一种基于多源域迁移学习的轴承故障类型预测方法及系统技术方案

本发明专利技术属于深度学习中的振动数据识别技术领域，公开了一种基于多源域迁移学习的轴承故障类型预测方法及系统，利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，通过故障分类综合模型输出目标域样本的预测标签。本发明专利技术通过迭代可以直接得到目标域振动信号样本的标签，有效的缓解了多源域中不同源域之间存在的领域差异造成域迁移问题的影响。迁移问题的影响。迁移问题的影响。

【技术实现步骤摘要】
一种基于多源域迁移学习的轴承故障类型预测方法及系统


[0001]本专利技术属于工业自动化的设备故障诊断
，尤其涉及一种基于多源域迁移学习的轴承故障类型预测方法及系统，是工业动设备正常运转的保障性技术手段。

技术介绍

[0002]滚动轴承是旋转机械设备的基础性关键部件，其运行状态对设备整机性能影响巨大，轴承故障诊断是工业动设备正常运行的保障性支撑技术。滚动轴承属于消耗部件，随着时间推移及工况环境的动态变化，轴承监测数据与轴承状态呈现复杂的对应关系。因此，根据传感信号，如振动信号，准确判断轴承是否出现故障以及识别出故障类型是一项具有挑战性的现实需求。
[0003]振动信号蕴含了滚动轴承的运行状态信息，被广泛用于诊断轴承健康状态。基于机器学习的轴承故障诊断以数据驱动的方式从振动信号数据中提取反映轴承故障的鉴别特征，通过分类器预测轴承的故障类型标签。轴承故障诊断可由支持向量机(SVM)，K近邻(KNN)，逻辑回归(LR)等浅层学习算法实现，也可借助于深度置信网、卷积网和递归网络等深度学习算法予以实施。基于机器学习的诊断思路采用监督化学习范式，用带有故障类型标签的振动信号数据训练故障诊断模型，然后将待诊断轴承的振动信号送入训练后的模型来预测轴承的健康状况。
[0004]已有的轴承故障诊断方法大都假设模型部署的环境与模型训练的环境相同，即训练数据集和测试数据集中的振动信号具有相同的数据分布。然而，实际应用中存在的跨机组、变工况和传感器位置差异等因素，使得源域中的训练数据和目标域中的测试数据存在不同的分布特性。这种数据域的差异导致诊断模型部署后故障预测能力显著下降。因此，跨域故障诊断技术对于解决实际生产环境中的轴承健康状况监测具有现实意义。
[0005]目前，跨域轴承故障诊断主要围绕单个源域和单个目标域的情形进行研究，基本原理是从单个源域中挖掘轴承故障信息，并有效迁移到目标域中，以保障诊断模型在目标域中的诊断性能。但在实际生产中，用作模型训练的轴承振动信号通常来自不同的环境，即训练数据是多个数据源的集合，在这种多源域情形下进行跨域轴承故障诊断面临着更大的挑战。一方面，每个源域与目标域的数据分布差异程度不同，使得各个源域的训练数据对故障语义信息的迁移贡献程度不一致。另一方面，多个数据源之间的数据分布也存在差异，导致源域数据中的共有语义信息难以抽取。实践证明，上述两方面的挑战无法通过对已有的单源域跨域诊断方法进行简单扩展予以解决。从模型结构和学习策略两方面入手，综合考虑多源域内部的分布差异以及源域与目标域的分布差异，基于深度学习网络设计端到端的故障诊断方法有望提供一个有效的解决方案。
[0006]通过上述分析，现有技术存在的问题及缺陷为：
[0007](1)现有的滚动轴承故障诊断方法大都假设训练集和测试集中的振动信号数据来自于同一分布，但该假设在实际应用场景下很难成立，训练和测试样本的分布差异会使传统诊断模型的诊断准确率显著下降。
[0008](2)实际应用中普遍存在着多个源域向目标域迁移的跨域诊断问题，难点在于分布混杂的多源域数据和各源域到目标域的分布差异，而已有跨域诊断方法较少涉及这种情形，且难以通过简单组合或扩展已有域跨域模型来解决此问题。

