一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法技术

一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断技术领域，为了解决变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题。首先采用SDAE对滚动轴承振动信号频域幅值进行特征提取，得到振动信号深层特征，并构成源域特征样本集和目标域特征样本集。然后采用JGSA对源域特征样本与目标域特征样本进行域适应处理，达到同时减少域间特征样本的分布偏移及子空间变换差异的目的，进而缩减不同类特征样本间的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态分类。本发明专利技术与其他方法相比较，在滚动轴承变工况条件下表现出更好的特征提取能力，其样本特征可视化效果最佳，变工况下滚动轴承故障诊断准确率高。

【技术实现步骤摘要】
一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
本专利技术涉及一种变工况下滚动轴承故障诊断方法，涉及滚动轴承故障诊断

技术介绍
滚动轴承作为旋转机械的关键部件，其正常运行是生产设备工作的重要保障[1]。实际中，滚动轴承的工况不断变化，直接影响滚动轴承振动特征的改变[2]。传统的建立在恒定工况上的故障诊断方法，应对滚动轴承复杂变工况运行状态，极易出现故障误诊或漏诊的问题[3]。因此，准确辨识变工况下滚动轴承运行状态，对机械设备健康运转具有重要意义。近年来，为解决变工况下滚动轴承故障诊断问题及提高其运行状态识别准确率，学者们进行了大量研究。文献[4]利用包络阶次谱分析和短时傅里叶变换应用于正反转工况下轴承故障诊断。文献[5]提出VMD和包络阶次谱的变工况下轴承故障诊断，其获得较好的特征提取效果。上述所采用的变工况下滚动轴承故障诊断的方法，其参数的确定很大程度上依赖于专家的经验。为构建更具通用性、时效性和适用性的故障诊断模型，深度学习方法表现出了较强的数据处理能力，其应用价值在故障诊断领域不断被挖掘[6]。文献[7]提出基于一种新子集式的深度自动编码器模型，实现了轴承的故障诊断。文献[8]提出集合深度自动编码器方法实现了滚动轴承故障诊断。文献[9]提出了一种跟踪小波自动编码器方法对电力机车轴承振动信号进行故障诊断，实验结果表明所提方法比传统自动编码器方法更有效。文献[10]利用滚动轴承频域幅值谱作为自动编码器输入，实现了滚动轴承不同状态故障识别。以上深度学习方法虽可对恒定工况下轴承振动信号进行故障诊断，但在变工况下轴承振动信号更加复杂，获取表征轴承运行状态的振动特征难度高。虽然深度学习在提取滚动轴承振动信号深层特征方面具有较好效果，但在轴承运行过程中，工况环境复杂，实际难以获取大量有效的振动数据和相应标签，不同工况数据间存在分布差异，致使源域数据与目标域数据间的分布存在明显偏移的问题[11][12]。迁移学习作为一种利用源域知识，解决目标域问题的新兴学习方法，从相关领域中获取信息，实现知识传递，改善另一个领域的学习性能，并挖掘不同领域间隐层含义，达到降低领域间数据差异的目的[13]。文献[14]采用迁移成分分析方法(transfercomponentanalysis,TCA)将不同域样本映射到潜在空间，提高了齿轮箱故障诊断准确率。文献[15]提出了改进的多核半监督迁移成分分析方法(multi-kernelsemi-supervisedtransfercomponentanalysis,MKSSTCA)，实现了变工况下滚动轴承故障诊断。文献[16]提出信息理论学习(informationtheoreticallearning，ITL)方法实现了对不同数据样本间的关联性进行度量，提高了跨域迁移效果。文献[17]提出最大独立域适应方法(maximumindependencedomainadaptation，MIDA)缩小不同样本间的差异，解决了不同样本漂移校正问题。但以上迁移学习方法仅从样本分布或不同领域各自的子空间角度考虑域间数据差异。文献[18]采用几何空间和统计分布联合调整(jointgeometricalandstatisticalalignment,JGSA)算法，从不同数据分布与几何空间联合角度同时减少不同域样本间的偏移，避免了单一以数据为中心或者以子空间为中心域适应变换的局限性。
技术实现思路
本专利技术要解决的技术问题是：针对变工况下滚动轴承振动数据及其标签很难或无法获取，导致变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题，提出一种基于稀疏去噪自动编码器(SDAE)和几何空间与统计分布联合调整算法(JGSA)相结合的变工况下滚动轴承故障诊断方法。本专利技术为解决上述技术问题采取的技术方案是：一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，所述方法的实现过程为：训练阶段：(1)数据预处理：将已知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成源域训练样本集(对应已知工况的数据)；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对源域训练样本进行域适应处理(以减少不同域间条件分布域偏移及子空间变换后的差异，提高域间样本分布相似性)，所述迁移学习方法为JGSA方法；(4)模型建立：由JGSA算法域适应处理后的源域已知标签样本集来训练KNN分类模型，得到变工况下滚动轴承故障诊断训练模型；测试阶段：(1)数据预处理：将未知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成目标域测试样本集(对应未知工况的数据)；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对目标域测试样本进行域适应处理(以减少不同域间条件分布域偏移及子空间变换后的差异，提高域间样本分布相似性)，所述迁移学习方法为JGSA方法；该步骤与训练阶段对应步骤采用JGSA方法同时进行处理；(4)对变工况下滚动轴承故障诊断训练模型进行测试：利用域适应后的目标域测试样本集测试训练阶段得到变工况下滚动轴承故障诊断训练模型，通过不断迭代计算在目标域测试样本上得到变工况下滚动轴承振动信号多状态分类结果，完成变工况下滚动轴承多状态故障诊断。进一步地，深度学习方法SDAE的构建过程：1)构建稀疏自动编码器假设hj(x)为稀疏自动编码器在输入为x时隐藏神经元的激活值，隐藏神经元j的平均激活值表示为：x表示滚动轴承振动信号的频域幅值，i表示第i个隐藏神经元，m为神经元的个数。在自动编码器网络结构代价函数中添加选取稀疏性限制作为额外的惩罚因子，具体的表达式为：其中：为KL散度，当时，ρ为设定的稀疏性参数，为第j个隐藏神经元输出的稀疏性参数，sl为l层单元的个数，si为i层的隐藏神经元个数。KL散度值为0；KL散度随着偏离ρ逐渐增大，因此最小化这一惩罚因子具有使靠近ρ的效果，则有稀疏惩罚项可以表示为：其中：β为稀疏惩罚项的权重系数；θ＝{W,b}，W表示自动编码器网络结构的权重，b表示自动编码器网络结构的偏置；自动编码器网络结构中的代价函数为：其中：λ为权重衰减项的权重系数，l为网络的层数，sl为l层单元的个数，wji为权重矩阵中角标为j,i的元素值，m为神经元的个数；表示第i个隐藏神经元的输出，xi表示第i个隐藏神经元的输入，因此，结合自动编码器网络结构的代价函数，稀疏自动编码器(SAE)的代价函数表达式为：2)构建去噪自动编码器去噪自动编码器首先对振动信号的输入数据随机置零，得到含噪的输入信号，具体操作为：其中：C为加噪的程度，rand(·)为与输入矩阵X相同维度的矩阵，表示加入噪声后的输出矩阵；并且将加噪后的数据输入到自动编码器中进行编码和解码，得到式(7)和式(8)所示：z＝gθ'(y)＝s(W2y+b2)(8)其中：z为经过去噪编码器处理，得到的重构数据；y为加入噪声后的输出数据经自动编码器编码后的结本文档来自技高网...

