[发明专利]一种多源滚动轴承健康状态融合的迁移智能诊断方法

权利要求书

1.一种多源滚动轴承健康状态融合的迁移智能诊断方法，其特征在于，包括以下步骤：

1)获取多个源滚动轴承振动信号样本集和目标轴承振动信号样本集；

2)由单一源滚动轴承-目标滚动轴承振动信号样本集对构建局部分布适配子模型；

3)同时训练多个局部分布适配子模型；

4)重复执行步骤3至网络参数收敛；

5)融合基于不同源滚动轴承对目标滚动轴承的诊断结果获取目标滚动轴承振动信号样本集健康状态的最终诊断结果：

其中，表示目标滚动轴承振动信号样本集中第i个样本健康状态诊断结果，表示第s_k个源滚动轴承振动信号样本集的状态标签，

所述的步骤1)具体为：获取N个源滚动轴承振动信号样本集其中，表示第s_k个源滚动轴承振动信号样本集，包含的样本量为表示第s_k个源滚动轴承振动信号样本集的状态标签，其中表示第s_k个源滚动轴承振动信号样本集的状态类别总数；获取目标滚动轴承振动信号样本集其中表示目标滚动轴承振动信号样本集，包含的样本量为n_t；

所述的步骤2)具体为：将N个源滚动轴承振动信号样本集与单一目标滚动轴承振动信号样本集配对，共组成N对构建N个局部分布适配子模型与这N个源滚动轴承-目标滚动轴承振动信号样本集对一一对应；

所述的步骤3)具体为：执行如下步骤同时训练这N个局部分布适配子模型，以第s_k个源滚动轴承-目标滚动轴承振动信号样本集对说明每个局部分布适配子模型的训练过程，包括如下步骤：

3.1)计算第s_k个源滚动轴承-目标滚动轴承振动信号样本集对的深度迁移故障特征：

同时从第s_k个源滚动轴承与目标滚动轴承振动信号样本集中提取深度迁移故障特征其中，为第s_k个源滚动轴承振动信号样本集第i个样本的深度迁移故障特征，为目标滚动轴承振动信号样本集第i个样本的深度迁移故障特征，上/下标F₂代表域共享深度残差网络的F₂层；

3.2)预测健康状态的概率分布：

将提取的特征同时输入到F₃层，其中，目标滚动轴承对应的F₃层神经元个数为表示第s_k个滚动轴承振动信号样本集的状态类别总数，则第个神经元代表目标滚动轴承未知健康状态；利用Softmax激活函数预测域共享深度残差网络F₃层特征属于源滚动轴承振动信号样本集健康状态的概率分布属于目标滚动轴承未知健康状态的概率分布其中，为第s_k个滚动轴承振动信号样本集中第i个样本属于源滚动轴承振动信号样本集健康状态的概率分布，为目标滚动轴承振动信号样本集中第i个样本属于源滚动轴承信号集健康状态的概率分布，为目标滚动轴承振动信号样本集中第i个样本属于未知健康状态概率分布，上/下标F₃代表域共享深度残差网络的输出层F₃层；根据下式，输出目标样本属于未知健康状态的诊断结果：

其中，m表示网络每次训练输入的样本量；表示目标滚动轴承振动信号样本集中第i个样本属于未知健康状态的诊断结果，1表示属于未知健康状态，0表示不属于未知健康状态；

3.3)计算域共享深度残差网络预测损失：

3.3.1)分别计算域共享深度残差网络预测源滚动轴承振动信号样本集和目标滚动轴承振动信号样本集属于源滚动轴承振动信号样本集健康状态的交叉熵和信息熵损失：

其中，表示预测第s_k个源滚动轴承振动信号样本集属于源滚动轴承振动信号样本集健康状态的交叉熵损失，表示预测目标滚动轴承振动信号样本集属于源滚动轴承振动信号样本集健康状态的信息熵损失，j表示源滚动轴承振动信号样本集中第j种健康状态，I(·)表示指示函数，表示第s_k个源滚动轴承振动信号样本集中第i个样本属于源滚动轴承振动信号样本集健康状态的诊断结果；

3.3.2)计算域共享深度残差网络预测目标滚动轴承振动信号样本集属于未知健康状态的交叉熵损失：

其中，表示预测目标滚动轴承振动信号样本集属于未知健康状态的交叉熵损失；

3.3.3)最小化上式交叉熵损失，更新域共享深度残差网络参数即：

3.4)构建参数共享的领域混淆网络并多次迭代更新网络参数：

构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θ_adv，该网络的输入为深度迁移故障特征输出为领域混淆特征其中，为第s_k个源滚动轴承振动信号样本集第i个样本的领域混淆特征，为目标滚动轴承振动信号样本集第i个样本的领域混淆特征，上/下标adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θ_adv，即：

迭代更新n_adv次领域混淆网络参数θ_adv，每次迭代更新后，将领域混淆网络的待训练参数θ_adv截断在范围{-ξ,ξ}内；

3.5)计算源滚动轴承振动信号样本集和目标滚动轴承振动信号样本集的深度迁移故障特征的局部分布差异：

3.5.1)计算目标滚动轴承振动信号样本集平衡导向的加权系数：

其中，表示目标滚动轴承振动信号样本集第i个样本的加权系数，为目标滚动轴承振动信号样本集第i个样本的领域混淆特征,为目标滚动轴承振动信号样本集中第i个样本属于未知健康状态概率分布，上/下标F₃代表域共享深度残差网络的输出层F₃层,σ_s(·)表示激活函数；

3.5.2)对目标滚动轴承振动信号样本集深度迁移故障特征加权，计算局部分布的最大均值差异：

其中，表示多项式核最大均值差异函数；

3.6)多滚动轴承融合迁移诊断模型训练：

3.6.1)对基于不同源滚动轴承振动信号样本集健康状态知识学习到的目标滚动轴承深度迁移故障特征进行特征分布适配，计算其最大均值差异为：

其中，S＝{s₁,s₂,...,s_N}表示N个源滚动轴承振动信号样本集，分别表示为基于第s_i、s_j个源滚动轴承振动信号样本集知识提取的目标滚动轴承振动信号样本集的深度迁移故障特征，上/下标F₂代表域共享深度残差网络的F₂层；

3.6.2)最小化如下目标函数同时更新N个域共享深度残差网络的参数集即：

其中，λ,β,γ是权衡参数。