[发明专利]基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统

说明书

本发明提出了基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统，所述方法包括如下步骤：获取滚动轴承的源域训练样本集、目标域训练样本集和目标域测试样本集；构建第一一维多尺度卷积迁移模型；根据所述源域训练样本集，基于BP算法，对第一一维多尺度卷积迁移模型进行训练，获得第二一维多尺度卷积迁移模型；根据所述的第二一维多尺度卷积迁移模型，构建第三一维多尺度卷积迁移模型；根据所述目标域训练样本集，基于BP算法，对第三一维多尺度卷积迁移模型进行微调，获得第四一维多尺度卷积迁移模型；根据所述第四一维多尺度卷积迁移模型，采用目标域测试样本集对滚动轴承进行故障诊断。

技术领域

本发明属于旋转机械技术领域，涉及一种滚动轴承状态监测方法与系统，具体涉及基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统。

背景技术

作为现代机械装备的主要类型，旋转机械装备因其独特的优势在工业设备中占据重要地位，而滚动轴承作为保障旋转机械装备完成规定功能的重要零部件之一，其性能状态的优劣直接影响着旋转机械装备的稳定性和可靠性。然而，在实际运行工况下，滚动轴承往往因多种因素的影响而呈现出性能衰退及故障的产生，常见的影响因素包括运行条件、振动、温度等。随着滚动轴承故障的发生，往往会导致旋转机械针对相关任务的胜任力丧失，并会造成一定的经济损失乃至人员伤亡。因此，针对滚动轴承在服役过程中的故障诊断极为必要，其进一步地为滚动轴承的维修与保养工作提供必要的决策依据。

滚动轴承的故障诊断主要是通过对滚动轴承运行时产生的一些动态信号进行分析处理，如温度、振动、压力等，进而获得表征滚动轴承健康状态的特征，从而实现故障的诊断。一般的，滚动轴承的故障诊断可以分为传统故障诊断和智能故障诊断两大类。针对传统的滚动轴承故障诊断，其主要依赖物理模型和信号处理等方式建立故障诊断模型。但是，在实际工程运用中产生的动态信号往往呈现出复杂、非线性和多噪声的特点，运用传统的物理模型和信号处理方法对其进行建模往往比较困难和繁琐。此外，基于时域、频域和时频域的特征提取方法对专家经验的依赖程度较高且缺乏针对性和客观性，故传统故障诊断方法难以对实际工程中复杂工况下的轴承健康状况进行自动、准确地诊断。

滚动轴承的智能故障诊断方法是基于数据驱动的，其主要步骤包括：1)数据采集与处理，2)模型构建与训练，3)模型部署与实施。根据模型构建与训练方式的不同，智能故障诊断方法可以细分为基于浅层网络的智能故障诊断方法和基于深层网络的智能故障诊断方法。在实际运用中，基于浅层网络的智能故障诊断方法虽然摆脱了对专家经验的依赖，实现了滚动轴承健康状态特征的自适应学习，但是，该方法因其属于浅层学习，故难以提取到滚动轴承动态信号中的深层特征及适应复杂工况的变化。与此同时，大多数基于深层网络的智能故障诊断方法基于同分布假设，即认为训练样本集和测试样本集具有相同的特征分布。然而，在滚动轴承的实际运行过程中，由于工况的改变和运行环境的差异往往会导致数据分布的不一致性，这就需要模型能够在不同的域之间进行迁移从而缩小上述的分布差异，确保滚动轴承故障诊断的准确性。

从目前的公开的资料来看，在基于监督迁移的方法中，主要是通过将基于源域训练的模型中的部分参数迁移至目标域的模型中来实现不同域的滚动轴承故障诊断。例如名为Highly accurate machine fault diagnosis using deep transfer learning的期刊论文，公开了一种基于VGG-16模型的滚动轴承迁移故障诊断方法。该方法首先采集不同工况下滚动轴承的振动数据，并划分为源域训练集、目标域训练集和目标域测试集。其次，基于源域训练集对VGG-16模型进行训练，得到预训练的VGG-16模型。随后，将预训练的VGG-16模型的前三个块的参数进行固定，采用目标域训练集对其余的参数进行微调，获得迁移之后的VGG-16模型。最后，采用迁移之后的VGG-16模型完成目标域中的滚轴轴承故障诊断任务，为旋转机械设备的安全运行和维保提供参考。然而，上述方法的模型整体复杂度较高，较深的网络模型易导致训练困难和训练耗时等问题，且对于模型中浅层特征的利用率较低，最后，该模型未能推广至不同数据集间的滚动轴承迁移故障诊断。

发明内容