CN116026593A

CN116026593A - 跨工况的滚动轴承故障靶向迁移诊断方法及***

Info

Publication number: CN116026593A
Application number: CN202211631915.3A
Authority: CN
Inventors: 张法业; 刘福政; 姜明顺; 张雷; 隋青美; 贾磊
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2022-12-19
Filing date: 2022-12-19
Publication date: 2023-04-28

Abstract

本发明提供了一种跨工况的滚动轴承故障靶向迁移诊断方法及***，解决了传统滚动轴承故障诊断算法难以提取源域和目标域中网络深层特征信息、无法实现有效的跨域故障诊断的问题。本发明利用特征编码器从输入的滚动轴承振动信号中精确地提取信号的高维映射特征；将该特征进一步输入到图构建层，挖掘数据的深层特征，并利用多通道核图卷积网络对实例图建模；利用基于差异和对抗的训练来最小化源域和目标域分布之间的距离，分类器则使用提取的域不变特征来完成跨域故障识别。本发明与其他方法相比较，在滚动轴承跨工况条件下，可以更好的提取深层特征用于跨域传递，极大的提高了诊断准确率。

Description

跨工况的滚动轴承故障靶向迁移诊断方法及***

技术领域

本发明涉及轴承故障诊断技术领域，特别涉及一种跨工况的滚动轴承故障靶向迁移诊断方法及***。

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。

滚动轴承作为大多数旋转机械设备的关键部位，由于工作环境恶劣、工况发生变化、超负荷运转时间长等特点，经常发生故障，进而带来整机机械故障并造成一定的经济损失。因此，对跨工况下滚动轴承的运行状态进行监测具有重要意义。

近年来，伴随着海量数据的出现，基于深度学习的数据驱动方法备受关注。它不同于传统的浅层网络架构，而是通过堆叠多层非线性处理单元来实现的，并且提供了一种端到端的解决方式，众多学者也进行了相应的研究。Jia等人提出了一种基于SAE的深度神经网络DNN，用于识别电机和齿轮箱中的故障。Ding等人提了使用卷积神经网络从小波包能量图像中挖掘能量波动的多尺度特征，用于主轴轴承的故障诊断。Chen等人提出了一种利用原始振动信号作为输入的自动特征学习神经网络，并使用两个具有不同核大小的CNN从原始数据中自动提取不同频率信号特征，然后根据学习到的特征，使用LSTM来识别故障类型。上述的深度学习算法已经在恒定工况下滚动轴承的故障诊断领域取得了良好的效果，然而在复杂的跨工况条件下却很难提取域间差异特性，使得模型的泛化性能有所下降。

迁移学习作为一种减少跨域特征分布差异的方法，为建立从源域标记数据到目标域未标记数据之间的知识迁移提供了新的思路，有效的解决了跨工况下域间分布差异的问题。在智能故障诊断领域，已经提出了许多迁移学习方法来解决跨域诊断问题，它们基本可以分为基于实例的，基于模型的和基于特征的。Xiao等人使用TrAdaBoost来调整每个训练样本的权重因子，以此来增强故障分类器的诊断性能。Wang等人提出了一种基于估计伪标签的条件MMD，以缩短轴承故障诊断的分布距离。通过最小化MMD损失，在多个层中同时对齐边缘分布和条件分布。Han等人提出了一种深度对抗卷积神经网络DACNN，利用基于对抗的损失函数来缩小域间差异，用于提高齿轮箱和电机故障诊断的泛化性能。Li等人将具有拓扑结构的图数据作为输入，采用对数据关系挖掘更有效，特征表示更强大的图卷积网络GCN建模用于机械故障诊断，取得了优异的性能。可以看出，类别标签、领域标签和数据结构的信息在减少源域和目标域差异之间起着重要的作用，并且它们应该是互相完善，互相增强的。

然而，发明人发现，现有的方法仅仅考虑了源域和目标域的两种信息，未把数据结构融入深度神经网络模型之中，不同工况下数据分布差异较大，导致故障识别准确率低和泛化性能不足。

发明内容

为了解决现有技术的不足，本发明提供了一种跨工况的滚动轴承故障靶向迁移诊断方法及***，在滚动轴承跨工况条件下，可以更好的提取深层特征用于跨域传递，极大的提高了诊断准确率。

