[发明专利]基于部分迁移卷积网络的机械设备智能故障诊断方法

权利要求书

1.一种基于部分迁移卷积网络的机械设备智能故障诊断方法，其特征在于，其包括以下步骤：

采集步骤S1，采集所述机械设备在不同运行工况下的运行数据，每个工况对应不同的机械健康状态，将采集的所有组成数据集表示为：X∈R^d×n，其中，d表示样本维度，n表示样本个数，X表示运行数据，R表示实数；

设置步骤S2，将数据集X中的部分数据作为源域训练样本集和目标域测试样本集；其中，源域训练样本集表示为：其中，上标s表示源域；n_s表示源域样本数；表示源域的第i个样本；表示相对于的标签；目标域测试样本集表示为：其中，上标t表示目标域；n_t表示目标域样本数；表示目标域的第i个样本；所述源域训练样本集为有标签数据集，所述目标域测试样本集为无标签数据集；

格式化步骤S3，对源域训练样本集和目标域测试样本集中的每个样本数据使用如下表达式进行数据标准化：

其中，μ_i是x_i的平均值；σ_i是x_i的标准差；j表示x_i的第j个元素；

训练步骤S4，使用源域训练样本集训练两个结构相同但初始化参数不同的一维卷积神经网络模型并基于目标域测试样本集对训练后的两个卷积神经网络模型进行修正得到卷积神经网络机械设备故障诊断模型；以及

诊断步骤S5，将采集的机械设备的实时运行数据输入至所述卷积神经网络机械设备故障诊断模型中，所述卷积神经网络机械设备故障诊断模型基于所述实时运行数据对机械设备进行故障诊断输出故障类型。

2.根据权利要求1所述的基于部分迁移卷积网络的机械设备智能故障诊断方法，其特征在于，所述机械设备为滚动轴承或行星齿轮箱。

3.根据权利要求2所述的基于部分迁移卷积网络的机械设备智能故障诊断方法，其特征在于，采集滚动轴承的运行数据的采样频率为12kHz，采集行星齿轮箱的运行数据的采样频率为5kHz。

4.根据权利要求3所述的基于部分迁移卷积网络的机械设备智能故障诊断方法，其特征在于，所述训练步骤S4具体包括以下步骤：

步骤S41，构建一维深度卷积部分迁移网络框架，该框架包含两个结构相同但初始化参数不同的一维卷积神经网络模型，每个卷积神经网络模型包括卷积层、非线性激活函数、Batch-标准化层、池化层、Dropout层、全连接层和Softmax分类器输出层；

步骤S42，使用源域训练样本集训练所述两个卷积神经网络模型使得两个卷积神经网络模型能够正确的分类源域训练样本集，使用交叉熵作为目标损失函数，如下表达式：

式中，J_c表示交叉熵损失函数；n_s表示源域样本数；k表示类别标签；y表示真实标签；|Y_s|表示样本的类别数；表示只有当时结果才为1，其他情况结果为0；p(·)表示Softmax分类层函数的输出；

步骤S43，利用训练后的两个卷积神经网络模型估计目标域测试样本集中的样本的标签分布，得到分布权重，并利用该分布权重修正卷积神经网络模型中的交叉熵损失函数，表示为：

式中，w是维度为|Y_s|的向量；n_t表示目标域样本数；和表示两个分类器的预测输出；p₁和p₂为概率表示形式；并且根据定义然后修正两个卷积神经网络模型的分类交叉熵损失函数如下式：

式中，w_k表示w中的第k个元素；L_uc表示总的交叉熵损失函数；J_c1和J_c2分别表示两个网络F₁和F₂的交叉熵损失函数；

步骤S44，计算两个卷积神经网络模型针对目标域测试样本集中样本的分类器输出，形成分类器差异损失函数以约束域分布差异，并将其与所述分类交叉熵损失函数结合形成最终的优化目标函数，表示为下式所示：

式中，L_d表示分类器差异损失函数；L表示最终的优化目标函数；||·||₁表示1范数；

步骤S45，使用随机梯度下降法优化两个卷积神经网络模型的参数使得所述优化目标函数L的值最小化；

步骤S46，迭代计算步骤S43、步骤S44和步骤S45，直到满足迭代终止条件后得到卷积神经网络机械设备故障诊断模型。

5.根据权利要求4所述的基于部分迁移卷积网络的机械设备智能故障诊断方法，其特征在于，所述运行数据为振动数据。