[发明专利]一种改进模型迁移策略的滚动轴承故障诊断方法

权利要求书

1.一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述方法的实现过程为：

(1)、数据选取及处理

获取已知某种型号的滚动轴承的所有状态振动信号，将其作为源域数据；将未知具体状态的其他型号滚动轴承振动信号作为目标域数据；对源域与目标域数据作小波变换并构建二维图像数据集，作为源域网络与目标域网络的输入；

(2)、源域网络模型训练

将处理好的源域数据输入到ResNet-34网络中，经过多次迭代训练得到源域分类模型；

(3)、模型迁移之参数传递

源域分类模型导出，利用隐式渐变元学习进行参数传递来实现模型迁移进行改进模型迁移策略；

利用隐式渐变元学习传递参数达到模型迁移的目的，通过网络每层权重决定迁移哪一层的知识及什么知识到目标域，辅助目标域网络进行训练；

(4)、目标域网络模型训练及多状态识别

将处理好的目标域数据放入ResNet-152网络中，通过不断交替更新目标模型参数与元网络参数，建立参数迁移后的多状态识别模型，并获得目标域最终标注的标签，与目标域数据真实标签进行对比，获得多状态识别的准确率，以此衡量模型的识别性能；

隐式渐变元学习的模型迁移策略的加权特征匹配过程：

1)迁移什么

使用加权特征匹配损失，根据其在目标任务上的效果强调迁移什么：

式中，S^m(x)是预训练网络的第m层的特征图，为目标网络的第n层的特征图，r_θ是参数θ的线性变换，H×W代表源域网络及目标域网络的m、n层的特征图大小，是通道c的非负权重且将通道权重设为：

式中，表示元网络的参数；

2)迁移哪里

将知识从源域模型迁移到目标域模型时，确定源域模型与目标域模型中的网络层对应(m,n)对其有效性至关重要，为每对(m,n)引入一个可学习参数：λ^m,n≥0，可分别确定源域模型与目标域模型的第m层与第n层之间的传递量；为每对(m,n)设定作为元网络的输出，自动确定学习目标任务的重要层对；

将通道的权重ω和匹配对λ的权重进行合并，得到的权重传输损耗定义为：

式中，C代表候选对，因此训练目标模型的最终损失为：

式中，L_org是初始损失，β是超参数且β0。

2.根据权利要求1所述的一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，利用隐式渐变元学习传递参数进行模型迁移的过程基于隐式渐变元学习的模型迁移策略来实现的，隐式渐变元学习的模型迁移策略：学习传递规则，自动考虑源域与目标域之间的架构和任务的差异，无需手动调整传递配置，元网络会与目标网络一起为每个特征及每对源网络层与目标网络层之间产生相应权重，主要目的是：(1)自动决定源域模型的哪些特征映射对于学习目标域任务是有用的；(2)加快内循环过程。

3.根据权利要求1或2所述的一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述滚动轴承故障诊断方法能进行滚动轴承多状态识别。

4.根据权利要求3所述的一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述滚动轴承多状态识别包括不同型号滚动轴承正常状态、内圈、外圈和滚动体故障及不同性能退化程度的识别。

5.根据权利要求1或4所述的一种改进模型迁移策略的滚动轴承故障诊断方法，其特征在于，所述某种型号的滚动轴承的所有状态包括正常状态及内圈、外圈、滚动体不同故障程度。