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跨工况的滚动轴承故障靶向迁移诊断方法。

一种跨工况的滚动轴承故障靶向迁移诊断方法，包括以下过程：

获取滚动轴承的振动信号；

通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；

根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；

其中，根据源域训练集结合分类器得到的深层高维特征得到分类损失，根据源域训练集和目标域训练集得到的深层高维特征得到结构差异损失，根据源域训练集和目标域训练集得到的深层高维特征以及对抗网络，得到对抗损失；

以分类损失、第一参数与结构差异损失的乘积、第二参数与对抗损失的乘积三者的加和为总体损失函数，根据总体目标函数，通过反向传播算法优化特征提取器、分类器和判别器的参数。

作为本发明第一方面可选的一种实现方式，图构建层用于获取邻接矩阵，包括：

根据特征编码器网络，从样本数据中获得高维特征映射，即X＝G(x)；

提取的高维特征映射，输入到线性层中，经过Softmax后表示为

通过线性层的特征与其转置之间进行矩阵相乘计算，获得邻接矩阵A，

通过KNN算法，构造边关系：

作为本发明第一方面进一步的限定，多通道核图卷积网络，包括：

其中，X代表输入，A代表邻接矩阵，

代表可训练权值矩阵，G代表多通道核图卷积操作，

代表第k_i个通道在第L层的高维特征表示，[·]代表特征拼接，H表示经过多通道核图卷积网络后的输出特征。

作为本发明第一方面可选的一种实现方式，交叉熵损失L_C，包括：

其中，

表示分类器的预测结果，E表示数学期望值，

为源域样本，

为其标签。

作为本发明第一方面可选的一种实现方式，结构差异损失L_s，包括：

其中，

和

分别表示第i个源域样本和第j个目标域样本经过特征提取器后的特征映射，φ表示非线性特征映射，Ω_k表示嵌入提取的特征到再生核希尔伯特空间RKHS中的距离度量，采用m个核的凸组合k_u来对映射进行有效地估计：

其中，α_u是不同核的加权参数，且

E表示数学期望值，

为源域样本，

为目标域样本。

作为本发明第一方面可选的一种实现方式，对抗损失L_AD，包括：

其中，D(·)为经过判别器后的特征输出，

和

分别表示第i个源域样本和第j个目标域样本经过特征提取器后的特征映射，E表示数学期望值，

为源域样本，

为目标域样本。

作为本发明第一方面可选的一种实现方式，通过反向传播算法优化特征提取器、分类器和判别器的参数，包括：

其中，

代表偏微分算子，η代表学习率，θ_F代表特征提取器的参数，θ_C代表分类器的参数，θ_D代表判别器的参数，L_C为交叉熵损失，L_s为结构差异损失，L_AD为对抗损失。

本发明第二方面提供了一种跨工况的滚动轴承故障靶向迁移诊断***。

一种跨工况的滚动轴承故障靶向迁移诊断***，包括：

数据获取模块，被配置为：获取滚动轴承的振动信号；

特征提取模块，被配置为：通过特征编码器、图构建层和多通道核图卷积网络提取振动信号中的深层高维特征；

故障诊断模块，被配置为：根据提取的深层高维特征和分类器，得到滚动轴承故障诊断结果；

本发明第三方面一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的跨工况的滚动轴承故障靶向迁移诊断方法中的步骤。

本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述跨工况的滚动轴承故障靶向迁移诊断方法中的步骤。

与现有技术相比，本发明的有益效果是：

1、本发明采用特征编码器从输入信号中自适应地提取信号特征，并且利用图构建层来获取特征编码器捕获特征中的数据结构，进而构造实例图，并且应用多通道核图卷积网络对其建模，进一步挖掘信号的高维特征，解决了跨工况下源域和目标域深层特征提取困难的问题。

2、本发明针对跨工况下滚动轴承振动信号源域和目标域间数据差异大的问题，采用了基于数据结构差异的损失函数和基于对抗的域间对其损失函数来联合缩小域间差异，同时，分类器则使用提取的域不变特征来完成跨域故障识别。

3、本发明解决了工业场景中标记数据难以获得、不同工况下数据分布差异较大、导致故障识别准确率低和泛化性能不足的问题，本发明不仅可以提取深层高维特征用以缩小域间差异，而且可以获得较优的诊断性能。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的跨工况下滚动轴承故障靶向迁移诊断方法的流程图；

