一种基于多尺度多源域自适应轴承故障诊断方法

技术领域

本发明属于轴承故障诊断领域，具体涉及一种基于多尺度多源域自适应轴承故障诊断方法。

背景技术

近年来，工业设施的复杂化和机械化程度呈高速增高，轴承作为旋转机械的重要组成部分，在工业设施中作为基础设备被广泛应用。因此能够快速准确的发现轴承故障对机械系统的安全运行和人身财产安全是至关重要的。在实际生产当中，轴承的工作环境是多变的，得到的往往是没有标签的数据且分布不一，而对数据进行标注是十分耗费精力和经济成本。

在这种背景下，领域自适应(DA)技术近来备受研究者的关注，它通过在标记的源域数据中学习目标域中故障诊断相关知识，从而在目标域无标记的情况下建立对目标域故障诊断的模型。然而目前DA技术大多数是从标记的单源域数据到未标记的目标域数据的单源域自适应(SDA)。SDA方法一方面忽略了多源领域中丰富的可迁移诊断信息；另一方面容易导致引起负迁移。通过增加源域的多源域自适应方法(MSDA)，丰富了可迁移诊断知识可以提高单源域数据训练的模型诊断能力。但由于源域之间和源域和目标域之间都存在数据偏移，导致这种提高并不显著。同时MSDA方法大多仅利用单一尺度的深层次特征对特征进行对齐和分类。

现有技术无法充分利用各域数据中的可迁移故障知识，在变工况或目标域缺乏标记的条件下建立有效的故障诊断模型。

发明内容

针对现有技术存在的不足，本发明提供了一种基于多尺度多源域自适应轴承故障诊断方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于多尺度多源域自适应的轴承故障诊断方法，包括以下步骤：

步骤1是构建多源域自适应轴承故障诊断模型；

步骤2是获取训练数据集；

步骤3是对所述多源域自适应轴承故障诊断模型进行训练；

步骤4是采用训练完成的多源域自适应轴承故障诊断分类预测模型，对用于测试的目标域进行轴承故障诊断分类预测。

具体地，所述步骤1包括：

所述多源域自适应轴承故障诊断模型包括多尺度特征提取网络、域特定特征提取网络、多尺度特征融合网络和域特定分类预测网络；所述域特定特征提取网络包括N

具体地，所述步骤2包括：

所述训练数据集包括1个目标域和N

具体地，所述步骤3包括：

步骤3.1，所述目标域和N

步骤3.2，所述目标域多尺度特征矩阵与每个源域多尺度特征矩阵输入到所述多尺度特征融合网络F(·)，所述多尺度特征融合网络对不同尺度的源域-目标域特征矩阵对融合为相同尺度的源域-目标域特征矩阵对，由此共得到N

