[发明专利]基于强化学习的域自适应轴承声纹故障诊断方法及系统

说明书

本发明提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出；本发明考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。

技术领域

本发明涉及轴承故障诊断技术领域，特别涉及一种基于强化学习的域自适应轴承声纹故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

在当今的工业化生产流程中，机械设备运行状态的正常与否是制约生产效率的主要因素。旋转机械是工业化机械设备的一种并应用广泛，诊断作为其关键部件的滚动轴承的健康有着极其重要的意义。由于机械设备工作状态的连续性、工作环境的恶劣性，滚动轴承故障时有发生。因此，在事故发生前进行故障诊断可以提高工业生产的可信性。

声音是获取信息的重要途径，通过声音可以判断事物的某种状态。声音信号相比于其它信号来说，具有绕射能力强、易于采集的特点。轴承的声波源于旋转运动引起的空气振动，基于声纹的故障诊断系统具有全天候、检测延时小、采集设备简单、高效节能等优点。因此，利用滚动轴承的声纹信号进行故障诊断具有巨大的发展潜力。

智能故障诊断技术是最近发展迅猛的研究热点，是基于数据驱动的提取特征的高效方法，已经做了大量有力的研究和成功的使用，比如混合神经网络和遗传算法技术、支持向量机、决策树和随机森林等算法。但是遗传算法的编程实现较为复杂，参数选取大部分依靠经验，支持向量机对大规模训练样本难以实施，对缺失的数据及其敏感，决策树的稳定性较差，泛化能力不强，出现过拟合的现象。深度学习是更为有效的逼近复杂函数的一种网络架构，同时具有可以直接利用原始数据进行故障诊断的优点，通过创建深层网络模型，对数据中大量的隐含信息进行抽象描述，从而高效的进行特征的提取。比如利用深度信念网络建立故障诊断模型，既可以确定轴承故障类型，同时还可以将每个轴承故障类型下轴承受损的严重程度进行区分。残差学习算法，改善大容量的深度学习模型，解决梯度消失和梯度爆炸，优化网络的信息流，提高旋转机械可变顺序长度信号处理的精度等

发明人发现，上述方法在滚动轴承的故障诊断结果中体现了较为可靠的分类精度；但是在测试网络分类性能的时候，一般情况都会采用与训练集相对应的测试集，也就是在同一个域中进行测试集和训练集的划分，没有将测试集和训练集处于不同的域的情况考虑进来；如果将其他运行工况下测得的原始信号输入故障诊断模型进行分类训练，分类精度可能并不令人满意；传统方法依靠在滚动轴承上安装振动传感器来提取信号，某些设备的安装空间有限，安装过程复杂，操作不易。

发明内容

为了解决现有技术的不足，本发明提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于强化学习的域自适应轴承声纹故障诊断方法。

一种基于强化学习的域自适应轴承声纹故障诊断方法，包括以下过程：

获取待测滚动轴承的声纹信号；

根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；