轴承故障诊断方法和装置、计算机设备及存储介质制造方法及图纸

本申请实施例提供了一种的轴承故障诊断方法和装置、计算机设备及存储介质，属于人工智能技术领域。该方法包括：对原始变换矩阵变换的源域振动分布信息和初步振动分布信息进行差异度量得到分布度量数据，根据分布度量数据对原始变换矩阵更新得到目标变换矩阵；根据目标变换矩阵对目标域轴承振动特征进行分布变换得到目标域振动分布信息，对目标域振动分布信息分类得到预测轴承状态类别；根据原始轴承状态类别、预测轴承状态类别、源域轴承振动特征和目标域轴承振动特征对原始轴承故障诊断模型训练得到目标轴承故障诊断模型；通过目标轴承故障诊断模型对待预测轴承振动特征进行故障诊断得到轴承诊断结果。本申请提高了轴承故障诊断的准确性。承故障诊断的准确性。承故障诊断的准确性。

【技术实现步骤摘要】
轴承故障诊断方法和装置、计算机设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种轴承故障诊断方法和装置、计算机设备及存储介质。

技术介绍

[0002]目前，轴承是机械设备不可或缺的部件，一旦发生故障会导致严重的经济损失和人员伤亡。因此，需要对轴承进行故障诊断以在轴承将要发生故障之前提示管理人员，以降低因为轴承故障导致的损失。相关技术中，采用故障诊断模型进行轴承故障诊断，但是大多数机电故障发生缓慢且遵循退化路径，难以采集足够多的样本数据训练故障诊断模型，无法构建能够准确进行故障诊断的故障诊断模型。因此，如何构建预测准确性更高的故障诊断模型，使得轴承故障诊断更加准确，成为了亟待解决的技术问题。