对于第j个源域-目标域特征矩阵对，其中，j＝1,2,...,N

步骤3.2.1，将第j个源域-目标域特征矩阵对，输入到第j个域特定特征提取子网络E

步骤3.2.2，计算目标域和第j个源域的多尺度特征矩阵对之间的距离作为总的mmd损失L

步骤3.2.3，将目标域特征矩阵和第j个源域特征矩阵，输入到域特定分类预测网络的第j个域特定分类预测子网络R

计算基于第j个源域的目标域分类结果C

步骤3.2.4，由于共有N

对N

步骤3.3，采用下式，计算总损失L

L

其中：λ和γ分别是L

通过最小化分类预测结果C

通过最小化mmd损失L

通过最小化差异损失L

步骤3.4，因此，对于串联的多尺度特征提取网络、第j个域特定特征提取子网络E

优选的，所述源域，为对轴承进行人工加工各种故障前后采集到的监测数据；所述目标域，为轴承运行到故障时采集到的监测数据。

优选的，所述源域和所述目标域的数据分布不相同，各个所述源域之间的数据分布不相同。

优选的，所述源域，具有轴承故障类别作为标签；所述目标域不具有轴承故障类别标签。

优选的，所述多尺度特征提取网络，为基于CNN卷积的多尺度特征提取网络。

优选的，所述域特定特征提取网络，为CNN卷积模型。

优选的，所述域特定分类预测网络，为基于全连接模型的域特定分类预测网络。

本发明提供的一种基于多尺度多源域自适应的轴承故障诊断方法具有以下优点：

本发明提出一种基于多尺度多源域自适应轴承故障诊断方法，能够从多个尺度提取和利用多源域特征对目标域进行故障诊断知识迁移。同时提出了一个多尺度特征融合网络，对多尺度特征提取网络输出的不同尺度的源域和目标域特征对融合得到相同尺度的源域和目标域特征集。在第一个阶段进行多尺度特征提取，对每对源域和目标域在不同尺度的特征映射到公共空间进行特征对齐，减小每对源域和目标域之间的数据差异。在第二阶段利用每对域不变的多尺度特征输入到多尺度特征融合模块融合为相同尺度的特征集。第三阶段利用域特定分类预测网络进行故障分类预测，对齐分类预测网络的输出，因此，本发明能够更为准确的实现对目标域故障诊断的分类预测。

附图说明

图1是本申请实施例提供的基于多尺度多源域自适应轴承故障诊断方法的流程示意图；

图2为本申请实例提供的基于多尺度多源域自适应轴承故障诊断模型结构示意图；

图3为单源域和多源域自适应学习的基本原理示意图；

图4为窗口的定义示意图；

图5为多尺度特征提取网络；

图6为使用本发明提供的多源域轴承故障诊断方法对目标域进行故障分类得到的两个混淆矩阵图；

具体实施方式

为了更清晰的解释本发明解决的技术问题、实施的技术方案以及有益效果，以下结合附图及实施例，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于多尺度多源域自适应轴承故障诊断方法，解决了多源域中仅使用深层次特征而无法获得其他层次信息的问题，同时提出了一个通用的多源域自适应轴承故障诊断框架，参考图1。包括以下步骤：

步骤1是构建多源域自适应轴承故障诊断模型；

步骤2是获取训练数据集；

步骤3是对所述多源域自适应轴承故障诊断模型进行训练；

步骤4是采用训练完成的多源域自适应轴承故障诊断分类预测模型，对用于测试的目标域进行轴承故障诊断分类预测。

本发明主要思路为：

(1)首先，将轴承原始振动信号的数据进行窗口切分，对切分的多个源域和目标域窗口数据进行连续小波变换，得到显示源域和目标域数据的不同频带特征的二维时频图，同时构建基于多尺度特征提取网络作为公共特征提取网络，对输入的多个源域和目标域的二维时频图进行多尺度特征提取，得到一个能够提取多尺度特征模型；

(2)然后，将经过多尺度特征提取网络得到的每个源域和目标域对的多尺度特征，输入到由N

(3)最后，将得到的N

参考图2，本发明提供的基于多尺度多源域自适应轴承故障诊断方法，本发明的方法框架包括三个主要组成部分，分别为多尺度特征提取网络，域特定特征提取网络和域特定分类预测网络。利用此框架通过域特定分布对齐和域特定分类网络对齐，缩小源域和目标域之间数据分布的差异。

