【技術實現(xiàn)步驟摘要】
本專利技術涉及滾動軸承等旋轉(zhuǎn)設備關鍵部件跨域故障診斷，更具體地，涉及一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法。
技術介紹
1、滾動軸承是現(xiàn)代旋轉(zhuǎn)設備運行的重要組成部分。如果滾動軸承出現(xiàn)損傷后未被及時發(fā)現(xiàn)和修復，可能會引發(fā)一系列故障連鎖反應，從而導致設備損壞或嚴重的安全事故，造成無法挽回的損失。因此，對滾動軸承開展故障診斷研究具有重大意義。然而，由于轉(zhuǎn)速、載荷等因素的影響，旋轉(zhuǎn)設備的運行工況復雜多變，這使得測試樣本和訓練樣本之間的數(shù)據(jù)分布存在較大差異，進而導致數(shù)據(jù)驅(qū)動的診斷模型性能嚴重下降。因此，工況復雜多變?nèi)匀皇菍嶋H工業(yè)場景中故障診斷面臨的巨大挑戰(zhàn)。
2、域適應是一種有效的在變工況條件下進行故障診斷的方法。域適應的基本思想是將從源域任務中學到的知識遷移到新的相關目標域任務中，以實現(xiàn)對目標域樣本的準確故障診斷。然而，大多數(shù)域適應方法需要依賴于大量帶標簽的目標域樣本，這在實際應用中常常面臨挑戰(zhàn)。
3、無監(jiān)督域適應有效地解決了目標域樣本缺乏標簽這一問題，即源任務包含大量帶標簽樣本，目標任務僅包含少量無標簽樣本的變工況診斷問題。無監(jiān)督域適應方法大致可以分為基于差異度量的方法和基于對抗學習的方法。基于差異度量的方法通過比較不同分布數(shù)據(jù)之間的差異來實現(xiàn)域適應。an等人設計了一種改進的聯(lián)合最大均值差異，以實現(xiàn)無監(jiān)督條件下邊際概率分布和條件概率分布的同步對齊。zhou等人利用權重因子動態(tài)調(diào)整數(shù)據(jù)的邊際概率分布和條件概率分布，以完成目標域的故障診斷任務。基于對抗學習的方法利用對抗的思想
4、然而，上述方案仍存在以下不足：1)在獲取域不變特征的過程中，包括基于mcd方法在內(nèi)的大多數(shù)無監(jiān)督域適應故障診斷方法僅對齊源域和目標域樣本的全局特征分布，卻忽略了源域和目標域同類別樣本之間的特征分布差異，導致對靠近分類邊界的目標域樣本進行了錯誤分類。2)基于mcd的方法利用雙分類器之間的差異來學習可遷移的特征表示，往往忽略了目標域樣本分類器輸出結果的確定性，導致特征可辨別性降低。
技術實現(xiàn)思路
1、本專利技術的目的在于提供一種基于兩階段聯(lián)合特征對齊mcd網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其用于在變工況條件下對滾動軸承進行有效地跨域故障診斷。為了減小源域與目標域分布之間的差異，設計了一種兩階段聯(lián)合特征對齊策略，以對齊滾動軸承在不同工況下采集樣本的全局特征分布和同類別樣本之間的特征分布。第一階段，利用最大均值差異指標減小源域和目標域樣本的全局特征分布差異，從而提高故障特征的可遷移性。在第一階段保證故障特征可遷移性基礎上，第二階段充分利用目標域樣本的潛在類別信息，通過第一階段訓練完成的網(wǎng)絡模型得到目標域樣本輸出概率向量作為目標域樣本偽標簽，并利用局部最大均值差異指標減小源域和目標域同類別樣本之間的特征分布差異，以提高故障特征的可辨別性。為了保證雙分類器輸出確定的診斷結果，設計了一種融合分類器差異指標，以度量雙分類器輸出結果之間的差異。該指標包含聯(lián)合差異指標和個體差異指標，分別用于保證雙分類器最終輸出結果的一致性和確定性。本專利技術基于兩階段聯(lián)合特征對齊mcd網(wǎng)絡，充分利用了目標域樣本的潛在故障類別信息，既提高了所提取故障特征的可遷移性，又提高了所提取故障特征的可辨別性，同時保證了雙分類器輸出診斷結果的確定性，從而顯著提高了滾動軸承變工況故障診斷任務的診斷精度。
2、為實現(xiàn)上述目的，本專利技術采用以下技術方案實現(xiàn)：
3、一種基于兩階段聯(lián)合特征對齊mcd網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于，包括以下步驟：
