基于迁移学习理论快速获取轴承故障诊断模型的方法技术

本发明专利技术涉及旋转机械设备故障诊断技术领域，公开了基于迁移学习理论快速获取轴承故障诊断模型的方法，包括基模型获取和最终模型获取两个部分，基模型获取包括构建源域数据集、数据集划分、模型训练和测试、选取最优基模型，最终模型获取包括最优基模型调整、设置各层网格可训练性、构建目标域数据集、数据集划分、模型训练和测试、获取最终故障诊断模型。利用本发明专利技术方法仅需要收集少量的真实数据即可达到良好的训练效果，可极大提升建模的效率和准确性，且可在运行速度较慢或内存较小的设备上运行，设备支持性好。设备支持性好。设备支持性好。

【技术实现步骤摘要】
基于迁移学习理论快速获取轴承故障诊断模型的方法


[0001]本专利技术属于故障诊断
，具体涉及一种基于迁移学习理论快速获取轴承故障诊断模型的方法。

技术介绍

[0002]滚动轴承是重要的机械基础部件，广泛应用于国民经济和国防事业各个领域。轴承的使用状态极大程度的影响着设备的可靠性和安全性，必须给予足够的关注。轴承一旦发生故障，轻者会降低制造的精度，重者会造成严重的安全隐患，给工厂带来巨大且不必要的损失。因此，有必要对轴承状态进行实时检测，当出现故障时及时识别，并及时更换零件，从而有效地避免该类问题的发生，在源头上减少因故障带来的损失。
[0003]现实情况中，由于轴承故障具有隐蔽性，往往不可从外观上直接判断是否出现故障，因此通过加装传感器识别并分析其振动信号成为了主流方法。传统分析方法中的倍频分析法长期以来都是识别轴承不平衡故障的主要方法，但是由于实际工况下收集的数据往往存在着不同程度的噪声，对于倍频分析法准确度的影响较大，因此在实践中会出现大量判别不准和无法判别的情况，使得该方法存在有较大的弊端。
[0004]随着计算机软硬件技术的不断进步，尤其是近年来算法研究的发展，越来越多的研究者开始探索以数据为驱动方式的故障判别方法。该方法有不依靠机理理论、不易受被采集数据的随机噪声影响等优点。SVM、朴素贝叶斯、逻辑回归和各类神经网络已然成为了当下对故障数据进行判别的主要方法。近年来工业智能化的不断推广，使得数据规模不断增大，使得虽然以数据驱动的故障识别方法有上述优点，在面对较大量级的数据时，处理速度和运算效率仍显不足。实践中若想获取单个轴承的故障判别模型，需要采集大量该轴承的工作数据，再根据收集到的数据训练模型得到结果。首先采集大量数据将花费大量时间，其次，当数据量较大时，训练单个模型也将耗费大量时间，且若需要训练多个故障判别模型时，所消耗的时间将以几何倍数增长。
[0005]迁移学习的提出很好的解决了上述问题。迁移学习(Transfer learning)顾名思义就是把已训练好的模型(预训练模型)参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数通过某种方式来分享给新模型从而加快并优化模型的学习效率，进而不用像大多数网络那样从零学习。该方法以牺牲较小模型精度为代价，极大降低了所需训练新模型的数据量和新模型训练所需要的时间。