具体包括以下步骤：

步骤1，构建多源域自适应轴承故障诊断模型；所述多源域自适应轴承故障诊断模型包括多尺度特征提取网络、域特定特征提取网络和域特定分类预测网络；

其中，所述域特定特征提取网络包括N

作为一种具体方式，公共特征提取网络，为基于多尺度特征提取网络。域特定特征提取网络，为简单的CNN模型。域特定分类预测网络，为基于全连接模型的域特定分类预测网络。

所述多尺度特征提取网络G(·)的输出端，分别与各个所述特征提取提取网络子网络E

步骤2，获取训练数据集，所述训练数据集包括1个目标域和N

如图3所示，为单源域和多源域自适应学习的基本原理图，用于学习多个源域的泛化特征来对未标记的目标域进行轴承故障诊断。

所述源域，为对轴承进行人工加工各种故障前后采集到的监测数据；所述目标域，为轴承运行到故障时采集到的监测数据。

所述源域和所述目标域的数据分布不相同，各个所述源域之间的数据分布不相同。

所述源域，具有轴承故障类别作为标签；所述目标域不具有轴承故障类别标签。

步骤3，将目标域和N

步骤3.1，所述目标域和N

步骤3.2，所述目标域多尺度特征矩阵与每个源域多尺度特征矩阵输入到所述多尺度特征融合网络，所述多尺度特征融合网络对不同尺度的源域-目标域特征矩阵对融合为相同尺度的源域-目标域特征矩阵对，由此共得到N

对于第j个源域-目标域特征矩阵对，其中，j＝1,2,...,N

步骤3.2.1，将第j个源域-目标域特征矩阵对，输入到第j个域特定特征提取子网络E

步骤3.2.2，计算目标域和第j个源域的多尺度特征矩阵对之间的距离作为总的mmd损失L

步骤3.2.3，将目标域特征矩阵和第j个源域特征矩阵，输入到域特定分类预测网络的第j个域特定分类预测子网络R

计算基于第j个源域的目标域分类结果C

步骤3.2.4，由于共有N

对N

步骤3.3，采用下式，计算总损失L

L

其中：λ和γ分别是L

通过最小化分类预测结果C

通过最小化mmd损失L

通过最小化差异损失L

步骤3.4，因此，对于串联的多尺度特征提取网络、第j个域特定特征提取子网络E

步骤4，采用训练完成的多源域自适应轴承故障诊断分类预测模型，对用于测试的目标域进行轴承故障诊断分类预测。

下面介绍一个具体实施例：

步骤1，获取实验数据集：

本实施例采用的数据集为凯斯西储大学轴承数据集。数据集使用采样频率为12KHz的驱动端轴承故障数据，其中故障类型为人为电火花故障。实验数据集分为：HP0、HP1、HP2和HP3四种负载状态，每种负载状态包括10种故障等级，每种故障等级包含100个样本。

在训练集中，有四种负载状态下选择两种负载状态作为训练数据，训练过程中提供数据的标签。

在测试集中，从训练集之外选择一个负载状态作为测试数据，在训练过程中不提供该测试数据的标签，只在验证的时候提供该数据的标签。

为克服手工提取特征的缺点，避免主观经验依赖以及较弱的特征提取能力对故障分类模型训练的限制，设计了基于多尺度特征提取模型提取各域数据的多尺度的公共特征，利用其强大的特征自学习能力学习故障特征，具体步骤包括：

(1)原始振动信号数据预处理

首先，在将凯斯西储大学轴承数据集中的时频信号进行采样，将采样长度设置为2048，重叠信号长度设置为1024(重叠率为50％)，采样示意图如附图4所示。然后，对样本进行连续小波变换得到大小为224×224的二维时频图。

步骤2，利用基于多尺度特征提取网络，提取目标域和源域的公共特征：

对来自源域数据(X

在此阶段，利用多尺度特征提取网络，能够捕获从局部到全局特征之间的相关性，更好的利用各域数据。

步骤3，域特定特征提取网络进行域特定特征提取：

为了能够更好地学习每对源域和目标域的特征，并将不同的公共特征对映射到不同的特征子空间，本步骤将步骤2中基于多尺度特征提取网络提取出来的每一个源域与目标域的多尺度特征矩阵进行特征配对，步骤2一共输出N

步骤3.1，利用CNN模型构建的域特定特征提取网络提取每一个源域和目标域对的域特定特征；

步骤3.2，MMD距离实现特定域分布对齐；

在得到每一个源域和目标域的特征对之后，为了更好地利用源域信息，解决数据域分布存在的差异，进行特定领域的数据分布对齐，即输出数据分布差异更小的源域与目标域的特征矩阵对。采用的方法是将每对域映射到不同的特征空间，找到与特定域分布相匹配的特定域不变特征。本发明中，最大平均差值(MaximumMeanDiscrepancy，MMD)被选择作为域间距离的衡量指标。MMD的核心思想是，如果两个数据产生的分布是相同的，那么所有的统计数据也是一致的。两个领域概率分布的MMD表示如下：