技术实现思路

[0009]针对现有技术存在的问题，本专利技术提供了一种基于多源域迁移学习的轴承故障类型预测方法及系统。
[0010]本专利技术是这样实现的，一种基于多源域迁移学习的轴承故障类型预测方法，基于多源域迁移学习的轴承故障类型预测方法包括：利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，并通过故障分类综合模型输出目标域样本的预测标签。
[0011]进一步，基于多源域迁移学习的轴承故障类型预测方法包括以下步骤：
[0012]步骤一，获取振动信号数据集；将N个源域合成一个综合源域，综合源域包含N个源域的所有样本以及样本标签；将N个源域的样本以及样本标签分别输入N个ResNet50深度卷积神经网络进行有监督学习训练出N个故障分类模型的特征提取器和分类器，通过N个故障分类模型的分类器输出N个源域样本的预测标签；将综合源域样本以及样本标签输入ResNet50深度卷积神经网络进行有监督学习训练出故障分类综合模型的特征提取器和分类器，通过故障分类综合模型的分类器输出综合源域样本的预测标签；
[0013]步骤二，将步骤一中综合源域样本的预测标签分别与N个源域样本的预测标签两两输入对抗学习网络中进行对抗训练，降低综合源域与N个源域间的领域差异，使得故障分类综合模型学习到综合源域与N个源域间的域不变特征；
[0014]步骤三，将目标域样本输入步骤二中的故障分类综合模型进行无监督学习训练，通过故障分类综合模型的分类器能够输出目标域样本的预测标签；
[0015]步骤四，将步骤三中目标域样本的预测标签与综合源域的预测标签输入步骤二中的对抗学习网络进行对抗训练，降低综合源域与目标域之间的领域差异，使得故障分类综合模型学习到综合源域与目标域之间的域不变特征，最后目标域样本通过故障分类综合模型的分类器输出目标域样本的预测标签。
[0016]进一步，步骤一中，振动信号数据集包括N个源域和一个目标域，且源域和目标域中的故障类型集合相同；源域中的数据和标签均已知，而目标域仅有数据是已知，没有任何的标签信息；源域样本由若干已知类型的振动信号组成，目标域样本由若干未知类型的振动信号组成。
[0017]源域与目标域具有公共故障类型，源域样本和目标域样本之间包括不同的分布。源域数据集记为源域数据集记为表示第j个源域样本中的第i个振动信号，为振动信号对应的故障类型标签，N
sj
为第j个源域样本数。将N个源域合成一个综合源域数据集，记为其中，表示综合源域样本中的第i个振动信号，为
振动信号对应的故障类型标签，为综合源域样本数。目标域数据集记为其中，表示目标域样本中的第i个振动信号，为待预测的目标域故障类型标签，N
t
为目标域样本数。对于第j个源域，使用对应故障分类模型的特征提取器G
j
提取样本特征后将送入对应故障分类模型的分类器F
j
得到第j个源域的样本预测标签通过交叉熵损失函数的计算，提升故障分类模型分类器输出对应源域的预测标签的准确率。对N个故障分类模型对应源域训练的交叉熵损失函数结果求平均计算得到L
C
，计算方式如下：
[0018][0019]对于综合源域，它对应的故障分类综合模型特征提取器G
N+1
提取样本特征样本特征输入对应分类器F
N+1
，得到综合源域的样本预测标签对综合源域样本以及样本标签使用交叉熵损失函数进行监督学习训练，通过交叉熵损失函数的计算，提升故障分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源域迁移学习的轴承故障类型预测方法，其特征在于，基于多源域迁移学习的轴承故障类型预测方法包括：利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，并通过故障分类综合模型输出目标域样本的预测标签。2.