技术实现思路

[0006]有鉴于此，本专利技术提供的一种基于迁移学习理论快速获取轴承故障诊断模型的方法，至少能够部分的解决现有技术中存在的问题，为了达到上述目的，本专利技术采取的技术方案为：
[0007]基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，包括基模型
获取和最终模型获取两个部分，所述的基模型获取部分包括如下步骤：
[0008]S11、构建源域数据集，利用加速度传感器采集不同工况下实验轴承设备的振动信号并存储；
[0009]S12、将步骤S11中所得到的源域数据集划分为训练集和测试集，将训练集数据传入ResNet50神经网络模型进行训练，将模型分批次进行多轮训练得到一个备选的基模型，共得到若干个备选基模型，对每个备选基模型都应用测试集数据进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为目标域数据集训练的基模型；
[0010]所述的最终模型获取部分包括如下步骤：
[0011]S21、构建目标域数据集，利用加速度传感器采集不同工况下目标轴承的振动信号并存储；
[0012]S22、将步骤S21中所得到的目标域数据集划分为训练集和测试集；
[0013]S23、载入步骤S12所获得的基模型，并将其原有输出层用构建的符合目标域数据结构的新输出层替换掉，得到调整后的基模型；
[0014]S24、将调整后的基模型输出层始终设置为可训练，并按照不同的方式设置其余各层网格的可训练性，分别用步骤S22中目标域数据训练集分批次进行多轮训练，得到若干个备选的故障诊断模型；
[0015]S25、对步骤S24的每个备选模型用目标域数据测试集进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为最终的故障诊断模型。
[0016]更进一步地，步骤S11和S21中加速度传感器频响覆盖1
‑
10KHz，并具有不低于50mg/g的灵敏度，且获取的源域数据量为目标域数据量的10倍以上。
[0017]更进一步地，步骤S11中的不同工况包括四种：正常工作，轻度不平衡，中度不平衡和重度不平衡。
[0018]更进一步地，步骤S21中不同工况的类型和步骤S11中相同或更细，即大于等于4种。
[0019]更进一步地，步骤S23中新输出层的激活函数使用softmax，输出层的各参数权重初始化值为服从正态分布且均值为0、标准差为0.01的随机数。
[0020]作为优选，步骤S24中调整后的基模型其余各层网格可训练性的设置方式分为5种，分别为：
[0021](1)将其余各层均设置为可训练；
[0022](2)将第一层设置为可训练，随后各层按不可训练和可训练间隔设置；
[0023](3)将第一层设置为可训练，随后各层按两层不可训练和一层可训练间隔设置；
[0024](4)将第一层设置为可训练，随后各层按三层不可训练和一层可训练间隔设置；
[0025](5)将第一层设置为可训练，随后各层按四层不可训练和一层可训练间隔设置。
[0026]作为优选，步骤S12的源域数据集和S22的目标域数据集均按每连续10000 个数据作为一个样本进行一次分割，并将分割后的所有样本随机打乱，其中选择80％的样本作为训练集，20％的样本作为测试集，且将每个样本的10000个数据按连续每100个换行的方式变成100*100的矩阵格式，然后按双线性插值法将其转换为224*224的矩阵格式，将样本的数据值作为自变量，每个样本对应的工况类型按one_hot编码后作为因变量。
[0027]作为优选，ResNet50神经网络模型的梯度选择Adam优化算法，梯度初始化值为
0.01，每次更新设置梯度的衰减值为0.0001，损失函数采用稀疏化的交叉熵，步骤S12中从源域数据训练集随机挑选样本进行模型训练，每轮训练输入8个样本，对模型进行100轮训练得到一个备选的基模型，按同样的训练方式共获取5个备选基模型。
[0028]作为优选，步骤S24中对于调整后的基模型，从目标数据训练集随机挑选样本进行模型训练，在每种设置方式下，每轮训练输入8个样本，完成100轮训练得到一个备选的故障诊断模型。
[0029]更进一步地，步骤S12和S25中最优化的模型的判断准则是：
[0030](1)当有多个模型的准确率大于等于最高准确率(百分比)
‑
3％时，优先考虑效率，即选择建模时间最短的模型；
[0031](2)当除准确率最高的模型外所有模型的准确率都小于最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，包括基模型获取和最终模型获取两个部分，所述的基模型获取部分包括如下步骤：S11、构建源域数据集，利用加速度传感器采集不同工况下实验轴承设备的振动信号并存储；S12、将步骤S11中所得到的源域数据集划分为训练集和测试集，将训练集数据传入ResNet50神经网络模型进行训练，将模型分批次进行多轮训练得到一个备选的基模型，共得到若干个备选基模型，对每个备选基模型都应用测试集数据进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为目标域数据集训练的基模型；所述的最终模型获取部分包括如下步骤：S21、构建目标域数据集，利用加速度传感器采集不同工况下目标轴承的振动信号并存储；S22、将步骤S21中所得到的目标域数据集划分为训练集和测试集；S23、载入步骤S12所获得的基模型，并将其原有输出层用构建的符合目标域数据结构的新输出层替换掉，得到调整后的基模型；S24、将调整后的基模型输出层始终设置为可训练，并按照不同的方式设置其余各层网格的可训练性，分别用步骤S22中目标域数据训练集分批次进行多轮训练，得到若干个备选的故障诊断模型；S25、对步骤S24的每个备选模型用目标域数据测试集进行检测，综合考虑测试集准确率和建模效率，选择最优化的模型作为最终的故障诊断模型。2.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S11和S21中加速度传感器频响覆盖1
‑
10KHz，并具有不低于50mg/g的灵敏度，且获取的源域数据量为目标域数据量的10倍以上。3.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S11中的不同工况包括四种：正常工作，轻度不平衡，中度不平衡和重度不平衡。4.如权利要求3所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S21中不同工况的类型和步骤S11中相同或更细，即大于等于4种。5.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模型的方法，其特征在于，步骤S23中新输出层的激活函数使用softmax，输出层的各参数权重初始化值为服从正态分布且均值为0、标准差为0.01的随机数。6.如权利要求1所述的基于迁移学习理论快速获取轴承故障诊断模...

【专利技术属性】
技术研发人员：徐徐，徐鹏飞，杨世飞，孙磊，邹小勇，刘宗斌，
申请(专利权)人：芜湖商高大数据技术有限公司，
类型：发明
国别省市：