一种工况自适应深度神经网络模型及变工况故障诊断方法与流程

本发明涉及滚动轴承故障诊断方法，尤其是一种工况自适应深度神经网络模型及变工况故障诊断方法，属于机械故障诊断领域。

背景技术

滚动轴承是电力、石化、冶金、机械、航空航天以及一些军事工业部门中使用最广泛的机械零件,也是最易损伤的部件之一。它具有效率高、摩擦阻力小、装配方便、润滑易实现等优点,在旋转机械上应用非常普遍,并起着关键作用。旋转机械设备的许多故障都与滚动轴承有着密切的关联。据有关资料统计,机械故障的70％是振动故障,而振动故障中有30％是由滚动轴承引起的。这是因为滚动轴承在机械设备中起着承受载荷和传递载荷的作用,而且工作条件比较恶劣，长期连续工作在高载荷、高转速下，容易受到损害和出现故障。滚动轴承故障引起的直接后果轻则降低和失去系统的某些功能,重则造成严重的甚至是灾难性的事故。因此，滚动轴承的故障诊断方法,一直是机械故障诊断中重点发展的技术之一，具有重要的社会经济意义。

滚动轴承在机械设备中往往运行工况多变(载荷、转速等连续地或间歇性地变化)。采集到的传感信号与工况存在直接关联关系。系统变工况运行时，新数据不断涌现，原先可利用的有标签传感数据与新工况条件下的测试样本产生了分布差异。已有的训练样本已经不足以训练得到一个可靠的故障诊断模型。同时，重新标注一批新工况条件下的故障样本不仅费时费力而且非常昂贵。

这就引起了滚动轴承故障诊断的一个重要问题，即，变工况条件下如何利用少量的有标签训练样本或者源领域数据，建立一个可靠的模型对新工况条件或目标领域数据进行预测(源领域数据和目标领域数据可以不具有相同的数据分布)。

技术实现要素：

本发明所要解决的技术问题在于克服变工况条件下传感数据分布的差异，提供了一种能够消除工况影响，并获取仅反映滚动轴承故障或性能退化的信息的方法，并精确判断滚动轴承故障的诊断方法。

为了解决上述技术问题，本发明设计了一种变工况条件下的滚动轴承故障诊断方法，该方法基于一种工况自适应深度神经网络模型，该工况自适应深度神经网络模型的输入是不同工况条件下轴承的振动信号x∈x，特征空间x可以是原始振动信号经过快速傅里叶变换后获得的频谱向量，输出为故障类型标签y∈y＝{1,2,…,k}和样本所属的工况类型标签d∈{0,1}。假设和表示不同工况下故障样本的分布情况，分别记为源领域分布和目标领域分布。和表示不同工况下振动信号的边缘分布情况。如果振动信号xⁱ来自源领域，即那么di＝0。如果振动信号xⁱ来自目标领域，即那么di＝1。

实验表明，不同工况条件下，源领域和目标领域故障的边缘分布相同，但故障样本的条件分布有差异，即，通过进一步研究，我们发现，故障样本的原始振动信号经过特征提取模块后，每类故障样本的条件分布之间仅仅是尺度和位置上的变化。因此，对于故障yi∈y，我们可以找到一个参数为(wi,bi)的线性变换，使源领域的故障样本经过该线性变化后，其条件分布与目标领域同类故障样本的条件分布相似。

由于目标领域的样本缺少故障标签，我们无法直接获得目标领域故障yi样本的条件分布但考虑到根据贝叶斯公式，如果那么即源领域各类故障样本分别经过线性变换后，新的样本具有和目标领域样本相同的边缘分布。因此，我们可以通过最小化以下分布差异，获得各类故障对应的线性变化参数

其中mmd表示maximummeandiscrepancy，是一种常用的衡量样本间分布差异的方法。

本发明提出的工况自适应深度神经网络模型包含5个部分：

1、源领域特征提取模块ms：ms包含5层1维卷积神经网络层(conv1～conv5)和2个全连接层(fc1,fc2)；输入的源领域振动信号首先经过快速傅里叶变换(fastfouriertransform，简称fft)处理,然后输入第一层卷积神经网络层(conv1)；最后一个全连接层(fc2)包含和故障类型相同数量的k个神经元；源领域样本通过ms的5层1维卷积神经网络层与2层全连接层映射为特征向量

