[发明专利]轴承故障智能诊断方法、诊断系统、计算机设备及介质

说明书

本发明属于故障诊断技术领域，公开了一种轴承故障智能诊断方法、诊断系统、计算机设备及介质，将源域数据和目标域数据分别转化为灰度图；利用残差网络特征提取器提取高维特征张量；于自适应层利用局部最大均方差(LMMD)自适应方法计算局部最大均值差异误差；将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络；利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。本发明引入LMMD来精确对齐源域和目标域中同一类别内相关子域的分布，从而为每一类别挖掘出更细粒度的特征，继而能够提高故障诊断精度。

技术领域

本发明属于故障诊断技术领域，尤其涉及一种轴承故障智能诊断方法、诊断系统、计算机设备及介质。

背景技术

目前，轴承是旋转机械、电机等设备的关键部件之一，在工作过程中承担应力、传递载荷、大多处于高转速、重负载、长期连续运行的工况中，广泛应用于各行中。对轴承的智能诊断研究关系到机械设备的使用于寿命具有重要的意义。

近年来，许多研究者成功研究出来了许多智能轴承故障诊断方法。尤其是，基于深度学习的轴承故诊断方法并不需要很多先验专业知识，就能够快速有效地分析机械监测信号和精准对轴承进行故障诊断。然而，训练一个高性能的智能故障诊断模型往往需要满足以下两个条件：1)具有标签的故障数据；2)训练和测试数据满足相同的概率分布。事实上，许多文献中证明了机器智能故障诊断的成功取决于这两个条件。

但是，在实际工业中，标记的故障数据很难获取到。因为意外故障通常会导致机器故障甚至灾难性事故，因此可能不允许机器发生故障。在这种情况下，无法获得故障数据。其次，机器通常要经历从健康状态到故障的漫长降解过程。这意味着获取机器的故障数据既费时又昂贵。其外，在实际工业应用中，机器的运行工况是处于多变，训练和测试数据之间通常存在分布差异，当训练数据与测试数据属于不同工况下，训练后的模型在测试集中的准确率会明显下降。因此通常的智能诊断方法针对一个工况来训练一个故障诊断模型，这样导致模型的泛化能力比较低和需要过多的计算资源。因此，急需一种基于迁移学习的智能故障诊断方法能够满足只需要从一种工况获取标签数据训练模型就能够自适应去诊断多工况的无故障标签数据，无论机械工况如何变化，都能有较高的故障诊断精度。

通过上述分析，现有技术存在的问题及缺陷为：

1.现有技术，在轴承故障诊断中，泛化诊断能力低，计算量大，计算复杂度高，且需要大量故障数据，同时诊断精度不高。

2.现有故障诊断技术，大多数都是要求训练和测试数据具有相同的概率分布，当训练数据与测试数据属于不同工况下，该故障诊断方法的准确率会明显下降。

3.现有的基于转移学习的故障诊断方法主要集中在利用从一个源领域学习到的故障知识，在另一个目标领域进行轴承故障诊断。然而，由于操作条件的变化，在工业应用中不可避免地需要多次执行转移任务，限制了方法的适用性。

4.现有基于转移学习的故障诊断方法，不考虑两个域中两个子域之间的关系的情况下，大部分都采用了全局自适应方法，通过调整全局源和目标分布来学习全局域。它混淆了源域和目标域的所有数据，每个类别的细粒度信息可能会被省略，导致对目标域的故障诊断率不高。

解决以上问题及缺陷的难度为：

1.在实际工业中，标记的故障数据很难获取到。因为意外故障通常会导致机器故障甚至灾难性事故，因此可能不允许机器发生故障。在这种情况下，无法获得故障数据

2.在实际工业应用中，机器的运行工况是处于多变，训练和测试数据之间通常存在分布差异。

3.在实际工业应用中，机器的运行工况通常处于多变，也导致目标域的数量不明确，现有基于迁移学习的故障诊断方法，无法能够精确执行迁移故障诊断任务。