一种基于深度迁移学习的滚动轴承智能诊断系统技术方案

本发明专利技术提供一种基于深度迁移学习的滚动轴承智能诊断系统，包括智能感知模块、通信模块和智能运维模块；智能感知模块多链路采集滚动轴承运行参数信息通过英伟达TX2进行预处理，预处理后的数据通过通信模块传输到智能运维模块中进行智能诊断与运维管理。智能运维模块中的故障识别与剩余寿命预测组件对滚动轴承的实时运作状态进行诊断与剩余使用寿命预测；根据状态识别与预测结果，运维管理组件对设备的作业调度、设备资源和备件储存进行优化管理。本发明专利技术可实时监控滚动轴承运行状态，为企业提供设备智能的运维与管理决策，提高设备的运行效率，实现企业利益最大化。

【技术实现步骤摘要】
一种基于深度迁移学习的滚动轴承智能诊断系统
本专利技术所述的一种基于深度迁移学习的滚动轴承智能诊断系统，属于机械智能运维

技术介绍
随着我国机械设备行业的迅猛发展，设备的结构日益精密化和复杂化。由于机械设备的运行环境越来越复杂多变，设备在长期的运转过程中不可避免的出现零部件老化，可靠性降低等问题，为设备的健康管理与智能运维提出了新的挑战。滚动轴承作为机械设备的核心零部件之一，其安全运行直接影响着这个设备的正常运行。如何识别轴承的故障类型，预测剩余寿命以及运维管理一直是机械设备智能运维的研究重点。最大限度的限延长滚动轴承的使用寿命，合理安排维修和更换部件，减少设备非计划停机，显得越发重要。近几年，随着传感器技术的不断发展，深度学习技术凭借强大的数据处理能力在机械设备的故障诊断与剩余预测方面得到了应用。但是，由于设备操作条件的变化、附加的噪声等原因，很难将从源域学习到的故障诊断知识推广到目标域。通常，通过大量时间训练的模型的鲁棒性差，从而导致滚动轴承故障诊断和剩余寿命预测模型难以满足实时性，限制了其在滚动轴承故障识别和剩余寿命预测中的应用。
技术实现思路
本专利技术提供了一种基于深度迁移学习的滚动轴承智能诊断系统，智能感知模块对滚动轴承的运行信息进行实时采集和预处理；通过通信模块将数据传输至云端，利用智能运维模块对滚动轴承的健康状态进行故障识别与剩余寿命预测；根据诊断与预测结果，运维管理组件对设备的施工作业调度和设备资源进行优化管理。本专利技术的技术方案是：一种基于深度迁移学习的滚动轴承智能诊断系统，包括智能感知模块、通信模块和智能运维模块；所述的智能感知模块，包括多链路数据采集和英伟达TX2；其中多链路数据采集对设备的各滚动轴承的多源数据采集，包括振动信号、图像信号、声发射信号、压力信号、电流信号以及温度信号；英伟达TX2是一种可二次开发的利用嵌入式终端，对采集的多链路信息进行去噪、数据标注、剔除异常值(如停机状况采集的数据)、相关性分析和数据压缩等数据预处理功能；所述的通信模块主要利用现场总线和工业以太网，将实时采集的多源数据进行预处理后传输至云端的智能诊断模块；所述的智能运维模块包括故障识别与剩余寿命预测组件和运维知识库管理组件两部分；将智能运维模块在阿里云中进行封装，既能保证智能诊断模块对大量数据处理的高效性，又节约了企业的开发成本。其中，故障识别与剩余寿命预测组件的具体步骤如下：步骤1：阿里云数据库中存储了包括历史数据和在线数据两部分，将历史数据进行多源异构数据融合处理；步骤2：将融合后的数据输入到深度自适应网络故障识别模型中进行训练；步骤3：同时，将融合后的数据输入到深度自适应网络预测模型中进行训练；深度自适应网络的结构由7层网络构成；前4层为卷积门控循环单元层(ConvolutionalGatedRecurrentUnit，ConvGRU)构成，5～6层为加入多核最大均值误差(Multi-KernelMaximumMeanDiscrepancy，MK-MMD)的适配层，最后一层为Softmax层(进行故障诊断)或者是预测层(进行剩余寿命预测)。其中，网络的前2层进行冻结(frozen)处理；在第3～4层之间加入微调(Fine-tune)技术进行随机初始化。ConvGRU的定义式如下：其中，σ为sigmoid的激活函数；⊙为基于矩阵元素的Hadamard运算；*为卷积运算；xt为输入信号；rt，zt，ht，ht-1分别为更新门，重置门，隐藏状态，候选隐藏状态和上一时刻的隐藏状态；Wr，Wz，Wh分别表示输入层与更新门，重置门，隐藏状态之间的权重矩阵；Ur，Uz，Uh为循环连接的权重矩阵；br，bz，bh为对应的偏差。通过MK-MMD优化源域数据与目标域数据在再生核希尔伯特空间(ReproducingKernelHilbertSpace，RKHS)上的最大均值误差来缩小域间差异,学习具有域不变特性的特征表示,其中MK-MMD的平方表达式为：其中，p和q为源域数据xs和目标域数据xt的概率值，E[.]为数学期望，φ(.)为特征映射，Hk是具有特征核k的通用再生核希尔伯特空间。步骤4：将实时获得的在线数据进行多源异构融合处理；步骤5：将融合后的数据进行异常检测，判断数据是否超过预警阈值；若未超过将继续对滚动轴承的运行状况进行监测，若超过预警阈值则利用步骤2训练好的故障识别模型进行故障诊断；步骤6：根据故障模型诊断结果，进一步判断进行故障等级判定；步骤7：利用步骤3训练好的预测模型对滚动轴承的剩余使用寿命进行实时预测，并将预测结果传输给运维管理组件进行下一步分析。所述的运维管理组件主要实现滚动轴承的作业优化调度、设备资源管理和备件库存管理等功能。根据预测结果，对滚动轴承的更换和设备资源利用进行动态优化管理，提高设备利用率和作用效率。动态优化备件调度与库存管理，降低停机时间，实现企业的最大利用化。本专利技术的有益效果是：本专利技术通过智能感知模块采集滚动轴承的多源数据，利用通信模块将数据传输到智能运维模块中进行分析处理，实现设备的智能运维。其中，智能运维模块中的故障识别与剩余寿命预测组件对设备的滚动轴承的实时状态识别与剩余寿命预测；运维管理组件根据预测结果进行最优的施工作业操作和备件库存管理，从而建立预测性运维与事后运维相补充的运维机制，提高企业生产生产效率，节约经济成本。附图说明图1为本专利技术系统结构示意图。图2本专利技术智能诊断模块工作的流程图。图3为本专利技术深度自适应神经网络结构示意图。具体实施方式为了更加清楚的阐述本专利技术实施或现有技术中的技术方案，下面结合附图和实施例，对本专利技术作进一步说明和阐述，但本专利技术的内容并不限于所述范围。实施例：如图1所示，一种基于深度迁移学习的滚动轴承智能诊断系统，包括智能感知模块、通信模块和智能运维模块。智能感知模块采集滚动轴承的多源数据并进行预处理，然后将数据通过数据传输模块进行传输至智能运维模块，最后在智能运维模块对滚动轴承的运行状态进行智能监控和设备的运维管理。具体的，所述的智能感知模块，包括多链路数据采集和英伟达TX2。进一步，其中多链路数据采集主要功能是获取滚动轴承的实时运行信息，包括振动信号、图像信号、声发射信号、压力信号、电流信号以及温度信号等关键信息，全面反映滚动轴承的运行状态。其中，英伟达TX2是一种可进行二次开发的嵌入式设备，其主要功能是对采集的多链路信息进行去噪、数据标注、剔除异常值(如停机状况下采集的数据)和相关性分析和数据进行压缩等数据预处理任务。所述的通信模块主要是采用现场总线和工业以太网技术进行传输数据，是智能感知模块和智能诊断模块中的数据传输的桥梁。数据传输方式传输具有传输数据量大，传输数据方式便捷，经济成本低等优点。所述的智能运维模块由故障识别与剩余寿命预测本文档来自技高网...