技术实现思路

[0003]本申请实施例的主要目的在于提出一种轴承故障诊断方法和装置、计算机设备及存储介质，旨在构建故障诊断更加准确的故障诊断模型，提高轴承故障诊断更加准确。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种轴承故障诊断方法，所述方法包括：
[0005]获取轴承数据集；其中，所述轴承数据集包括未标注的目标域轴承振动数据和已标注的源域轴承振动数据，所述源域轴承振动数据已标注的轴承状态类别为原始轴承状态类别；
[0006]通过预设的目标卷积层对所述源域轴承振动数据进行特征提取，得到源域轴承振动特征，并通过预设的目标卷积层对所述目标域轴承振动数据进行特征提取，得到目标域轴承振动特征；
[0007]根据预设的原始变换矩阵对所述源域轴承振动特征进行分布变换，得到源域振动分布信息，并根据所述原始变换矩阵对所述目标域轴承振动特征进行分布变换处理，得到初步振动分布信息；
[0008]对所述源域振动分布信息和所述初步振动分布信息进行分布差异度量，得到分布度量数据，并根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵；
[0009]根据所述目标变换矩阵对所述目标域轴承振动特征进行分布变换，得到目标域振动分布信息，并对所述目标域振动分布信息进行分类处理，得到预测轴承状态类别；
[0010]根据所述原始轴承状态类别、所述预测轴承状态类别、所述源域轴承振动特征和所述目标域轴承振动特征构建训练数据集；
[0011]根据所述训练数据集对预设的原始轴承故障诊断模型进行模型训练，得到目标轴承故障诊断模型；
[0012]获取待预测轴承振动特征，并将所述待预测轴承振动特征输入至所述目标轴承故
障诊断模型进行故障诊断，得到轴承诊断结果。
[0013]在一些实施例，在所述通过预设的卷积神经网络对所述源域轴承振动数据进行特征提取，得到源域轴承振动特征，并通过预设的卷积神经网络对所述目标域轴承振动数据进行特征提取，得到目标域轴承振动特征之前，所述方法还包括：
[0014]构建所述目标卷积层，具体包括：
[0015]将所述源域轴承振动数据输入至预设的原始卷积神经网络；其中，所述原始卷积神经网络包括：输入层、原始卷积层、池化层、全连接层和激活层；
[0016]将所述源域轴承振动数据输入至所述输入层；
[0017]通过所述输入层输出所述源域轴承振动数据至所述原始卷积层进行特征提取，得到初步轴承振动特征；
[0018]通过池化层对所述初步轴承振动特征进行特征降维处理，得到候选轴承振动特征；
[0019]将所述候选轴承振动特征和所述初步轴承振动特征输入至所述全连接层进行特征重排和分类识别，得到状态类别分布信息；
[0020]将所述状态类别分布信息输入至所述激活层进行类别概率计算，得到每一轴承振动类别的预估概率值；
[0021]根据每一轴承振动类别的所述预估概率值和预设的参考概率值对所述原始卷积神经网络进行参数调整，得到目标卷积神经网络，并从所述目标卷积神经网络抽取目标卷积层。
[0022]在一些实施例，所述对所述源域振动分布信息和所述初步振动分布信息进行分布差异度量，得到分布度量数据，并根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵，包括：
[0023]通过预设的分类器对所述初步振动分布信息进行类别预测，得到伪轴承状态类别；
[0024]根据所述原始轴承状态类别和所述源域振动分布信息构建源域条件分布信息，根据所述伪轴承状态类别和所述初步振动分布信息构建目标域条件分布信息；
[0025]对所述源域振动分布信息和所述初步振动分布信息进行差异度量，得到边缘差异度量数据；
[0026]对所述源域条件分布信息和所述目标域条件分布信息进行差异度量，得到条件差异度量数据；
[0027]将所述边缘差异度量数据和所述条件差异度量数据进行结合，得到所述分布度量数据；
[0028]根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵。
[0029]在一些实施例，在所述通过预设的分类器对所述初步振动分布信息进行类别预测，得到伪轴承状态类别之前，包括：
[0030]构建所述分类器，具体包括：
[0031]将所述源域轴承振动数据和所述原始轴承状态类别构建成源域训练数据集；
[0032]根据所述源域训练数据训练预设的分类器。
[0033]在一些实施例，所述原始轴承故障诊断模型为K近邻模型；所述根据所述训练数据
集对预设的原始轴承故障诊断模型进行模型训练，得到目标轴承故障诊断模型，包括：
[0034]将所述源域轴承振动特征和所述目标域轴承振动特征组合成训练轴承振动特征，将所述原始轴承状态类别和所述预测轴承状态类别组合成训练轴承状态类别；
[0035]将所述训练轴承振动特征输入至所述K近邻模型进行故障诊断，得到轴承状态预测类别；
