【技术实现步骤摘要】
本专利技术涉及一种基于深度迁移学习的故障诊断方法，涉及机械工程，尤其涉及一种基于自调节联合分布自适应的早期微弱故障诊断方法。
技术介绍
1、在长期复杂恶劣的工作环境中，机械设备的关键部件容易出现各种故障，将直接影响机械设备的安全运行。针对机械的各个部件的早期微弱故障进行诊断，将有效地预防后期设备出现严重的后果。目前针对机械早期故障的诊断方法主要包括基于信号处理的方法以及基于数据驱动的方法。
2、机械早期故障诊断方向应用的信号处理方法有变分模态提取、谱图小波自适应阈值降噪、改进emd-kurtogram方法等。其核心思想均为通过滤波降噪等方法，充分地提取故障频率信息并进行识别与分类。
3、基于数据驱动的早期故障诊断方法可以分为基于深度学习的方法与基于迁移学习的方法。包括结合注意力机制的胶囊网络、非线性稀疏盲解卷积、基于遗传算法的支持向量机等方法。基于深度学习的方法的核心是通过提取样本故障特征，使得模型可以根据样本之间的显著差异对故障类型进行分类。针对轴承早期的微弱故障，深度学习方法通常需要进行特征增强，从而实现准确地识别与分类。迁移学习方法则是在深度学习的基础上，通过拉近源域和目标域之间的相关性，从而使用源域已有知识对目标域数据进行分类，可以有效解决实际应用中目标域样本无标签的问题。联合分布自适应是一种结合了跨域的边缘分布与条件分布的自适应方法，可以有效地适应源域与目标域之间的分布差异，被广泛地应用于迁移学习过程中。包括结合邻域保持嵌入和流形嵌入的联合分布自适应方法，基于al-mmd的联合分布偏移差异方法以
4、上述技术方案的不足之处在于：
5、(1)在机械的正常工作过程中，无法采集到各种早期微弱故障类型样本的带标签数据，导致训练集样本缺乏。
6、(2)机械设备部件的早期微弱故障振动受到环境噪声影响，所呈现出的故障特征不够明显，将一维信号转换为二维灰度图并且使用2d-cnn进行特征提取均无法有效地分离出故障特征。
7、(3)联合分布自适应虽然结合了边缘分布与条件分布，但是条件分布误差函数与伪标签样本的相关性较大，当伪标签样本置信度较低时，会出现严重的错误分类情况，导致分类准确率降低。
技术实现思路
1、本专利技术的技术目的在于提出了一种基于自调节联合分布自适应的早期微弱故障诊断方法，该方法针对机械设备在工作过程中由于退化而产生的微弱故障特征不够明显，需要针对微弱故障信号进行预处理从而进行特征增强，并且需要新的网络对增强的特征进行有效提取。
2、现阶段公开数据集采集到的多为人工制作的故障，与实际工业场景中存在的退化故障存在较大的分布差异，实现人工故障到退化故障的迁移任务更符合实际应用情况。
3、条件分布对初步分类之后的目标域样本的伪标签置信度有较高要求，当噪声伪标签过多时，会导致条件分布损失过大，导致分类准确度急剧降低。需要一种针对伪标签样本的提纯方法，从而提升伪标签样本的置信度。
4、在训练的早期阶段，由于模型没有完全收敛，初步预分类的联合分布损失函数会对分类结果产生负迁移的效果，需要一种自适应调节参数来改变联合分布损失在总损失函数中的权重，以防严重的错误分类结果。
5、针对上述技术不足，本专利技术提供了一种基于深度迁移学习的早期微弱故障诊断方法，以解决现有基于迁移学习的故障诊断方法存在的问题。该方法包括如下步骤，
6、步骤1：采集对源域的一维振动信号和目标域的早期微弱故障信号，早期微弱故障信号通常指轴承在介于正常和故障状态之间的异常振动信号。并且进行数据预处理，包括降噪处理和时频分析，目的是减少环境噪声对微弱故障信号的影响并且进行增强信号中微弱故障特征。将一维振动信号转换为二维灰度图。
7、步骤2：搭建gabor-cnn主干网络，利用步骤1中预处理完毕的源域数据训练网络模型，主干网络通过多个尺度的gabor滤波器提取二维图像样本各个角度的纹理，从而有效地学习到不同类型的微弱故障特征。之后使用该网络模型对目标域微弱故障样本进行初步分类。
8、步骤3：对预处理之后的源域二维图像样本进行n次重划分，每次划分为标签为n与标签非n的样本，使用样本训练二分类器，对伪标签目标域样本进行二阶段筛选。
9、步骤4：统计二阶段筛选之后的伪标签相同的目标域样本分布，并且求平均值，以此作为分类的目标域样本的阈值。
10、步骤5：计算每一轮经过主干网络分类之前的目标域样本数据对应的分布平均值，与步骤4中的阈值求比值，将比值作为条件分布损失和边缘分布损失在总损失函数中的系数；以此进行逐次迭代实现最终分类。
11、进一步地，所述步骤1中，使用长度为1024的滑动窗口截取一维振动信号，之后使用基于希尔伯特变换的包络谱分析进行降噪，截止频率设置为300，过滤掉部分高频噪声。对时域信号进行傅里叶变换得到频域信号，使用格拉姆角场将频域信号转换为二维图像，每个像素点的位置对应着原始信号的频率大小，因此图像中的位置信息反映了微弱故障信号在频域上的序列关系。格拉姆角场通过计算正弦和余弦函数的内积，将早期微弱故障信号的非线性动态特征编码到图像中。这种转换方式可以捕捉到信号中微弱异常的相位关系，能够更好地反映其中的非线性动态行为。并且对样本进行缩放并且灰度化，生成最终大小为64*64的灰度图。
12、进一步地，所述步骤2中：首先搭建gabor-cnn主干网络。在每个卷积层中，卷积滤波器通过不同方向和尺度的gabor滤波器进行调制，以产生卷积gabor方向滤波器gofs，使用gabor滤波器取代cnn网络中的卷积核，从而实现卷积过程。使用步骤1中的各种故障类型的源域样本对gabor-cnn进行训练，gabor滤波器可以在不同尺度上对源域图像进行频率和方向的分解，在不同尺度和方向上学习到特定故障的相关特征。之后使用训练好的模型对目标域早期微弱故障样本进行初步分类，gabor滤波器进行卷积操作之后得到的滤波器响应图可以反应图像在不同尺度和方向上的频率分量，对应着微弱故障样本的特征信息。
