一种基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法

本发明涉及旋转机械故障诊断领域，尤其是涉及一种基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法

背景技术：

1、轴承和齿轮是机械设备中极为重要的组成部分之一。随着机械设备的不断发展，越来越趋向于大型化、高速化、系统化和自动化。因此，及时检测轴承故障变得尤为重要。但是，轴承和齿轮通常在恶劣的环境下运行，例如变速、超负荷等，振动信号的采集容易受到外界环境的干扰。因此，对于机械设备的核心部件，如轴承和齿轮，进行可靠的故障诊断是确保机械设备持续自动化发展的必要条件。

2、基于深度学习的故障诊断方法迅速发展，相比于传统方法，深度学习方法提取振动信号特征时不再依赖于信号预处理，在智能故障诊断方面表现出色，可以直接从原始数据中提取具有代表性的信息并进行分类。然而，深度学习模型的出色性能通常建立在训练集和测试集具有相同的数据分布这一假设之上。由于工业设备在不同的工况下运行，因此被测数据的分布存在差异，这使得用一种数据分布训练出的诊断模型难以处理另一种数据分布。因此，迁移学习是一个非常有效的方法，通过将模型训练，将源域知识迁移到目标域。然而，由于很多情况下采取数据标签不可用，重新训练诊断模型的方法不可行。因此，如何实现无监督跨域故障诊断成为了一个现实问题

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提出了一种基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法,通过学习不同尺度的故障特征并进行域自适应，并且自适应地对学习到的特征进行打分并分配权重，来提高卷积层的特征学习能力，从而提高诊断的准确性和可靠性。

2、为达到上述目的，本发明提供如下技术解决方案：

3、一种基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法，具体包括以下步骤：

4、获得待诊断的旋转机械原始信号，将待诊断的旋转机械原始信号输入到故障诊断网络中获得旋转机械故障诊断结果；

5、旋转设备故障诊断网络通过以下方式获得：

6、步骤一、获取旋转设备原始信号，并将旋转设备原始信号分为训练集和测试集；

7、步骤二、构建多尺寸特征残差神经网络；

8、步骤三、构建mk-mmd非监督领域自适应算法；

9、步骤四、利用训练集训练构建好的构建多尺寸特征残差神经网络，获得训练好的多尺寸特征残差神经网络；

10、步骤五、利用测试集测试步骤三获得的训练好的多尺寸特征残差神经网络，获得旋转设备故障诊断网络；

11、进一步地，所述步骤二中的多尺寸特征残差神经网络：

12、该网络采用了多个平行的多尺度扩张卷积分支；

13、其中，每个分支都由扩张卷积层、bn层和relu激活函数层组成；

14、不同分支的扩张卷积层使用不同的扩张速率来捕捉输入的不同尺度特征。将四个分支的输出特征图经过进一步处理后，它们被叠加在一起形成整体的特征图；

15、通过在不同的残差块中使用不同的空洞卷积核来生成不同尺度的特征图，从而增加了模型的感受野和多尺度特征表达能力，而且不会增加额外的计算负担；

16、此外，这个网络还使用了预训练的权始化模型参数，提高了模型在特定任务上的表现；

17、进一步地，所述步骤三中的mk-mmd非监督领域自适应算法的公式为：

18、有源域样本集和目标域样本集其中x表示样本空间。

19、f(·)是一个映射函数，将样本映射到一个特征空间f，则源域和目标域的分布可以表示为和其中δ(·)表示狄拉克函数。

20、mk-mmd的目标是最大化以下公式：

21、

22、其中，h是核希尔伯特空间(kernel hilbert space)，|·|h表示该空间中的范数。

23、本发明所提供的基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法，通过获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果，其中，所述故障诊断模型是基于多尺度特征残差神经网络利用训练集进行训练得到的。这样，本发明所提供的故障诊断方法利用多尺度特征残差神经网络训练后生成的故障诊断模型，将原始数据输入故障诊断模型后即可得到准确的故障诊断结果，这样，通过学习不同尺度的故障特征并进行域自适应，将学习到的特征进行打分并分配权重，提高卷积层特征学习能力，再通过减小源域和目标域之间的分布差异，能够有效准确的诊断旋转机械的跨域故障，解决了很多情况下采取数据标签不可用，重新训练诊断模型的方法不可行等无监督跨域故障诊断的难题。

技术特征：

1.一种基于多尺度特征残差神经网络的无监督旋转机械故障诊断方法，其特征在于，所述方法包括：

技术总结
本发明公开了一种基于多尺度扩展的残差神经网络方法。首先，采用多尺度特征残差神经网络来提取旋转机械振动信号的特征，同时使用数据增强方法增强模型的泛化能力，将信号分解为多个不同尺度的子信号，并在每个尺度上提取局部特征，然后使用残差连接来组合这些局部特征以得到全局特征表示；其次，本文构建了最大均值差异与极小化熵边界，以适应两个域之间的差异。该方法使用多个核函数计算不同尺度下数据之间的距离，并将这些距离进行组合来得到一个综合的度量。通过使用最大均值差异与极小化熵边界方法，可以更加准确地判断不同尺度下的信号是否属于同一类别，从而提高了诊断的准确性和鲁棒性。本发明将这种方法应用于无监督跨域故障诊断任务，并取得了良好的诊断性能。

技术研发人员：李学艺,金昊,原鹏,李岱优,解志杰
受保护的技术使用者：东北林业大学
技术研发日：
技术公布日：2024/4/29