均池化層，三個并行的卷積處理的處理核分別為3*3、5*5和7*7，卷積后處理，包含全連接層和softmax層，mscnn模型相對單核模型可以更加全面地提取時頻圖中的深層特征，能夠更加準確地完成數據遷移以及故障識別。
22、進一步，s7中，總交叉熵損失計算公式如下：
23、
24、其中，n表示總樣本數量，m表示分類類別數量，fsic表示符號函數，若分類成功則為1，分類失敗則為0，pic表示樣本i屬于類別c的預測概率，計算交叉熵損失目的在于優化mscnn網絡的全連接層，保證mscnn網絡可以實現訓練集數據的有效識別。
25、進一步，s8中，根據總交叉熵損失優化mscnn網絡的全連接層，優化參數包含全連接層的權重和偏置。
26、進一步，s9中，mk-mmd距離損失量lmk-mmd計算公式如下：
27、
28、其中，p表示訓練集，q表示測試集，φ表示再生希爾伯特空間映射，e表示求數據的數學期望，hk表示再生希爾伯特空間使用的核k。
29、進一步，s11中，根據總體損失l優化mscnn網絡的多核卷積層的權重與偏置。
30、綜上所述，本專利技術的有益效果如下：
31、本專利技術提出一種基于時頻分析與特征遷移結合的軸承故障診斷方法，對信號進行wpt處理后可以獲取振動信號多尺度時頻域信息，利用分解后獲取的系數構造時頻圖，將時頻圖輸入mscnn，利用交叉熵損失和高維空間mk-mdd損失完成mscnn和全連接層優化，完成故障診斷模型從訓練集數據向測試集數據的遷移，實現軸承故障類型與故障尺度的識別，為軸承維修提供合理建議。
本文檔來自技高網...【技術保護點】
1.一種基于時頻分析與特征遷移結合的軸承故障診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的方法，其特征在于：S1中，訓練集和測試集的樣本數據比例為；訓練集的每個樣本數據均包含故障標簽，測試集的樣本數據不包含數據標簽。
3.根據權利要求2所述的方法，其特征在于：S3中，二維重構過程如下：將每一個樣本數據平均分成N段，每段數據的長度為N，將N段數據作為二維重構矩陣的N行，構造一個N行N列的矩陣,,N的計算公式如下：
4.根據權利要求3所述的方法，其特征在于：S4中，四層時頻圖構造過程如下：四層小波分解包分解時頻系數二維重構后按照從低頻向高頻依次定義為N1-N16，按照Z字型拼接方法構造四層時頻圖，如下：
5.根據權利要求4所述的方法，其特征在于：S5中，MSCNN網絡模型包括：卷積預處理，包含卷積層、ReLu層和歸一化層，三個并行的卷積處理，包含6個卷積層、3個ReLu層、6個歸一化層和一個全局平均池化層，三個并行的卷積處理的處理核分別為3*3、5*5和7*7，卷積后處理，包含全連接層和Softmax層。
6
7.根據權利要求6所述的方法，其特征在于：S8中，根據總交叉熵損失優化全連接層，優化參數包含全連接層的權重和偏置。
8.根據權利要求7所述的方法，其特征在于：S9中，MK-MMD距離損失量LMK-MMD計算公式如下：
9.根據權利要求8所述的方法，其特征在于：S11中，根據總體損失L優化MSCNN網絡多核卷積層的權重與偏置。
...【技術特征摘要】
1.一種基于時頻分析與特征遷移結合的軸承故障診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的方法，其特征在于：s1中，訓練集和測試集的樣本數據比例為；訓練集的每個樣本數據均包含故障標簽，測試集的樣本數據不包含數據標簽。
3.根據權利要求2所述的方法，其特征在于：s3中，二維重構過程如下：將每一個樣本數據平均分成n段，每段數據的長度為n，將n段數據作為二維重構矩陣的n行，構造一個n行n列的矩陣,,n的計算公式如下：
4.根據權利要求3所述的方法，其特征在于：s4中，四層時頻圖構造過程如下：四層小波分解包分解時頻系數二維重構后按照從低頻向高頻依次定義為n1-n16，按照z字型拼接方法構造四層時頻圖，如下：
5.根據權利要求4所述的方法，其特征在于：s...
【專利技術屬性】
技術研發人員：王帥星，戴玉山，李新民，張先輝，任浩，
申請(專利權)人：中國直升機設計研究所，
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。