13、进一步地，所述步骤3中：伪标签噪声过滤模块采用如下方法过滤掉目标域样本的噪声伪标签，首先使用标签为n的源域样本与标签非n的源域样本作为训练集，训练n个针对伪标签为n的目标域样本二次筛选的网络。对含有噪声伪标签的目标域样本进行二分类。
14、进一步地，所述步骤4中：计算二次筛选过后的目标域样本集每两个样本之间的均方根误差并且取平均值，以此作为目标域样本集的分布紧密度基准值。
15、进一步地，所述步骤5中：将主干网络分类后的目标域数据的样本分布平均值与步骤4中分布紧密度基准值进行比较，二者比值作为控制边缘分布与条件分布的权重系数。联合分布函数使用两个系数对边缘分布与条件分布的权重进行控制，之后在每个轮次的训练迭代中，逐步将联合分本文档来自技高网...
【技术保护点】
1.一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，该方法包括如下步骤，
2.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤1中，使用长度为1024的滑动窗口截取一维振动信号，之后使用基于希尔伯特变换的包络谱分析进行降噪，截止频率设置为300，过滤掉部分高频噪声；对时域信号进行傅里叶变换得到频域信号，使用格拉姆角场将频域信号转换为二维图像，每个像素点的位置对应着原始信号的频率大小，图像中的位置信息反映微弱故障信号在频域上的序列关系；格拉姆角场通过计算正弦和余弦函数的内积，将早期微弱故障信号的非线性动态特征编码到图像中；对样本进行缩放并且灰度化，生成最终大小为64*64的灰度图。
3.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤2中：搭建Gabor-CNN主干网络；在每个卷积层中，卷积滤波器通过不同方向和尺度的Gabor滤波器进行调制，以产生卷积Gabor方向滤波器GoFs，使用Gabor滤波器取代CNN网络中的卷积核，从而实现卷积过程；使用步骤1中
4.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤3中：伪标签噪声过滤模块采用如下方法过滤掉目标域样本的噪声伪标签，首先使用标签为n的源域样本与标签非n的源域样本作为训练集，训练n个针对伪标签为n的目标域样本二次筛选的网络；对含有噪声伪标签的目标域样本进行二分类。
5.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤4中：计算二次筛选过后的目标域样本集每两个样本之间的均方根误差并且取平均值，以此作为目标域样本集的分布紧密度基准值。
6.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤5中：将主干网络分类后的目标域数据的样本分布平均值与步骤4中分布紧密度基准值进行比较，二者比值作为控制边缘分布与条件分布的权重系数；联合分布函数使用两个系数对边缘分布与条件分布的权重进行控制，之后在每个轮次的训练迭代中，逐步将联合分布误差引入到损失函数之中，完成从源域数据到目标域数据的自适应迁移。
7.根据权利要求6所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，边缘分布的损失函数为CORAL，条件分布的损失函数为MMD。
...【技术特征摘要】
1.一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，该方法包括如下步骤，
2.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤1中，使用长度为1024的滑动窗口截取一维振动信号，之后使用基于希尔伯特变换的包络谱分析进行降噪，截止频率设置为300，过滤掉部分高频噪声；对时域信号进行傅里叶变换得到频域信号，使用格拉姆角场将频域信号转换为二维图像，每个像素点的位置对应着原始信号的频率大小，图像中的位置信息反映微弱故障信号在频域上的序列关系；格拉姆角场通过计算正弦和余弦函数的内积，将早期微弱故障信号的非线性动态特征编码到图像中；对样本进行缩放并且灰度化，生成最终大小为64*64的灰度图。
3.根据权利要求1所述的一种基于自调节联合分布自适应的早期微弱故障诊断方法，其特征在于，所述步骤2中：搭建gabor-cnn主干网络；在每个卷积层中，卷积滤波器通过不同方向和尺度的gabor滤波器进行调制，以产生卷积gabor方向滤波器gofs，使用gabor滤波器取代cnn网络中的卷积核，从而实现卷积过程；使用步骤1中的各种故障类型的源域样本对gabor-cnn进行训练，gabor滤波器在不同尺度上对源域图像进行频率和方向的分解，在不同尺度和方向上学习到特定故障的相关特征；之后使用训练好的模型对目标域早期微弱故障样本进行初步分类，gabor滤波...
【专利技术属性】
技术研发人员：张莉，杨建伟，岳文博，姚德臣，白堂博，王东坡，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：
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。