[发明专利]基于设备多工况的轴承故障诊断方法

权利要求书

1.基于设备多工况的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1:利用加速度传感器分别采集轴承设备在第一种工况下的第一振动信号以及第二种工况下的第二振动信号，第一振动信号为源域,源域数据对应的故障类型已知，第二振动信号为目标域,目标域数据对应的故障类型未知；所述故障类型包括：正常、外圈故障、内圈故障、滚动体故障；

步骤2:建立加权域适应卷积神经网络，该卷积神经网络中包括3个模块,分别为数据处理模块、特征提取模块、故障识别模块；

步骤3:将步骤1的全部源域数据和部分目标域数据作为训练集，输入到步骤2所述的加权域适应卷积神经网络中进行训练；

步骤4:将剩余的目标域数据作为测试集,输入到训练好的卷积神经网络中,进行目标域轴承的故障诊断，输出目标域数据对应的故障类型。

2.如权利要求1所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤1中采集轴承第一振动信号和第二振动信号的方法为:分别在第一种工况和第二种工况下，通过布置在电机驱动端的加速度传感器采集轴承在正常、外圈故障、内圈故障、滚动体故障这4种故障状态下的振动信号；其中第一种工况下采集到的振动信号的集合称为第一振动信号，第二种工况下采集到的振动信号的集合称为第二振动信号。

3.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述加速度传感器的采样频率为12KHz～50KHz。

4.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤1中所述的源域D_s和目标域D_t分别表示为：

其中,表示源域中第i个样本数据,表示源域中第i个样本的真实标签,标签分别对应轴承的4种故障状态：正常、外圈故障、内圈故障和滚动体故障；n_s表示源域的样本数量，表示目标域中第j个样本数据,n_t表示目标域的样本数量。

5.如权利要求2所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤2所述数据处理模块将步骤1采集到的振动信号切割为长度，即采样点个数，为L的序列；然后，采用小波包变换对切割好的振动数据进行处理，处理完成后每一条振动数据分解为若干个频带，在每个频带中，都有一系列的小波包系数；假设小波包分解的深度为d,则分解后可得到2^d条频带，每个频带上的小波系数个数为L/2^d，将所有频带上的小波包系数组成小波包系数矩阵，作为卷积神经网络的输入。

6.如权利要求5所述的基于设备多工况的轴承故障诊断方法，其特征在于，为了确保样本数据包含足够的特征信息，切割后的序列长度其中，f表示加速度传感器的采样频率，ω表示轴承每秒钟旋转的圈数。

7.如权利要求5所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤2中，所述特征提取模块用于学习源域和目标域的域不变特征，其中引入辅助权重因子对源域样本进行加权,以匹配目标域样本的类权重,然后采用加权最大均值差异度量源域和目标域的特征分布差异,通过最小化加权最大均值差异,使卷积神经网络能够有效解决跨域类不平衡问题。

8.如权利要求7所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述加权最大均值差异是将目标域样本特征和加权后的源域样本特征代入到最大均值差异的经验估计公式中计算得到。

9.如权利要求7所述的基于设备多工况的轴承故障诊断方法，其特征在于，所述故障识别模块中,使用softmax分类器对学习到的特征进行分类,从而判断出目标域的故障类型。

10.如权利要求9所述的基于设备多工况的轴承故障诊断方法，其特征在于，步骤3中，加权域适应卷积神经网络的训练过程包括以下步骤:

3.1:在前向传播阶段,首先固定卷积神经网络的参数,将带标签的源域样本和不带标签的目标域样本同时输入到卷积神经网络,分别得到第二层卷积层的源域输出和目标域输出同时,通过softmax分类器的输出获取输入样本的后验概率以及预测标签；

3.2:在获取输入样本的后验概率后,计算该样本的辅助权重因子α_c，c＝0,1,2,3表示样本标签，公式为：

其中，n_s表示源域样本数量,n_t表示目标域的样本数量,表示真实标签为c的源域样本数量，表示目标域样本预测标签为c的概率；

3.3:根据源域样本的真实标签和预测标签,计算源域样本的分类损失,源域的分类损失表示为:

其中,表示源域样本的指示变量，当样本真实标签为c时,当样本真实标签为其它时,表示源域中第i个样本预测标签为c的概率；

3.4:根据3.1中获取的第二层卷积层的输出和3.2中获取的辅助权重因子,计算源域和目标域的加权最大均值差异,作为特征分布差异的损失用公式表示为:

其中，表示源域样本对应的辅助权重因子,表示该样本在卷积神经网络第2层全连接层的输出,表示目域样本在卷积神经网络第2层全连接层的输出,和分别表示和的高斯核映射,表示再生核希尔伯特空间；

3.5:根据3.1中计算得到的目标域样本的预测标签对目标域样本进行聚类,聚类损失用公式表示为:

其中,表示预测标签为c的目标域样本在卷积神经网络第2层全连接层的输出,表示预测标签为c的目标域样本在卷积神经网络第2层全连接层的输出；

3.6:将3.3～3.5中计算得到的3个损失函数合并,得到卷积神经网络的总损失函数,合并后的公式如下:

其中,λ和γ分别表示和对应的权衡参数；

3.7:在反向传播中，使用小批量随机梯度下降算法更新卷积神经网络参数；

3.8:重复进行3.1～3.7，当训练次数大于设定的最大训练次数时，卷积神经网络训练完成。