[发明专利]域不对称因子加权的滚动轴承故障深度局部迁移诊断方法

说明书

域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，首先利用深度残差网络提取源滚动轴承与目标滚动轴承监测数据中的深度迁移故障特征；其次利用深度迁移故障特征训练领域混淆网络，并计算域不对称因子；再次计算深度残差网络适配层故障特征的多核最大均值差异，并利用域不对称因子加权抑制源滚动轴承中无效故障特征的贡献度；最后利用加权的多核最大均值差异构建目标函数，训练深度残差网络；训练所得的由领域混淆网络和深度残差网络构成的局部迁移诊断模型能够有效克服域不对称因素对迁移诊断的不利影响，实现了运用源滚动轴承局部诊断知识识别目标滚动轴承的不平衡健康状态，显著提高了迁移诊断模型的诊断精度。

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法。

背景技术

滚动轴承是大型旋转机械的核心零部件之一，一旦发生故障，轻则造成巨大经济损失，重则危及人员生命安全，因此其健康服役至关重要。故障智能诊断利用先进的机器学习技术构建了轴承监测数据与健康状态之间的映射关系，极大地降低了诊断过程对专家先验知识的过分依赖，尤其近年来伴随着深度学习技术的蓬勃发展，故障智能诊断的智能化水平与诊断精度显著提高，成为保障轴承安全运行的重要手段。故障智能诊断需要利用大量的含标记样本充分训练诊断模型，然而工程实际中，含标记样本稀缺，严重制约了故障智能诊断的实际应用。迁移学习通过建立迁移诊断模型，能够利用源滚动轴承的故障诊断知识解决目标滚动轴承的故障诊断问题，推动了滚动轴承故障智能诊断的“落地”应用。

现有的滚动轴承迁移诊断技术存在显著的局限性：源轴承与目标轴承的诊断知识域对称，即要求①目标轴承的数据须均匀分布在每一种健康状态上；②源轴承监测数据的标记空间大小与目标轴承数据的标记空间大小相等。然而，在工程实际中，这两点往往无法成立：目标轴承在服役过程中，长期处于正常状态，故障状态出现频率明显小于正常状态，此外，源轴承产生的故障状态或在目标轴承上未发生，因此，目标轴承的数据分布严重不平衡(包含大量正常信息、少量故障信息)，且源滚动轴承数据的标记空间往往覆盖目标轴承的标记空间，最终形成了不对称的源轴承与目标轴承诊断知识域。

受诊断知识域不对称因素的影响，现有迁移诊断技术难以有效地利用源轴承的诊断知识识别目标轴承的不平衡健康状态。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提出一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，提高域不对称约束下轴承迁移诊断的精度，推动智能诊断技术的实际应用。

为达到上述目的，本发明采取的技术方案为：

域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：

步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为M_s为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集其中，为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，M_t为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；

步骤2：构建领域共享的深度残差网络，网络的待训练参数为θ_ResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征其中，为第m个源滚动轴承健康状态样本的深度迁移故障特征，为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F₁代表深度残差网络的F₁层；

步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θ_adv，领域混淆网络的输入为深度迁移故障特征输出为领域混淆特征其中，为第m个源滚动轴承健康状态样本的领域混淆特征，为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络，最大化如下目标函数更新领域混淆网络的参数θ_adv，即：