如权利要求1所述的基于多源域迁移学习的轴承故障类型预测方法，其特征在于，基于多源域迁移学习的轴承故障类型预测方法包括以下步骤：步骤一，获取振动信号数据集；将N个源域合成一个综合源域，综合源域包含N个源域的所有样本以及样本标签；将N个源域的样本以及样本标签分别输入N个ResNet50深度卷积神经网络进行有监督学习训练出N个故障分类模型的特征提取器和分类器，通过N个故障分类模型的分类器输出N个源域样本的预测标签；将综合源域样本以及样本标签输入ResNet50深度卷积神经网络进行有监督学习训练出故障分类综合模型的特征提取器和分类器，通过故障分类综合模型的分类器输出综合源域样本的预测标签；步骤二，将步骤一中综合源域样本的预测标签分别与N个源域样本的预测标签两两输入对抗学习网络中进行对抗训练，降低综合源域与N个源域间的领域差异，使得故障分类综合模型学习到综合源域与N个源域间的域不变特征；步骤三，将目标域样本输入步骤二中的故障分类综合模型进行无监督学习训练，通过故障分类综合模型的分类器能够输出目标域样本的预测标签；步骤四，将步骤三中目标域样本的预测标签与综合源域的预测标签输入步骤二中的对抗学习网络进行对抗训练，降低综合源域与目标域之间的领域差异，使得故障分类综合模型学习到综合源域与目标域之间的域不变特征，最后目标域样本通过故障分类综合模型的分类器输出目标域样本的预测标签。3.如权利要求2所述的基于多源域迁移学习的轴承故障类型预测方法，其特征在于，步骤一中，振动信号数据集包括N个源域和一个目标域，且源域和目标域中的故障类型集合相同；源域中的数据和标签均已知，而目标域仅有数据是已知，没有任何的标签信息；源域样本由若干已知类型的振动信号组成，目标域样本由若干未知类型的振动信号组成；源域与目标域具有公共故障类型，源域样本和目标域样本之间包括不同的分布。源域数据集记为数据集记为表示第j个源域样本中的第i个振动信号，为振动信号对应的故障类型标签，N
sj
为第j个源域样本数。将N个源域合成一个综合源域数据集，记为其中，表示综合源域样本中的第i个振动信号，为振动信号对应的故障类型标签，为综合源域样本数。目标域数据集记为其中，表示目标域样本中的第i个振动信号，为待预测的目标域故障类型标签，N
t
为目标域样本数。对于第j个源域，使用对应故障分类模型的特征提取器G
j
提取样本特征后将送入对应故障分类模型的分类器F
j
得到第j个源域的样本预测标签
通过交叉熵损失函数的计算，提升故障分类模型分类器输出对应源域的预测标签的准确率。对N个故障分类模型对应源域训练的交叉熵损失函数结果求平均计算得到L
C
，计算方式如下：对于综合源域，它对应的故障分类综合模型特征提取器G
N+1
提取样本特征样本特征输入对应分类器F
N+1
，得到综合源域的样本预测标签对综合源域样本以及样本标签使用交叉熵损失函数进行监督学习训练，通过交叉熵损失函数的计算，提升故障分类综合模型分类器输出综合源域的预测标签的准确率。故障分类综合模型对综合源域训练的交叉熵损失函数计算结果得到计算方式如下：为了对域不变特征的预测标签进行建模，设G1代表故障分类模型和故障分类综合提取域特征的特征提取器，G2代表故障分类模型和故障分类综合提取域差异特征的特征提取器，F1代表故障分类模型和故障分类综合对域特征分类的分类器，F2代表故障分类模型和故障分类综合对域差异特征分类的分类器，将特征提取器G1提取的域特征输入分类器F1进行分类得到的域特征的预测标签将特征提取器G2提取的域差异特征输入分类器F2进行分类得到的域差异特征的预测标签则上述两个表达式和相减计算可以得到N个源域样本的域不变特征的预测标签同理可以得到综合源域样本的域不变特征的预测标签计算方式如下：计算方式如下：对约束域差异特征进行提取，对于故障分类模型提取N个源域样本和故障分类综合模型提取综合源域样本的域差异特征的约束，用损失函数L
G
计算实现，其中K代表个源域振动信号故障类型的数目，计算方式如下：对于故障分类综合模...

【专利技术属性】
技术研发人员：吴松松，刘毅，郑诗源，黄木盛，荆晓远，张清华，陈俊均，姚永芳，
申请(专利权)人：武汉长飞智慧网络技术有限公司，
类型：发明
国别省市：