图2为本发明实施例1提供的基于样本数据特征的KNN图构建流程；

图3为本发明实施例1提供的HFZZ旋转机械故障模拟平台示意图；

图4为本发明实施例1提供的不同跨域诊断任务下的实验结果。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本发明实施例1提供了一种跨工况的滚动轴承故障靶向迁移诊断方法，包括以下过程：

S1：信号采集和数据集划分

通过机械故障测试平台收集不同工况下的数据，包含带标签的源域数据集

和不带标签的目标域数据集

并且样本数据被进一步划分为训练数据和测试数据；

S2：网络模型构建和高维特征提取

通过特征编码器、图构建层、多通道核图卷积网络构建模型，提取样本数据的深层高维特征；

S3：总体目标函数和模型优化

通过分类损失函数，缩小分类误差，用迁移学习方法，基于数据结构差异的损失函数和基于对抗的域间对其损失函数来联合缩小域间差异，并通过反向传播算法来优化总体目标函数中的参数；

S4：模型测试和诊断结果输出

测试阶段，目标域测试数据可以采用S2中优化的网络进行深层特征提取，分类器可以直接用于故障分类。

S2中，网络模型构建和高维特征提取的构建过程，包括：

(1)特征编码器

主要包含生成器G和分类器C，生成器G用于对输入数据进行编码以获得高维特征表示，分类器C将对源和目标任务进行最终分类；

本实施例中，构建了一个一维卷积神经网络CNN用于特征提取和故障分类，CNN的隐藏层对应于G用来进行非线性特征映射以获得深度特征表示，CNN输出层的Softmax用作分类器C来获得每个故障类型的概率输出；

CNN中的高维特性表示，可以表示为：

G(x)＝G^L(G^L-1(…G²(G¹(x,w¹)))) (1)

其中，x是输入，G是CNN的特征映射，wⁱ是CNN中第i层的学习权重，L是CNN的层数。

(2)图构建层

样本在经过特征编码器之后，可以利用KNN算法来生成图构建层，界定所有输出之间的邻接关系，反映样本间的局部特性，构建流程如图2所示。

边的构造可以由下式表示：

A_ij＝KNN(k,L_ij,Ω_i),A_ij∈A (2)

其中，Ω_i＝{L_i1,L_i2,…,L_in}表示节点h_i与其他所有节点的距离集合，k是超参数。

图构建层用来获得邻接矩阵A，并从最小批输入矩阵中获得实例图，主要分为如下几步：

(A)利用(1)中的特征编码器网络，从样本数据中获得高维特征映射，即X＝G(x)；

(B)提取的高维特征映射，输入到线性层中，并经过Softmax后可表示为：

(C)通过线性层的特征与其转置之间进行矩阵相乘计算，获得邻接矩阵A，即

(D)通过KNN算法，构造边关系，即

因此，邻接矩阵的构建总结如下：

其中，A是构造的邻接矩阵，

是高维特征经过线性层和Softmax后的输出，normlize(·)表示归一化函数，

是稀疏邻接矩阵，KNN(·)返回邻接矩阵A在行方向上的前k个最大值的索引。

(3)多通道核图卷积网络

图卷积网络是一种可以由数据的几何形状和结构进行表示的网络，可以提供更多的信息表示，并且基于节点间的连接关系来进行网络的学***滑输入信号，可以表示为：

g_θ*_G x＝Ug_θU^Tx (4)

其中，θ是可学习的参数，*_G是图卷积操作，U是Laplacian矩阵的特征向量，U^Tx代表信号在图上的傅里叶变换。

公式(4)中定义的图卷积操作并不是局部化的，并且具有较高的计算量。采用公式(5)将卷积核限制为多项式的展开：

其中，K是多项式的阶数，

λ表示Laplacian矩阵的特征值。

采用一种多核图卷积网络来获取更宽广感受野的特征表示，它的卷积操作可以定义为：

其中，

是可学习的参数，

代表第k_i个卷积核的高维特征表示。

假设，网络中多通道卷积核的个数为k_i，也即通道数，网络层数为L＝(1,2,…,l)，也即网络深度，使用具有不同感受野的多核图卷积网络在不同通道上分别进行图卷积，构造多通道核图卷积网络：

