一种基于迁移学习的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于迁移学习的旋转机械故障诊断方法，本发明专利技术的有益效果为：通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型，然后保存已训练模型的参数并对其进行微调，然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练，最终得到一个针对目标类型旋转机械的故障诊断模型，通过该的故障诊断模型，能够在不同类型的旋转机械设备、不同工况条件等情况下，可实现在较少数据量情况下，完成对目标机械的故障诊断，并且保证较高识别精度。识别精度。识别精度。

【技术实现步骤摘要】
一种基于迁移学习的旋转机械故障诊断方法


[0001]本专利技术涉及一种基于迁移学习的旋转机械故障诊断方法。

技术介绍

[0002]旋转机械作为现代工业生产设备的重要组成部分，在制造、交通、冶金、化工及航天等多个领域中广泛应用。由于旋转机械的工况和环境往往比较严苛和恶劣，例如高温或腐蚀环境、大冲击和高负载的工况条件等，容易使设备出现各种故障。然而故障一旦发生，将会直接影响设备的整体运行情况与使用寿命，甚至会引发更加严重的安全事故，造成一定的财产损失和人员伤亡。因此，对旋转机械故障进行有效地检测和诊断具有重要意义。
[0003]由于旋转机械经常会发生速度突变、摩擦变化、不停撞击及结构变形等各种故障，所以利用设备运行时产生的振动信号，分析出当前旋转机械的运行状态，从而提前进行故障诊断，尽量避免出现故障后需要长时间停机维修的状况。传统的机械故障检测方法需要依赖大量的机械相关知识作铺垫，并且往往只能针对某一特定设备进行故障诊断，即模型迁移性较差。
[0004]通常情况下，针对特定设备的深度学习模型想要获得精确的故障诊断结果，需要海量的模型输入数据，然而每条数据都是伴随着实际设备的运行故障产生的。一种设备对应一种深度学习模型，而且每次需要大量的数据，大大地提高了研究成本。

