[发明专利]一种基于深度对抗迁移网络的轴承故障诊断方法

说明书

本发明公开了一种基于深度对抗迁移网络的轴承故障诊断方法，涉及旋转机械振动信号的故障诊断技术领域。该诊断方法首先获取轴承在不同工况下(不同转速、载荷)的振动频谱信号，以某一工况下有标签的数据为源域数据，其它工况下无标签的数据为目标域数据；然后建立基于生成对抗神经网络的深度对抗迁移模型进行数据训练，采用两个生成器作为源域与目标域的特征提取网络，Softmax交叉熵作为故障分类器，另外采用判别器为域判别网络，添加梯度反转层进行域判别训练；最后，采用剩余的目标域数据进行网络测试。本发明通过采用生成对抗神经网络的结构建立了深度对抗迁移模型，高效可靠的实现了不同工况下轴承的故障特征迁移学习和智能诊断。

技术领域

本发明涉及旋转机械振动信号的故障诊断技术领域，具体涉及一种基于深度对抗迁移网络的轴承故障诊断方法。

背景技术

在航空航天、轨道交通、海洋工程以及高档数控机床等领域广泛使用的机械设备都在向着高速率、自动化、多功能和精密化方向发展，使得机械设备结构日趋复杂，产生故障的隐患也随之持续上涨。现已发布的《机械工程学科发展战略报告(2011-2020)》也早已将复杂机械系统的健康状态监测与故障诊断列为重要研究方向。轴承作为机械动力传递的关键部件，一直是机械故障诊断的重要对象。为了对运行的轴承进行在线故障监测，各种精确高效的故障诊断方法层出不穷。

传统的轴承故障诊断方法大都遵循一个特定假设：训练和测试数据来自相同的特征分布。然而在实际工程中，由于转速、负载等工况的不同导致采集的监测数据的特征分布产生较大差别。例如：高铁轮对轴承的运行工况受运行时速及列车启停的影响，风力发电机齿轮箱的轴承工况会随着风力和风向的改变而不断变，在大型军舰、歼击机和直升机等军用机械中传动系统的轴承工况也会随着机动动作和巡航速度的改变而改变。致使其与故障类型间的映射也不再同常用工况下一致，传统的深度学习方法已经难以训练并获得对这种不同工况下健康状态识别精度高的智能诊断模型。研究和利用先进的新理论和新技术解决上述问题，是机械故障智能诊断的研究成果向工程应用转化的关键所在。

随着迁移学习的迅速发展，在故障诊断领域也逐渐开始受到研究人员的关注。然而现有研究均局限于要求不同分布数据间差异尽可能小，且在某一工况下获取的可用数据充足，这与工程实际装备的监测数据特点不符，难以适应和满足机械故障智能诊断的工程应用需求。在上述不同工况下更难实现故障的准确识别，同时对新获得的工况数据进行标注也是非常困难的。

发明内容

本发明的目的是针对上述不足，提出了一种通过生成对抗神经网络结构建立深度对抗迁移模型，通过生成器与判别器之间的对抗训练完成目标域数据到源域数据的特征迁移过程，实现轴承在不同工况下的域不变特征提取和智能故障诊断的轴承故障诊断方法。

本发明具体采用如下技术方案：

一种基于深度对抗迁移网络的轴承故障诊断方法，包括以下步骤：

步骤1，设置轴承不同的转速和负载工况，并采集不同故障轴承在各个工况下的振动信号，获取频谱样本；

步骤2，基于生成对抗神经网络建立深度对抗迁移模型，以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练，通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断。

优选地，步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤：

步骤2.1，根据源域和目标域样本数据建立两个相同结构的生成器网络，并采用GELU为网络的激活函数，实现输入数据的逐层特征提取；

步骤2.2，采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络，实现源域数据的特征提取和分类，并通过权值共享结构调节目标域生成器的网络权值，即如式(1)所示，