[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

说明书

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，先利用公共滚动轴承振动信号和私有滚动轴承振动信号对客户端的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；再将公共滚动轴承振动信号输入至本地过渡深度卷积诊断模型中得到性能分数向量；然后将性能分数向量上传至中央服务器，得到平均性能分数向量并下载至各客户端；再对本地过渡深度卷积诊断模型进行优化；重复性能分数向量计算及优化过程，得到各客户端本地最终深度卷积诊断模型；最后以健康状态未知的滚动轴承振动信号样本为输入，利用本地最终深度卷积诊断模型输出诊断结果，实现滚动轴承健康状态的智能定制化识别；本发明实现了准确、高效的故障诊断。

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及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。

背景技术

滚动轴承作为各类旋转机械装备的关键零部件之一，其一旦发生故障将直接影响机械装备的安全可靠运行，造成难以挽回的经济损失甚至危及人身安全，因此研究滚动轴承的故障诊断技术显得尤为重要。智能故障诊断依靠先进的机器学习理论与方法，可从监测数据中挖掘出反映滚动轴承运行状态的有效信息，实现故障的自动高效识别，成为保障滚动轴承平稳运行的重要手段。近年来，多用户协同隐私建模技术逐渐兴起，并被引入保证数据安全性的多用户滚动轴承协同智能故障诊断中，主要由中央服务器和多个用户客户端组成。现有的方法中，各客户端构建统一的滚动轴承故障诊断模型，并使用私有滚动轴承监测数据对模型进行本地训练，在每轮训练中将加密的模型信息上传至中央服务器，实现信息的交换和诊断模型的协同更新。协同隐私建模方法在保证数据安全性的同时，有效融合了大量来自不同客户端的监测数据信息，为获得高性能的滚动轴承故障智能诊断模型提供了可能。

在工程实际中，为充分挖掘滚动轴承监测数据中的特征信息并建立监测数据与相应故障类型之间的复杂映射，所使用的诊断模型往往较为复杂，包含大量的参数。若每轮训练中直接将故障诊断模型参数或相应梯度值在中央服务器和各客户端之间通信，会给系统带来巨大负担且效率极低，现实中难以实现；此外，现有多用户协同智能故障诊断方法中，统一的故障诊断模型难以满足不同客户端在私有滚动轴承数据上的诊断需求；同时，与其它用户共享同一故障诊断模型往往会增加数据隐私泄露几率。因此，现有的滚动轴承多用户协同智能故障诊断方法难以高效、灵活地构建诊断模型，极大地限制了其在工程实际中的应用。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提出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，减少滚动轴承智能故障诊断模型优化时的通信负担，提高方法的灵活性，实现滚动轴承故障的准确、高效识别。

为达到上述目的，本发明采取的技术方案为：

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，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：