技术实现思路

[0005]本专利技术的目的是提供一种基于迁移学习的旋转机械故障诊断方法，以解决现有机械故障诊断方法模型迁移性较差的问题。
[0006]为解决上述技术问题，本专利技术提供一种基于迁移学习的旋转机械故障诊断方法，包括以下步骤：
[0007]S1：将采集到的I类型旋转机械振动信号作为源域数据进行数据预处理，然后将预处理后的源域数据根据不同的信号特征进行分类标记；
[0008]S2：构建CNN
‑
GRU深度学习网络模型，将经分类标记的源域数据作为CNN
‑
GRU深度学习网络模型的输入，对CNN
‑
GRU深度学习网络模型进行训练；
[0009]S3：将已经训练好的CNN
‑
GRU深度学习网络模型作为迁移学习模型，在对迁移学习模型进行微调后，将需要故障诊断的II类型旋转机械振动信号作为目标域数据输入到微调后的迁移模型中进行再次训练，得到针对目标类型旋转机械的故障诊断模型。
[0010]进一步地，所述步骤S1具体包括：
[0011]S11：将采集到的I类型旋转机械振动信号作为源域数据按以设定的数据点数T和合适的步长M进行截取，得到N个样本数据；
[0012]S12：根据不同的信号特征将N个所述样本数据按照已知故障类型进行分类标记；
[0013]S13：根据经分类标记的N个所述样本数据构造二维图像。
[0014]进一步地，所述二维图像的构造方法具体包括：
[0015]S131：将长度为L的源域数据根据截取顺序从上到下依次作为要构造二维图像的行，最终构造出多个L2二维图像，其中L<N；
[0016]S132：将N个所述样本数据归一化到0～255范围内，将二维非图像数据转化为灰度图像；
[0017]S133：完成由原始一维振动信号到L2图像像素的转换。
[0018]进一步地，所述CNN
‑
GRU深度学习网络模型包括卷积层、最大池化层、GRU、Flatten层、Dropout层和全连接层；通过逐层堆叠得到可迁移的深度学习网络模型。
[0019]进一步地，所述步骤S2具体包括：
[0020]S21：将经分类标记的源域数据作为CNN
‑
GRU深度学习网络模型的输入，采用梯度下降算法与反向传播算法对CNN
‑
GRU深度学习网络模型的卷积神经网络部分的权重{W1，W2,
…
,W
k
}和偏置{b1,b2,
…
,b
k
}进行训练更新；其中，W1～W
k
和b1～b
k
分别表示卷积神经网络部分的第1层到第k层的初始权重和初始偏置；
[0021]S22：利用卷积神经网络的卷积层自动提取的特征重塑矩阵表示的形状，然后将其作为GRU网络层的输入，筛选出与时间动态相关的特征；
[0022]S23：将经过GRU单元筛选出的特征依次通过Flatten层、Dropout层进行处理，然后输入到全连接层，实现故障类别的分类输出，诊断出部分未参与模型训练的源域数据故障类型，并计算诊断准确率。
[0023]进一步地，所述步骤S3具体包括：
[0024]S31：将已经训练好的CNN
‑
GRU深度学习网络模型作为迁移学习模型，冻结卷积神经网络中的数据特征提取参数(包括权重{W1,W2,
…
,W
k
}和偏置{b1,b2,
…
,b
k
})和GRU单元中已完成的训练参数(包括权重W
u
、W
r
、W
a
以及偏置b
u
、b
r
、b
a
)；
[0025]S32：将II类型旋转机械振动信号作为目标域数据进行数据预处理，然后将预处理后的目标域数据根据不同的信号特征进行分类标记；然后根据目标域需要识别与分类的机械故障类型调整全连接层参数，使得CNN
‑
GRU深度学习网络模型的输出值与分类值相同；
[0026]S33：利用经分类标记的目标域数据对迁移学习模型中没有冻结的参数重新训练与更新，得到针对目标域数据的CNN
‑
GRU优化网络模型，计算模型分类准确率。
[0027]进一步地，将预处理后的源域数据根据不同的信号特征进行分类标记中包括：将预处理后的源域数据根据不同的信号特征分为正常信号、内圈故障信号、外圈故障信号和滚动体故障信号，然后对分好类的源域数据进行标记。
[0028]进一步地，所述I类型旋转机械振动信号和II类型旋转机械振动信号为两种毫无关系但又有相似性的振动信号，包括相同旋转机械在不同工况下产生的振动信号、相同工况下不同设备类型或尺寸大小的旋转机械所产生的振动信号或者是两种不同工况且不同类型的旋转机械所产生的振动信号。
[0029]本专利技术的有益效果为：通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型，然后保存已训练模型的参数并对其进行微调，然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练，最终得到一个针对目标类型旋转机械的故障诊断模型，通过该的故障诊断模型，能够在不同类型的旋转机械设备、不同工况条件等情况下，可实现在较少数据量情况下，完成对目标机械的故障诊断，并且保证较高识别精度。
附图说明
[0030]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：将采集到的I类型旋转机械振动信号作为源域数据进行数据预处理，然后将预处理后的源域数据根据不同的信号特征进行分类标记；S2：构建CNN
‑
GRU深度学习网络模型，将经分类标记的源域数据作为CNN
‑
GRU深度学习网络模型的输入，对CNN
‑
GRU深度学习网络模型进行训练；S3：将已经训练好的CNN
‑
GRU深度学习网络模型作为迁移学习模型，在对迁移学习模型进行微调后，将需要故障诊断的II类型旋转机械振动信号作为目标域数据输入到微调后的迁移模型中进行再次训练，得到针对目标类型旋转机械的故障诊断模型。2.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法，其特征在于，所述步骤S1具体包括：S11：将采集到的I类型旋转机械振动信号作为源域数据按以设定的数据点数T和合适的步长M进行截取，得到N个样本数据；S12：根据不同的信号特征将N个所述样本数据按照已知故障类型进行分类标记；S13：根据经分类标记的N个所述样本数据构造二维图像。3.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法，其特征在于，所述二维图像的构造方法具体包括：S131：将长度为L的源域数据根据截取顺序从上到下依次作为要构造二维图像的行，最终构造出多个L2二维图像，其中L<N；S132：将N个所述样本数据归一化到0～255范围内，将二维非图像数据转化为灰度图像；S133：完成由原始一维振动信号到L2图像像素的转换。4.根据权利要求1
‑
3任一所述的基于迁移学习的旋转机械故障诊断方法，其特征在于，所述CNN
‑
GRU深度学习网络模型包括卷积层、最大池化层、GRU、Flatten层、Dropout层和全连接层；通过逐层堆叠得到可迁移的深度学习网络模型。5.根据权利要求4所述的基于迁移学习的旋转机械故障诊断方法，其特征在于，所述步骤S2具体包括：S21：将经分类标记的源域数据作为CNN
‑
GRU深度学习网络模型的输入，采用梯度下降算法与反向传播算法对CNN
‑
GRU深度学习网络模型的卷积...

【专利技术属性】
技术研发人员：唐倩，吴海鹏，李志航，张鹏辉，曹粮玉，罗超，张志豪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：