[发明专利]一种轴承故障诊断的方法、装置以及设备

说明书

本发明公开了一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质，包括：采集轴承振动信号构建多源域和目标域数据集，构建轴承故障诊断模型，将多源域和目标域的数据集进行处理，输入特征学习器中进行特征提取，根据提取的多源域和目标域的样本特征求取矩量距离，将每个源域样本特征输入对应的分类器中，输出预测标签，并与真实标签计算分类器交叉熵损失，利用矩量距离和分类器交叉熵损失构建模型的目标函数，利用类内对齐训练策略对模型进行训练；将目标域数据集输入完成训练的模型中，通过加权分类机制输出综合预测的结果，本发明采用了多源域迁移能够利用更加完善的故障信息，以便多种工况和多类型的故障诊断。

技术领域

本发明涉及机械故障诊断和机器学习技术领域，特别是涉及一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质。

背景技术

随着旋转机械在现代工业生产中普遍存在，滚动轴承作为工业生产设备中的关键零部件，被广泛应用于机械、电力、化工、航空等各个重要领域。作为旋转机械的核心部件，滚动轴承长期工作在高速旋转、负载和振动的状态下，因此，容易发生故障，造成巨大的经济损失，甚至大量人员伤亡。故障诊断技术的发展就是为了解决这个问题，避免这种损失。它可以监测滚动轴承的运行状况，甚至可以预测其未来的故障趋势，避免事故发生，避免人员和经济损失。因此，故障诊断技术具有重要的社会意义和经济价值。

近年来，故障诊断技术一直是学术界的一个热门研究方向。随着人工智能相关理论的发展，基于机器学习的故障诊断技术也得到了广泛的研究。这种技术包括三个主要步骤：1.利用传感器进行信号采集，2.人工提取特征，3.模型训练和分类。这些方法非常有效，并取得了各种成功的应用。然而，上述基于机器学习的故障诊断方法的局限性是显而易见的，如手工提取特征耗时耗力等。

许多学者提出了使用深度学习方法的解决方案。这些方法可以克服传统方法的缺点，因为它们具有强大的学习特征的能力。深度神经网络由多个隐藏层组成，可以从原始数据中学习高维度特征。通过训练一个模型，深度神经网络可以使用参数调整来自动选择能够提高预测结果准确性的高维度特征，从而做出准确的判断。然而，深度学习方法取得良好效果的前提条件是：诊断时使用的数据和训练时使用的数据遵循相同的分布。这一前提条件在现实生活中无法满足，因为旋转机械的工作条件经常发生变化，导致深度学习方法在变工况下进行故障诊断时的效果不尽人意。

迁移学习方法的相关理论已经被引入到故障诊断领域。迁移学习的目的是从一个或多个源域中提取知识，然后将其应用于目标域。基于迁移学习的故障诊断方法可以有效地将在某些工作条件下从源任务中学习到的知识运用到其他工作条件下的目标任务中，增强模型在不同工作条件下处理振动数据的能力。因此，基于迁移的故障诊断方法引起了学术界的广泛关注和研究。

目前，大多数基于迁移学习的故障诊断研究都集中在单源域迁移上。然而，这种方法不能处理实际情况，即必须迁移多个源域的情况。鉴于轴承工作条件的多样性，标记的样本通常来自不同的工作条件，从而形成多个源域。

综上所述可以看出，如何建立多源域迁移学习故障诊断模型，并应用于实际处理情况是目前有待解决的问题。

发明内容

本发明的目的是提供一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质，以解决现有技术中单源域迁移学习的故障诊断模型不能诊断实际的轴承故障的问题。