2、故障分类器c：故障诊断本质是一个多类分类问题，我们使用soft-max回归模型估计输入的源领域振动信号属于每种故障类别的概率，即，

其中，是的第j个元素值；对于给定的源领域样本集合，可以通过最大化以下代价函数来估计源领域特征提取模块ms的参数，

其中，是的第j个元素值，即属于每种故障类别j的概率；

3、目标领域特征提取模块mt：mt与ms具有完全相同的网络结构；输入的目标领域振动信号通过5层1维卷积神经网络层与2层全连接层映射为特征向量考虑到目标领域的样本没有故障类别的标签，所以使用ms中5层1维卷积神经网络层与2层全连接层的参数来初始化mt；

4、位置尺度变换模块ls：k类故障,需要k个位置尺度变换模块lsi的参数记为(wi,bi)，输出表示为即源领域中经过线性变化后的故障样本，其中yi表示故障类型；

5、领域差异正则化项模块：使用mmd表示线性变换后领域间样本的分布差异。通过最小化该分布差异，估计模型参数，包括目标领域特征提取模块mt中5层1维卷积神经网络层与2层全连接层的参数和k个位置尺度变换模块的参数

本发明提出一种变工况条件下的滚动轴承故障诊断方法，包括：

步骤1：训练源领域特征提取模块ms：输入源领域有标签样本，使用反向传播算法，最小化代价函数lcls估计源领域特征提取模块ms中5层1维卷积神经网络层与2层全连接层的参数：

其中，是的第j个元素值，即属于每种故障类别j的概率；

步骤2：使用ms中5层1维卷积神经网络层与2层全连接层的参数来初始化mt；

步骤3：训练目标领域特征提取模块mt、位置尺度变换模块ls：输入源领域有标签样本和目标领域无标签样本，使用反向传播算法，最小化以下分布差异：

估计目标领域特征提取模块mt中5层1维卷积神经网络层与2层全连接层的参数和k个位置尺度变换模块的参数；

步骤4：故障诊断：目标领域故障样本经过目标领域特征提取模块mt处理后，输出为通过以下公式计算样本的故障类型即最大概率值对应的故障类型：

其中，是的第j个元素值。

有益效果：本发明针对不同工况条件下故障的边缘分布相同，但每类故障样本的条件分布在尺度和位置上发生变化的特点，设计了工况自适应深度神经网络模型及相应的变工况故障诊断方法，克服了变工况条件下传感数据分布的差异，提供了一种能够消除工况影响，并获取仅反映滚动轴承故障或性能退化的信息的方法，从而使滚动轴承故障的诊断更加准确，具有极高的推广价值。

附图说明

图1为本发明的工况自适应深度神经网络模型结构示意图；

图2为本发明的源领域特征提取模块ms结构示意图；

图3为本发明的变工况滚动轴承故障诊断方法的流程示意图。

具体实施方式

下面将结合附图对本发明作详细说明。

如图1-2所示，本发明提供的工况自适应深度神经网络模型，包括，1个源领域特征提取模块ms、1个故障分类器c、1个目标领域特征提取模块mt、4个位置尺度变换模块ls：分别对应四类故障，即内圈故障(if)、外圈故障(of)、滚动体故障(bf)和正常状态(no)；1个领域差异正则化项模块；图中虚线部分表示需要使用反向传播算法估计响应的参数，实线部分表述网络参数已经确定。

如图2所示，源领域特征提取模块ms作为工况自适应深度神经网络模型的一部分，包括5个卷积神经网络层，2个全连接层；该模块的作用在于获得对故障具有判别性的神经网络参数；图中虚线部分表示需要使用反向传播算法估计相应的参数；输入源领域有标签样本，使用反向传播算法，最小化代价函数lcls估计源领域特征提取模块ms各层的参数。

如图3所示，一种变工况条件下的滚动轴承故障诊断方法包括以下步骤：

步骤1：训练源领域特征提取模块ms：输入源领域有标签样本，使用反向传播算法，最小化代价函数lcls估计源领域特征提取模块ms中5层1维卷积神经网络层与2层全连接层的参数：

其中，是的第j个元素值，即属于每种故障类别j的概率；

步骤2：使用ms中5层1维卷积神经网络层与2层全连接层的参数来初始化mt；

步骤3：训练目标领域特征提取模块mt、位置尺度变换模块ls：输入源领域有标签样本和目标领域无标签样本，使用反向传播算法，最小化以下分布差异：

估计目标领域特征提取模块mt中5层1维卷积神经网络层与2层全连接层的参数和k个位置尺度变换模块的参数；

步骤4：故障诊断：目标领域故障样本经过目标领域特征提取模块mt处理后，输出为通过以下公式计算样本的故障类型即最大概率值对应的故障类型：

其中，是的第j个元素值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离发明原理的前提下还可以做出若干改进，包括增加故障类型，这些改进也应视为本发明的保护范围。