[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

说明书

一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。针对源域与目标域中相同状态数据分布差异大的问题而提出。利用小波变换获取不同型号轴承振动信号的时频谱并构建图像数据集；选择某种型号的数据作为源域，其他型号数据作为目标域；使用源域数据训练ResNet‑34深度卷积网络，得到源域数据分类模型；利用隐式渐变元学习自适应决定迁移知识层级及知识内容实现模型迁移策略的改进，避免异构体系结构中梯度不易收敛现象；将迁移的知识引入目标域ResNet‑152卷积神经网络数据训练的过程中通过参数传递实现模型迁移；在训练源域与目标域网络时采用随机梯度下降算法优化网络参数，建立不同型号滚动轴承的故障诊断模型。

技术领域

本发明涉及一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。

背景技术

滚动轴承作为旋转机械的关键部件，在工业生产中广泛应用，对其进行有效的故障诊断可预防重大事故发生^[1]。滚动轴承型号多样，导致在实际工作中缺少或无法获取带标签的某种型号的训练数据^[2]。根据已知某种状态信息的滚动轴承振动信号对其他型号下未知状态信息的振动信号进行状态识别具有重要的实际意义^[3]。

滚动轴承不同位置及不同损伤程度的故障诊断实质上是对滚动轴承运行状态的识别^[4]。传统的状态识别方法需要人工先提取特征，且具有丰富的信号处理经验及特征提取知识，根据不同的故障类型选取合适的特征^[5-6]。最近几年，随着研究人员对深度学习的研究，故障诊断方法开始使用深度学习自动提取所需特征，克服了传统方法中人工提取特征的缺陷^[7-8]。文献 [9]提出一种基于堆叠自动编码器的滚动轴承故障诊断方法，无需人工提取特征，大幅度减小人工经验对诊断结果的影响。文献[10]利用深度学习的图谱和序列模型实现轴承故障诊断，获得了较好的故障分类精度。文献[11]提出利用多尺度级联卷积神经网络增强输入分类信息，此方法在非平稳工况下轴承故障诊断中具有较好的结果。文献[12]从轴承的时域与频域数据中提取特征，通过局部和全局主成分分析，将多个深层特征融合为固有的低维特征，利用集成核极限学习机实现轴承故障诊断。文献[13]将振动信号转换为频谱图输入到全卷积神经网络中，可准确识别出轴承故障位置及损伤程度，并具有较好的泛化性。

在实际工作中，滚动轴承的工作负载是变化的，不同负载下滚动轴承的振动特性是不同的，相对于恒定负载时更复杂。不同负载下的振动数据分别作为训练数据和测试数据时，他们的数据分布也是不同的，此时基于深度学习的故障诊断方法诊断效果有所下降。