【技术保护点】
1.一种基于深度迁移学习的滚动轴承智能诊断系统，其特征在于，该基于深度迁移学习的滚动轴承智能诊断系统包括智能感知模块、通信模块和智能运维模块；/n所述的智能感知模块，包括多链路数据采集部分和英伟达TX2；其中多链路数据采集部分对设备的各滚动轴承的多源数据采集，包括振动信号、图像信号、声发射信号、压力信号、电流信号以及温度信号；/n英伟达TX2是可二次开发的利用嵌入式终端，对采集的多链路数据信息进行去噪、数据标注、剔除异常值、相关性分析和数据压缩；/n所述的通信模块主要利用现场总线和工业以太网，将实时采集的多源数据进行预处理后传输至云端的智能诊断模块；/n所述的智能运维模块，包括故障识别与剩余寿命预测组件和运维知识库管理组件两部分，将其在阿里云中进行封装；/n其中，故障识别与剩余寿命预测组件的具体步骤如下：/n步骤1：阿里云数据库中存储有历史数据和在线数据两部分，将历史数据进行多源异构数据融合处理；/n步骤2：将融合后的数据输入到深度自适应网络故障识别模型中进行训练；/n步骤3：同时，将融合后的数据输入到深度自适应网络预测模型中进行训练；/n深度自适应网络的结构由7层网络构成；前4层为卷积门控循环单元层构成，5～6层为加入多核最大均值误差的适配层，最后一层为Softmax层或是预测层；其中，网络的前2层进行冻结处理；在第3～4层之间加入微调技术，进行随机初始化；/nConvGRU的定义式如下：/n...

【技术特征摘要】
1.一种基于深度迁移学习的滚动轴承智能诊断系统，其特征在于，该基于深度迁移学习的滚动轴承智能诊断系统包括智能感知模块、通信模块和智能运维模块；
所述的智能感知模块，包括多链路数据采集部分和英伟达TX2；其中多链路数据采集部分对设备的各滚动轴承的多源数据采集，包括振动信号、图像信号、声发射信号、压力信号、电流信号以及温度信号；
英伟达TX2是可二次开发的利用嵌入式终端，对采集的多链路数据信息进行去噪、数据标注、剔除异常值、相关性分析和数据压缩；
所述的通信模块主要利用现场总线和工业以太网，将实时采集的多源数据进行预处理后传输至云端的智能诊断模块；
所述的智能运维模块，包括故障识别与剩余寿命预测组件和运维知识库管理组件两部分，将其在阿里云中进行封装；
其中，故障识别与剩余寿命预测组件的具体步骤如下：
步骤1：阿里云数据库中存储有历史数据和在线数据两部分，将历史数据进行多源异构数据融合处理；
步骤2：将融合后的数据输入到深度自适应网络故障识别模型中进行训练；
步骤3：同时，将融合后的数据输入到深度自适应网络预测模型中进行训练；
深度自适应网络的结构由7层网络构成；前4层为卷积门控循环单元层构成，5～6层为加入多核最大均值误差的适配层，最后一层为Softmax层或是预测层；其中，网络的前2层进行冻结处理；在第3～4层之间加入微调技术，进行随机初始化；
ConvGR...

【专利技术属性】
技术研发人员：黄刚劲，李宏坤，欧佳玉，张元良，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21