【技术实现步骤摘要】
基于iCORAL
‑
MMD和对抗迁移学习的轴承故障诊断方法
[0001]本专利技术属于信息技术服务
,尤其涉及一种基于iCORAL
‑
MMD(improved Correlation Alignment joint Maximum Mean discrepancy)和对抗迁移学习的轴承故障诊断方法。
技术介绍
[0002]旋转机械在大型机械装备中是非常常见的,作为机械设备的关键部件,其故障诊断在现代工业中发挥着重要作用。随着智能制造的发展,可以更快地收集数据,这给行业带来了新的视角和挑战。数据驱动故障诊断作为一种典型的故障诊断,近年来吸引了许多研究。因此,为避免旋转机械发生灾难性故障,寻找更有效的数据驱动故障诊断方法至关重要。
[0003]机器学习技术已经应用于数据驱动的故障诊断。在传统的机器学习方法中,应预先进行人工特征提取,并且已经证明,这些人工提取特征定义了机器学习方法的上限性能。但是预先设计好人工制作的功能是困难的。近年来,深度学习成为机器学习领域的一个新领域,它可以自动提取原始数据的深度表征特征。利用这一优势,可以避免人工提取特征的影响,在故障诊断方面显示出良好的前景。然而,传统的机器学习方法在一般假设下工作良好:训练数据和测试数据应来自相同的分布。当分布不同时,这些方法的性能会下降,深度方法也存在上述问题。由于设备、环境工况等不同,实验室和实际场景数据分布往往是不同的,这些方法大多不能直接处理场景切换后的故障诊断问题。为了解决这个问题,领域自适应是一种流行 ...
【技术保护点】
【技术特征摘要】
1.一种基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,包括:首先,对采集到轴承振动数据进行预处理及频域信号转变;其次,搭建基础诊断模型并使用大量有标签数据对模型进行预训练;然后,使用上述得到的预训练模型,结合iCORAL
‑
MMD和对抗方法,将模型迁移到监测数据上,实现故障诊断。2.如权利要求1所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,具体包括:步骤一,采集轴承在A、B工况下的振动信号;步骤二,工况A、B下的信号分别作为源域、目标域样本数据,经预处理后基于快速傅里叶变换将时域信号转为频域信号,按比例划分训练集和测试集;步骤三,建立初始源域1DCNN故障诊断模型,通过源域数据进行训练,得到源域预训练模型;步骤四,将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化,建立初始域判别器,通过特征信号对域判别器进行训练;步骤五,使用iCORAL
‑
MMD对目标域初始故障诊断模型进行训练,得到域判别器和目标域特征提取器;步骤六,将源域分类器与目标域特征提取器组合,得到目标域的故障诊断模型。3.如权利要求2所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,所述步骤二包括:将工况A数据作为源域信号包括N种健康状态;将工况B数据作为目标域信号包括N种健康状态;将振动信号进行归一化处理,生成归一化信号;将归一化信号进行傅里叶变换,生成频域信号;一维时序信号进行归一化处理具体为:式中,x
i
为第i时刻的归一化信号,为一维时序信号中第i时刻的时序信号,max(X)为一维时序信号中的最大值,min(X)为一维时序信号中的最小值。4.如权利要求2所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,将源域样本和目标域样本进行快速傅里叶变换得到频域信号,具体为:其中,振动信号x
n
经FFT变换得到X
k
,X
k
的形式为复数。5.如权利要求2所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,故障诊断模型以交叉熵作为损失函数为:
其中,表示分类器中最后一层的网络输出向量的第j个元素,以第i个源域样本作为输入;表示相应的传动部件状态标签,以及N是相关部件状态的编号。6.如权利要求2所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,源域故障诊断模型预训练具体为:其中,θ
S
表示源域故障诊断网络模型涉及参数,δ表示学习率。7.如权利要求2所述的基于iCORAL
‑
MMD和深度卷积对抗迁移学习的轴承故障诊断方法,其特征在于,域判别模型及其训练具体为:域判别模型采用的是全连接层,以Softmax为激活函数输出结果为源域或者目标域,其损失为:其中,和2分别表示域鉴别器中最后一层的输出向量的第一和第二元素,将第i个源域样本作为输入,和是第i个目标域样本的对应元素;假设第一个输出元素表示源域,第二个表示目标域,参数随机梯度下降更新如下:其中,θ
D
表示域判别模型涉及参数,δ表示学习率。8.如权利要求2所述的基于iCORA...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。