[0036]根据所述训练轴承状态类别和所述轴承状态预测类别对所述K近邻模型进行模型参数调整，得到所述目标轴承故障诊断模型。
[0037]在一些实施例，所述获取待预测轴承振动特征，并将所述待预测轴承振动特征输入至所述目标轴承故障诊断模型进行故障诊断，得到轴承诊断结果，包括：
[0038]获取所述待预测轴承振动特征；
[0039]将所述待预测轴承振动特征输入至所述目标轴承故障诊断模型进行故障诊断，得到每一轴承状态类别的预测概率值；
[0040]根据所述预测概率值从所述轴承状态类别中筛选出所述轴承诊断结果。
[0041]在一些实施例，所述根据所述预测概率值从所述轴承状态类别中筛选出所述轴承诊断结果，包括：
[0042]获取所述预测概率值中的最大概率值；
[0043]将所述最大概率值对应所述轴承状态类别作为所述轴承诊断结果。
[0044]为实现上述目的，本申请实施例的第二方面提出了一种轴承故障诊断装置，所述装置包括：
[0045]数据获取模块，用于获取轴承数据集；其中，所述轴承数据集包括未标注的目标域轴承振动数据和已标注的源域轴承振动数据，所述源域轴承振动数据已标注的轴承状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障诊断方法，其特征在于，所述方法包括：获取轴承数据集；其中，所述轴承数据集包括未标注的目标域轴承振动数据和已标注的源域轴承振动数据，所述源域轴承振动数据已标注的轴承状态类别为原始轴承状态类别；通过预设的目标卷积层对所述源域轴承振动数据进行特征提取，得到源域轴承振动特征，并通过预设的目标卷积层对所述目标域轴承振动数据进行特征提取，得到目标域轴承振动特征；根据预设的原始变换矩阵对所述源域轴承振动特征进行分布变换，得到源域振动分布信息，并根据所述原始变换矩阵对所述目标域轴承振动特征进行分布变换处理，得到初步振动分布信息；对所述源域振动分布信息和所述初步振动分布信息进行分布差异度量，得到分布度量数据，并根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵；根据所述目标变换矩阵对所述目标域轴承振动特征进行分布变换，得到目标域振动分布信息，并对所述目标域振动分布信息进行分类处理，得到预测轴承状态类别；根据所述原始轴承状态类别、所述预测轴承状态类别、所述源域轴承振动特征和所述目标域轴承振动特征构建训练数据集；根据所述训练数据集对预设的原始轴承故障诊断模型进行模型训练，得到目标轴承故障诊断模型；获取待预测轴承振动特征，并将所述待预测轴承振动特征输入至所述目标轴承故障诊断模型进行故障诊断，得到轴承诊断结果。2.根据权利要求1所述的方法，其特征在于，在所述通过预设的卷积神经网络对所述源域轴承振动数据进行特征提取，得到源域轴承振动特征，并通过预设的卷积神经网络对所述目标域轴承振动数据进行特征提取，得到目标域轴承振动特征之前，所述方法还包括：构建所述目标卷积层，具体包括：将所述源域轴承振动数据输入至预设的原始卷积神经网络；其中，所述原始卷积神经网络包括：输入层、原始卷积层、池化层、全连接层和激活层；将所述源域轴承振动数据输入至所述输入层；通过所述输入层输出所述源域轴承振动数据至所述原始卷积层进行特征提取，得到初步轴承振动特征；通过所述池化层对所述初步轴承振动特征进行特征降维处理，得到候选轴承振动特征；将所述候选轴承振动特征和所述初步轴承振动特征输入至所述全连接层进行特征重排和分类识别，得到状态类别分布信息；将所述状态类别分布信息输入至所述激活层进行类别概率计算，得到每一轴承振动类别的预估概率值；根据每一轴承振动类别的所述预估概率值和所述原始轴承状态类别对所述原始卷积神经网络进行参数调整，得到目标卷积神经网络，并从所述目标卷积神经网络抽取目标卷积层。3.根据权利要求1所述的方法，其特征在于，所述对所述源域振动分布信息和所述初步
振动分布信息进行分布差异度量，得到分布度量数据，并根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵，包括：通过预设的分类器对所述初步振动分布信息进行类别预测，得到伪轴承状态类别；根据所述原始轴承状态类别和所述源域振动分布信息构建源域条件分布信息，根据所述伪轴承状态类别和所述初步振动分布信息构建目标域条件分布信息；对所述源域振动分布信息和所述初步振动分布信息进行差异度量，得到边缘差异度量数据；对所述源域条件分布信息和所述目标域条件分布信息进行差异度量，得到条件差异度量数据；将所述边缘差异度量数据和所述条件差异度量数据进行结合，得到所述分布度量数据；根据所述分布度量数据对所述原始变换矩阵进行矩阵更新，得到目标变换矩阵。4.根据权利要求3所述的方法，其特征在于，在所述通过预设的分类器对所述初步振动分布信...

【专利技术属性】
技术研发人员：李婉莹，王国勋，刘雨桐，
申请(专利权)人：华润数字科技有限公司，
类型：发明
国别省市：