其中

映射函数Φ(·)定义了从原始数据到RKHS的映射，内核函数被定义为映射的内积，表示如下：

是/>

下面公式(15)用来计算源域和目标域之间的距离。

通过最小化mmd损失，每个特定领域的特征提取网络可以为每一对源域和目标域学习领域不变的特征表示，以完成知识转移。

步骤4，多尺度特征融合网络对多尺度特征进行融合

在得到缩小数据分布差异的目标域与每个源域对的多尺度特征矩阵后，将其输入到多尺度特征融合网络G(·)，所述多尺度特征融合网络对不同尺度的源域-目标域特征矩阵对融合为相同尺度的源域-目标域特征矩阵对，由此共得到N

步骤5，域特定分类预测网络进行故障诊断分类：

在得到源域-目标域特征集后，最后一个步骤就是将特征集输入到对应域特定分类预测网络进行分类预测，域特定分类预测网络的每个域特定分类预测子网络都会输出一个轴承故障诊断分类预测结果，具体所包含的内容如下：

(1)基于全连接模型的域特定分类预测网络

在步骤4中得到的特征集将被输入到域特定分类预测网络中进行训练，并输出对应的分类预测的概率值。本发明中，域特定分类预测网络包括特定的N

域特定分类预测网络是用来对故障类别进行分类的N

对于每个预测网络R

本发明中的全连接子网络使用具有256个神经元的Softmax分类网络。

(2)基于概率输出之差的特定域分类网络对齐：

不同的域特定分类预测网络接收来自不同的源域和目标域对的特征集，然后将输出不同的分类预测结果。理论上，目标域数据经过各不同域特定分类预测网络的输出都应该相同。但由于在源域样本中学习的分类网络来说，在类边界附近的目标样本更容易被分类网络错误分类，导致不同的分类网络对相同目标样本分类存在差异。因此需要对所有分类网络进行平衡，这种平衡通过最小化各分类网络之间的差异达到。即利用所有分类网络对目标样本的概率输出之差的绝对值作为差异损失，具体如下所示：

总的来说，本发明方法的损失由三部分组成，分类预测损失L

L

其中：λ和γ分别是L

在多源域自适应轴承故障诊断方法中，现有的方法通常仅利用源域和目标域的深层次单一尺度信息进行特征对齐和分类，未能利用源域和目标域的多尺度信息。因此，特征的多元化会带来更丰富的故障特征信息，能够增强模型的泛化能力。但多源域自适应轴承故障诊断方法中对各域的多尺度特征的利用不足。

因此，本发明中解决了利用多源域自适应进行轴承故障诊断的问题。通过建立多源域自适应轴承故障诊断框架，包括基于多尺度特征提取，域特定特征提取，多尺度特征融合和域特定分类预测。首先，能够提取多组源域和目标域对的多尺度特征，利用多尺度特征进行特征对齐。其次，利用对齐后的多尺度特征进行多尺度特征融合，得到多尺度的源域和目标域故障诊断相关信息的特征集。最后，利用多尺度的源域和目标域特征集进行故障类比分类。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提出一种多源自适应轴承故障诊断分类预测方法，能够从多个尺度提取和利用多源域特征对目标域进行故障诊断知识迁移。同时提出了一个基于多尺度特征提取网络，提取各域由粗粒度到细粒度的多尺度特征，从而更充分的利用各域中故障诊断信息。此外，提出了一个多尺度特征融合网络，对源域-目标域的多尺度特征对进行多尺度特征融合。因此，本发明能够在变工况条件下更准确的实现对目标域故障类别的分类预测。

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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。