【技术保护点】
1.一种基于深层特征和迁移学习的变工况下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：训练阶段：(1)数据预处理：将已知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成源域训练样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对源域训练样本进行域适应处理，所述迁移学习方法为JGSA方法；(4)模型建立：由JGSA算法域适应处理后的源域已知标签样本集来训练KNN分类模型，得到变工况下滚动轴承故障诊断训练模型；测试阶段：(1)数据预处理：将未知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成目标域测试样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对目标域测试样本进行域适应处理，所述迁移学习方法为JGSA方法；该步骤与训练阶段对应步骤采用JGSA方法同时进行处理；(4)对变工况下滚动轴承故障诊断训练模型进行测试：利用域适应后的目标域测试样本集测试训练阶段得到变工况下滚动轴承故障诊断训练模型，通过不断迭代计算在目标域测试样本上得到变工况下滚动轴承振动信号多状态分类结果，完成变工况下滚动轴承多状态故障诊断。...

【技术特征摘要】
1.一种基于深层特征和迁移学习的变工况下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：训练阶段：(1)数据预处理：将已知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成源域训练样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对源域训练样本进行域适应处理，所述迁移学习方法为JGSA方法；(4)模型建立：由JGSA算法域适应处理后的源域已知标签样本集来训练KNN分类模型，得到变工况下滚动轴承故障诊断训练模型；测试阶段：(1)数据预处理：将未知工况下滚动轴承多状态时域振动信号经过傅里叶变换到频域，得到相应的频域幅值；(2)特征提取及样本集构成：采用深度学习方法对变工况下滚动轴承振动信号频域幅值进行深层特征提取，得到的特征构成目标域测试样本集；所述深度学习方法为SDAE；(3)迁移学习域适应处理：利用迁移学习方法对目标域测试样本进行域适应处理，所述迁移学习方法为JGSA方法；该步骤与训练阶段对应步骤采用JGSA方法同时进行处理；(4)对变工况下滚动轴承故障诊断训练模型进行测试：利用域适应后的目标域测试样本集测试训练阶段得到变工况下滚动轴承故障诊断训练模型，通过不断迭代计算在目标域测试样本上得到变工况下滚动轴承振动信号多状态分类结果，完成变工况下滚动轴承多状态故障诊断。2.根据权利要求1所述的一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于，深度学习方法SDAE的构建过程：1)构建稀疏自动编码器假设hj(x)为稀疏自动编码器在输入为x时隐藏神经元的激活值，隐藏神经元j的平均激活值表示为：x表示滚动轴承振动信号的频域幅值，i表示第i个隐藏神经元，m为神经元的个数。在自动编码器网络结构代价函数中添加选取稀疏性限制作为额外的惩罚因子，具体的表达式为：其中：为KL散度，当时，ρ为设定的稀疏性参数，为第j个隐藏神经元输出的稀疏性参数，sl为l层单元的个数，si为i层的隐藏神经元个数。KL散度值为0；KL散度随着偏离ρ逐渐增大，因此最小化这一惩罚因子具有使靠近ρ的效果，则有稀疏惩罚项可以表示为：其中：β为稀疏惩罚项的权重系数；θ＝{W,b}，W表示自动编码器网络结构的权重，b表示自动编码器网络结构的偏置；自动编码器网络结构中的代价函数为：其中：λ为权重衰减项的权重系数，l为网络的层数，sl为l层单元的个数，wji为权重矩阵中角标为j,i的元素值，m为神经元的个数；表示第i个隐藏神经元的输出，xi表示第i个隐藏神经元的输入，因此，结合自动编码器网络结构的代价函数，稀疏自动编码器(SAE)的代价函数表达式为：2)构建去噪自动编码器去噪自动编码器首先对振动信号的输入数据随机置零，得到含噪的输入信号，具体操作为：其中：C为加噪的程度，ran...

【专利技术属性】
技术研发人员：康守强，王玉静，胡明武，王庆岩，谢金宝，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23