[发明专利]一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

权利要求书

1.一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取公共滚动轴承N_pub种健康状态的振动信号样本集其中，为第m个公共滚动轴承振动信号样本，由N_input个振动数据点组成，其健康标签为n_pub为公共滚动轴承振动信号样本总数，上标/下标pub代表公共滚动轴承振动信号；有N_client个客户端，第i∈{1,2,3,...,N_client}个客户端的私有滚动轴承振动信号样本集为包括N_pri种健康状态，其中，为第i个客户端的第n个私有滚动轴承振动信号样本，由N_input个振动数据点组成，其健康标签为n_i,pri为第i个客户端私有滚动轴承振动信号样本总数，下标pri代表私有滚动轴承振动信号；

步骤2：在第i个客户端构建独立的本地初始深度卷积诊断模型，利用公共滚动轴承振动信号样本集和私有滚动轴承振动信号样本集对本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型，待训练参数为训练过程中最小化如下分类损失函数并对训练参数进行更新：

其中，为第i个客户端的私有滚动轴承振动信号样本集在本地初始深度卷积诊断模型上的损失函数，为公共滚动轴承振动信号样本集在第i个客户端的本地过渡深度卷积诊断模型上的损失函数，α_s为预训练权重系数；和的计算过程如下公式：

式中，表示第i个客户端的第n个私有滚动轴承振动信号样本的健康标签，表示第i个客户端的第n个私有振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值，上标pri代表私有滚动轴承振动信号；表示第m个公共振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值；

步骤3：在第i个客户端上，将公共滚动轴承振动信号样本集输入到步骤2中得到的本地过渡深度卷积诊断模型，计算第i个客户端本地过渡深度卷积诊断模型在公共振动信号样本集上的性能分数向量H_i(x^pub)，该向量由最后一层全连接层所有神经元的取值组成；

步骤4：将步骤3中计算所得的各客户端本地过渡深度卷积诊断模型的性能分数向量H_i(x^pub)上传至中央服务器，中央服务器执行平均运算操作以获得平均性能分数向量计算公式为：

步骤5：将步骤4中央服务器计算得到的平均性能分数向量下载至各客户端；

步骤6：利用公共滚动轴承振动信号样本集和私有滚动轴承振动信号样本集对第i个客户端的本地过渡深度卷积诊断模型进行优化，待优化参数为优化过程中最小化如下优化目标函数并对优化参数进行更新：

其中，为步骤2中的分类损失函数，为公共振动信号样本集与第i个客户端私有振动信号样本集之间的领域适配损失函数，为公共振动信号样本集的诊断一致性损失函数，α_m为领域适配权重系数，α_p为诊断一致性权重系数；和的计算公式如下：

式中，η为特征映射，为具有特征核k的再生希尔伯特空间；为以第m个公共滚动轴承振动信号样本为输入时，步骤3计算所得的第i个客户端本地过渡深度卷积诊断模型的性能分数向量，为以第m个公共滚动轴承振动信号样本为输入时，步骤4计算所得的平均性能分数向量；

步骤7：依次重复执行步骤3至步骤6，对各客户端的本地过渡深度卷积诊断模型进行训练，并得到各客户端本地最终深度卷积诊断模型；

步骤8：在第i个客户端，将未知健康状态的滚动轴承振动信号样本输入至本地最终深度卷积诊断模型中，本地最终深度卷积诊断模型输出所对应的滚动轴承健康状态即为诊断结果。