[发明专利]一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置

权利要求书

1.一种基于深度学习的变工况行星齿轮箱故障诊断方法，其特征在于，包括：

S1、采集源域与目标域的齿轮箱振动信号，得到源域数据和目标域数据，其中，所述源域数据包括工况改变之前的齿轮箱振动信号，所述目标域数据包括工况改变后的齿轮箱振动信号；

S2、对所述源域数据和所述目标域数据进行分割，获取包含相同数量的数据点的样本段，其中，每个样本段包括：数据点、故障类别标签和工况信息，所得到的样本段记录至离线训练数据库；

其中，源域训练集为其中为第i个样本，为该样本的标签，K表示待分类数据共有K类，S表示源域数据集，n^s表示源域数据集内的样本个数，目标域训练集为其中为第i个样本且i显示为正整数，目标域训练集不含有标签，T表示目标域数据集，n^T表示目标域数据集T内的样本个数；

S3、建立域适应卷积神经网络模型，并通过所述离线训练数据库的训练集训练所述域适应卷积神经网络模型，再通过所述离线训练数据库的验证集验证所述域适应卷积神经网络模型的准确性；在S3中，建立的域适应卷积神经网络模型包括两个部分：第一部分，用于对源域的有故障类别标签的数据，通过卷积神经网络进行有监督的标签预测；第二部分，用于对目标域的无故障类别标签的数据，通过自编码器进行无监督重构；其中，两个部分的参数都输入所述自编码器，而所述自编码器中的参数则为所述目标域的数据独享；

所述域适应卷积神经网络模型由卷积神经网络构成，其中包括：编码器f_e、分类器f_l和解码器f_d；编码器f_e将源域数据样本x进行特征提取，转换为中间特征分类器f_l将中间特征进行分类，得到预测出的不同故障的标签解码器f_d将中间特征通过反池化操作得到且使x和无限接近，自编码器f_e与分类器f_l进行组合，得到模型的有监督学习部分自编码器f_e与自解码器f_d进行组合，得到模型的无监督学习部分

其中，编码器f_e、分类器f_l和解码器f_d三个部分中的权重参数分别为Θ_e、Θ_l和Θ_d，有监督学习过程包含的权重参数为Θ_s＝{Θ_e,Θ_l}，无监督学习部分包含的权重参数为Θ_t＝{Θ_e,Θ_d}，所述有监督学习过程和所述无监督学习部分的中共享参数为编码器f_e的参数Θ_e；

所述通过所述离线训练数据库的训练集训练所述域适应卷积神经网络模型，包括：对所述域适应卷积神经网络模型采用交替迭代学习的多任务学习方法，从所述离线训练数据库的训练集中提取待输入的样本并输入所述域适应卷积神经网络模型，其中，所述待输入的样本的每个训练批次上轮流运行最小化源域的代价函数和目标域的代价函数；当所述目标域代价函数稳定且不再下降后，训练停止，并得到最优模型参数通过所述域适应卷积网络故障诊断模型中的编码器f_e与分类器f_l的组合F_s对目标域数据样本进行故障诊断；

在训练域适应卷积神经网络模型的过程中，使用交替迭代学习的多任务学习方法，输入样本的每个batch上轮流最小化源域与目标域的两个代价函数：

其中，两个代价函数分别处理源域中有标签的数据与目标域中无标签数据l_s和l_t分别为有监督部分和无监督部分的损失函数；其形式分别如下：

综上所述，该任务的总目标为：

其中，λ为平衡两个子任务的超参数，可以人为调节，采用梯度下降法求解模型的权重参数Θ_e、Θ_l、Θ_d，得到训练后的域适应卷积神经网络模型，当目标域代价函数稳定不再下降后，训练停止，得到模型的权重参数Θ_e、Θ_l、Θ_d的最优估计量与分类器

S4、获取齿轮箱在工况变化后的振动信号作为在线数据，对所述在线数据进行预处理得到测试样本，将所述测试样本输入训练后的所述域适应卷积神经网络模型，最终得到故障诊断结果。