[发明专利]基于深度可分迁移学习网络的跨轴承迁移诊断方法

说明书

本发明涉及一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，属于机械设备故障诊断技术领域。该方法包括：S1：采集轴承原始振动信号，并进行样本扩充；S2：构建基于IJDA域适应损失和I‑Softamx分类损失的DDTLN，其中，IJDA表示改进联合分布对齐，DDTLN表示深度可分迁移学习网络；S3：将划分好的的训练样本输入到DDTLN中，利用源域有标签样本的I‑Softamx分类损失函数和源域与目标域之间的IJDA域适应损失函数对迁移模型进行迭代更新训练；S4：经过多次迭代训练，误差曲线趋于稳定，迁移模型训练完成，训练好的迁移模型将用于跨轴承故障迁移诊断。本发明能提高迁移诊断精度。

技术领域

本发明属于机械设备故障诊断技术领域，涉及一种基于深度可分迁移学习网络的跨轴承迁移诊断方法。

背景技术

轴承作为一个基础机械通用零件，广泛应用在轨道交通、能源动力、航空航天等重要领域。一旦轴承发生故障，将会造成难以承受的经济损失。因此，近年来对于轴承的智能故障诊断吸引了大批的专家学者进行研究，特别以考虑数据分布差异的迁移学习技术为代表的轴承智能迁移故障诊断方法已经取得了很大的成功。但现有智能迁移故障诊断方法仍然有以下几点局限性：1)模型所用的分类损失函数均为Softmax损失，虽然该损失在大多数情况下能够取得很好的效果，但是在轴承信号受噪音污染比较大的时候，其可分特征学习能力较差；2)局限于同台机器不同负载、不同转速以及不同测点的迁移诊断任务；3)选用的分布度量距离未考虑真实信号的分布特性；4)且现有基于联合分布对齐的迁移学习技术存在大量的近似估计，无法保证其理论的可靠性。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，提高现有智能迁移诊断方法的精度和泛化能力。

为达到上述目的，本发明提供如下技术方案：

一种基于深度可分迁移学习网络的跨轴承迁移诊断方法，包括以下步骤：

S1：通过加速度传感器采集机械设备上的轴承原始振动信号，以便于构建后续的迁移诊断任务。然后，将采集到的原始振动信号利用滑动采样技术扩充样本数据集；

S2：构建基于IJDA域适应损失和I-Softamx分类损失的DDTLN，其中，IJDA表示改进联合分布对齐，DDTLN表示深度可分迁移学习网络；

S3：将划分好的的训练样本输入到步骤S2构建的DDTLN中，利用源域有标签样本的I-Softamx分类损失函数L_y和源域与目标域之间的IJDA域适应损失函数L_IJDA对迁移模型进行迭代更新训练；

S4：经过多次迭代训练，误差曲线趋于稳定，迁移模型训练完成，训练好的迁移模型将用于跨轴承故障迁移诊断。

进一步，步骤S2中，所述DDTLN采用卷积神经网络作为主干网络去自适应提取特征，该网络由五个“Conv1D”卷积块、一个全局平均池化层和两个全连接层组成；每个“Conv1D”卷积块由一个卷积层、一个批次归一化层和最大池化层组成；其中，全局平均池化层和批次归一化层可以加速网络收敛和有效抑制网络的过拟合现象。为了节约计算资源，将IJDA域适应损失加在最后全连接层上；同样，I-Softmax分类损失也作用在最后的全连接层上。

进一步，步骤S2中，I-Softamx分类损失函数L_y的表达式为：

其中，Fⁱ表示对应于样本Xⁱ的特征提取器的输出向量；c和j是对应于特征向量Fⁱ的元素索引；n表示特征向量的个数，即当前输入批次的大小；k≥0和m≥1被定义为两个超参数去控制决策边界，同时当m＝1和k＝0时，I-Softmax分类损失函数等同于原始Softmax函数。