[发明专利]变工况下动态联合分布对齐网络的轴承故障诊断方法

说明书

本发明公开了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：采集不同工况下的轴承振动数据，获得源域样本和目标域样本；构建动态联合分布对齐的深度卷积神经网络模型；将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，特征提取器提取源域样本和目标域样本的高层次特征；计算边缘分布距离和条件分布距离；根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型。其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。

技术领域

本发明涉及机械故障诊断和计算机人工智能领域，具体涉及一种变工况下动态联合分布对齐网络的轴承故障诊断方法。

背景技术

近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。滚动轴承作为旋转机械的关键部件之一，其健康状态直接影响着整个旋转机械的稳定性。但同时滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下，容易发生磨损、裂纹、断裂等故障，严重危害整个旋转系统的安全运行。因此研究滚动轴承的状态信息和相应的故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。

大量研究表明轴承振动数据是进行故障诊断的有效依据，传统的故障诊断方法有基于振动信号提取故障特征频率、短时傅里叶变换、经验模式分解、稀疏表示方法等。这些传统的故障诊断方法通常依赖于一定的先验知识，需要专业的信号处理技术和人为手动地提取合适的特征，并不适用于处理海量的振动数据时。针对传统故障诊断方法存在的不足，深度学习方法被广泛地应用于故诊诊断领域。基于人工智能的故障诊断框架一般包括数据采集、模型建立、模型训练和模型验证四个阶段。基于深度学习的故障诊断方法能够自动提取特征，加速计算速度，满足处理大数据时代背景下海量信息的需求。同时，深度学习模型不需要人工提取特征，深度学习模型能够自动学习特征而不需要大量的先验知识，计算机技术的发展也推动了基于深度学习故障诊断技术的迅猛发展。

传统的故障诊断技术假设训练数据跟测试数据服从相同的分布，并且取得了突出的成果。然而这一假设在实际的工业应用中很难成立，一方面由于旋转机械往往处于转速、负载复杂的工作环境下，训练模型所使用的历史数据与实际监测设备状态时采集的实时数据服从不同的分布，使得基于传统深度方法的模型的通用性和泛化性变差。另一方面，在实际应用中我们不可能获取所有工况下每种设备状态足够多的振动数据来训练特定的模型来满足诊断需求。

发明内容

本发明要解决的技术问题是提供一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。

为了解决上述技术问题，本发明提供了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：

S1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；

其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；

S2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；

S3、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；