4、a1獲取滾動軸承不同工況條件下(不同工況條件表示不同負載條件)的歷史運行數(shù)據(jù)，使用滑動窗口法將原始振動信號分割為相同長度的數(shù)據(jù)并進行歸一化處理，構建帶標簽源域樣本集與無標簽目標域樣本集(源域樣本集和目標域樣本集分別屬于不同工況)，隨后將無標簽目標域樣本集劃分為訓練集和測試集。
5、a2構建包含特征提取器和雙分類器的網(wǎng)絡結構并初始化網(wǎng)絡參數(shù)，采用融合分類器差異指標度量雙分類器輸出結果之間的差異，并用于構建網(wǎng)絡的損失函數(shù)。
6、a3采用兩階段聯(lián)合特征對齊策略，以減小源域與目標域分布之間的差異，每一階段包含三個步驟，每一個步驟對應一個總損失函數(shù)，依次訓練整體網(wǎng)絡、分類器以及特征提取器。第一階段，將帶標簽源域樣本與無標簽目標域訓練樣本輸入網(wǎng)絡模型，引入最大均值差異以減小源域和目標域樣本的全局特征分布差異。該階段的三個步驟將反復訓練，直到達到預設的最大迭代次數(shù)。第二階段，將帶標簽源域樣本與無標簽目標域訓練樣本輸入網(wǎng)絡模型，在第一階段基礎上充分利用目標域樣本的潛在類別信息，通過第一階段訓練完成的網(wǎng)絡模型得到目標域樣本輸出概率向量作為目標域樣本偽標簽，引入局部最大均值差異減小源域和目標域同類別樣本之間的特征分布差異，三個步驟反復訓練直到達到第二階段的最大迭代次數(shù)，停止訓練，生成泛化性能良好的基于兩階段聯(lián)合特征對齊的mcd網(wǎng)絡。
7、a4采用訓練好的基于兩階段聯(lián)合特征對齊的mcd網(wǎng)絡來識別變工況下目標域測試樣本的軸承故障類型，完成最終的故障診斷任務。
8、一種基于兩階段聯(lián)合特征對齊mcd網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：所述a1的具體步驟如下：
9、a11)獲得滾動軸承不同工況條件下(不同工況條件表示不同負載條件)的實際運行歷史數(shù)據(jù)，使用滑動窗口法將原始振動信號分割為相同長度的數(shù)據(jù)并進行歸一化處理，每一個數(shù)據(jù)的長度為1024，其歸一化處理公式如下：
10、
11、其中，x是原始數(shù)據(jù)，xnorm是歸一化后的數(shù)據(jù)，xmin和xmax分別是數(shù)據(jù)集中的最小值和最大值。
12、a12)構建帶標簽源域樣本集ns表示源域樣本數(shù)，表示第i個源域樣本，為的故障類型標簽；構建無標簽目標域樣本集表示第j個目標域樣本，nt表示目標域樣本數(shù)。源域樣本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：所述A1的具體步驟如下：
3.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：所述A2的具體步驟如下：
4.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：步驟A3中，采用兩階段聯(lián)合特征對齊策略，以減小源域與目標域分布之間的差異，每一階段包含三步驟，每一個步驟對應一個總損失函數(shù)，依次訓練整體網(wǎng)絡、分類器以及特征提取器，具體步驟如下：
5.根據(jù)權利要求4所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：步驟A31中，總損失函數(shù)通過計算LS交叉熵損失和Lmmd最大均值差異指標之和獲得，如公式(5)和公式(6)所示：
6.根據(jù)權利
...【技術特征摘要】
1.一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：所述a1的具體步驟如下：
3.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：所述a2的具體步驟如下：
4.根據(jù)權利要求1所述的一種基于兩階段聯(lián)合特征對齊最大分類器差異網(wǎng)絡的滾動軸承無監(jiān)督域適應故障診斷方法，其特征在于：步驟a3中，采用兩階段聯(lián)合特征對齊策略，...
【專利技術屬性】
技術研發(fā)人員：高慧慧，馮添陽，韓紅桂，高學金，李方昱，
申請(專利權)人：北京工業(yè)大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。