其中，X代表输入，A代表邻接矩阵，

代表可训练权值矩阵，G代表多通道核图卷积操作，

S3中，总体目标函数和模型优化的构建过程，包括：

为了充分利用数据的特性和深度网络结构，来缩小源域和目标域数据映射后的特征差异，采用了三部分损失函数，分别是分类损失、结构差异损失、对抗损失来构成总体的目标函数。

(1)分类损失

通过交叉熵损失来估计真实标签和预测标签之间的分类损失，交叉熵损失可以定义为：

其中，

表示标签分类器的预测结果，L_C表示交叉熵损失函数。E表示数学期望值。

(2)结构差异损失

采用下式的度量方式来缩小源域和目标域之间的结构差异损失，定义为：

其中，

和

分别表示第i个源域样本和第j个目标域样本经过特征提取器(本发明中指特征编码器和多通道核图卷积网络)后的特征映射。φ表示非线性特征映射，Ω_k表示嵌入提取的特征到再生核希尔伯特空间RKHS中的距离度量，本实施例中，采用m个核的凸组合k_u来对映射进行有效地估计：

其中，α_u是不同核的加权参数，且

本发明中对其在[0,1]中进行了平均分配。

(3)对抗损失

采用对抗训练的方式，来处理域斜变和域移位的问题，通过域判别器来判断提取的特征是来自源域还是目标域，并且训练特征提取器来欺骗判别器。当两者达到minmax博弈平衡时，可以获得域不变特性，采用公式(12)中的损失函数作为对抗损失：

其中，D(·)为经过判别器后的特征输出，取值介于0和1之间，可以区分来自源域还是目标域。

(4)总体目标函数

总体目标函数可以定义为：

其中，τ和

是可调参数。

(5)参数优化

针对公式(13)中的总体目标函数，通过反向传播算法来优化各个部分的参数如下：

其中，

代表偏微分算子，η代表学习率，θ_F代表特征提取器的参数，θ_C代表分类器的参数，θ_D代表判别器的参数。

本实施例所提出的跨工况下滚动轴承故障靶向迁移诊断方法的详细网络结构如表1所示，其中C代表故障种类：

表1：跨工况下滚动轴承故障靶向迁移诊断方法的详细网络结构表

本实施例提供如下具体案例：

搭建HFZZ旋转机械故障模拟平台，如图3所示，该平台由电动机、控制***、径向加载装置、加速度传感器等组成。原始数据通过加速度传感器采集，采集频率为12.8kHz。采用3种不同的转速，来模拟不同工况下的轴承运行状态，分别是工况A(1750rpm)，工况B(2000rpm)和工况C(2250rmp)。轴承故障通过加工，共生成了包含正常(NM)、内圈故障(IR，IRU)、外圈故障(OR)、滚动体故障(BA)以及多种混合故障在内的9种健康状况，其中包含单故障和复合故障，其详细信息如表2所示。在实验中，在每个运行转速下，从每个健康状况中采集100组数据，每个数据包含1024个数据点。每种工况下，总共获得了900个样本(100*9种健康状况)，则数据集一共包含2700个样本(900*3种不同转速)，具体说明见表3，并按照6：4的比例划分训练集与测试集。

表2：滚动轴承健康状况详细描述表

表3：滚动轴承迁移任务详细描述表

为了检验所提出的跨工况下滚动轴承故障靶向迁移诊断方法的优越性，使用几种最先进的深度神经网络算法，例如CNN(Baseline)，MKMMD，JAN，DANN，CDAN，对跨工况下跨域诊断任务进行比较。在故障诊断实验中进行了十次试验，取平均值作为实验结果如表4和图4所示。从结果可以看出，本实施例所提方法取得了优越的性能，总平均准确度方面有所提升。当源域和目标域差异变得更大，跨域任务变得更困难时，所提算法仍然可以获得性能上的提升。

表4：滚动轴承数据集的实验结果表

实施例2：

本发明实施例2提供了一种跨工况的滚动轴承故障靶向迁移诊断***，包括：

数据获取模块，被配置为：获取滚动轴承的振动信号；

所述***的工作方法与实施例1提供的跨工况的滚动轴承故障靶向迁移诊断方法相同，这里不再赘述。

实施例3：

本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的跨工况的滚动轴承故障靶向迁移诊断方法中的步骤。

实施例4：

本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述跨工况的滚动轴承故障靶向迁移诊断方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。