[发明专利]一种基于多尺度多任务学习的滚动轴承故障诊断方法

说明书

本发明公开了一种基于多尺度多任务学习的模式识别方法，通过多尺度特征提取以表征原始信息在多时间尺度上的复杂模式；通过构建多任务学习框架对多个尺度下的模式识别任务同时训练；在不同尺度任务之间引入参数共享单元，能够共享跨尺度的特征信息，扩展了特征学习过程的广度和深度，最终提高了模式识别的性能。本发明能够稳定、可靠地用于复杂环境状态下的智能信息处理，为及时有效地实现模式识别任务提供了有效方法，具有较高的精度和推广性。

技术领域

本发明涉及信息获取与处理方法；尤其涉及一种基于多尺度多任务学习的滚动轴承故障诊断方法。

背景技术

非平稳时变特性是客观自然环境和实际工况条件下获取信息的主要特性。在该类信息中混叠大量背景噪声和干扰信号，信息通常具有较高的复杂性、耦合性和不确定性。同时，观测对象也存在不同的模式和状态。这使得信息在多个时间尺度上包含复杂的模式。常规的全局性或者单一尺度下的特征提取和分析方法往往难以充分表征和分类模式信息。近年来，先进技术试图通过多尺度特征的提取和建模以提高对多类模式的表征能力，但尚未形成有效的非平稳时变信息模式识别方法。

以滚动轴承故障诊断为例：①振动信号通常表现出多尺度特性，并在多个时间尺度上包含复杂的模式，这种固有的多尺度特征由于缺乏有效的多尺度特征提取方法而往往被传统的诊断模型所忽视；②由于滚动轴承的运行工况复杂多变且含有大量背景噪声，原始时域信号往往包含大量冗余信息；③传统方法在特征学习的过程中，关注点大多集中在单个任务上，忽略了可能帮助优化度量指标的其它信息，使得特征学习不全面，最终影响了模型的泛化性能。

发明内容

发明目的：为了解决上述问题，本发明的目的是提供一种多尺度多任务学习的模式识别方法，能够提取并学习多个时间尺度下的原始特征信息，通过对特征的共享及分类以实现准确的模式识别。

技术方案：一种基于多尺度多任务学习的滚动轴承故障诊断方法，包括如下内容：

(1)提取原始信息的多时间尺度的时频谱特征；

(2)对多时间尺度的时频谱特征进行多任务学习，在不同尺度任务之间建立参数共享单元，通过不同尺度任务之间的参数共享单元自动学习共享特征，并获取特征共享的权重；

(3)通过多尺度特征的多任务学习和共享，得到多尺度组合特征，并将多尺度组合特征输入到神经网络的全连接层分类器，实现对特征模式的识别。

进一步的，步骤(1)中，采用多尺度粗粒化计算获取不同时间尺度下的信息序列，对不同时间尺度下的信息序列进行小波变换，获得不同时间尺度下原始信息的时间-频率特征。

进一步的，所述多尺度粗粒化计算的具体步骤为：

每次跳跃1-τ个数据段，以τ为区间尺度做平均，形成原始信息时间尺度为τ的信息序列：

其中，x_l(t)为原始数据x(t)＝{x₁(t),x₂(t),...,x_n(t)}中第l个数据段，n为采样的数据段个数，τ为粗粒化计算的尺度因子，t为时域信号的时间，y_h^(τ)(t)即为经过粗粒化计算获取的第h个尺度因子为τ的信息序列；通过调节τ值，获取原始信息不同时间尺度的序列；

进一步的，所述小波变换的具体步骤为：

其中，y(t)为输入的不同时间尺度的序列，为小波变换使用的小波基；a是用于调整小波基的参数因子，b是用于改变时域上的窗口位置的参数因子，t为时域信号的时间；

选取连续小波变换的Morlet小波作为小波基，其函数如下: