[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

说明书

一种多源滚动轴承健康状态融合的迁移智能诊断方法，首先，同时训练多个由单一源滚动轴承‑目标滚动轴承振动信号样本集对构建的局部分布适配子模型，获得目标滚动轴承基于每个源滚动轴承的健康状态诊断结果，其中对于每一个局部分布适配子模型，包括用于提取深度迁移特征的域共享深度残差网络和用于提取领域混淆特征的参数共享的领域混淆网络；最后，通过对多滚动轴承融合迁移诊断模型的训练，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；本发明克服源滚动轴承的诊断知识无法涵盖目标滚动轴承的故障类型和目标滚动轴承振动信号样本不平衡的影响，显著提高了迁移诊断模型的诊断精度。

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种多源滚动轴承健康状态融合的迁移智能诊断方法。

背景技术

滚动轴承是各类旋转机械设备中使用频率最高的关键部件之一，在机械工业生产中起着重要的作用，它作为机械的“关节”，承担着维持旋转功能正常的重要工作，因此，滚动轴承的健康状况直接关系着机械设备的性能。机械设备工作环境复杂多变，导致滚动轴承的健康状况随着运行时间的延长，容易发生故障，为了提高机械设备的安全性和可靠性，研究滚动轴承的故障诊断技术十分必要。

近年来，滚动轴承的智能故障诊断无需过分依赖专家诊断知识就能提供直观的诊断结果而备受关注，特别是随着机器学习的快速发展，深度学习被引入到滚动轴承智能故障诊断中，并取得了一些出色的成果。但传统的滚动轴承智能诊断方法的基本假设是要求训练数据与测试数据服从相同的概率分布，在很多实际问题中，这个假设常不能被满足，使得这些方法的性能显著下降。迁移学习方法通过实现不同领域之间的知识迁移可以缓解这个问题，因此基于迁移学习的滚动轴承故障诊断方法近年来受到广泛关注。

然而，现有的滚动轴承迁移诊断技术存在显著的局限性：1)源滚动轴承的健康状态集应与目标滚动轴承的健康状态集重叠；2)目标滚动轴承样本的数量在健康状态之间保持平衡。但是，在实际应用中，此类假设很难成立：首先，目标滚动轴承不可避免地会遭受源滚动轴承从未经历过的故障类型的困扰，因此，来自单个源滚动轴承的诊断知识不足以识别从所有健康状态中提取的目标滚动轴承样本；其次，目标滚动轴承在寿命周期内长期处于正常状态，因此，收集的目标滚动轴承数据集由大量健康样本和少量故障样本组成，上述两点因素降低了传统迁移诊断技术对滚动滚动轴承故障的诊断精度。

受来自源滚动轴承的诊断知识可能无法涵盖目标滚动轴承的所有故障类型和目标滚动轴承样本不平衡的影响，现有迁移智能诊断技术的性能显著下降。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出一种多源滚动轴承健康状态融合的迁移智能诊断方法，提高源滚动轴承的诊断知识可能无法涵盖目标滚动轴承的所有故障类型和目标滚动轴承样本不平衡条件下滚动轴承迁移诊断的精度，推动智能诊断技术的实际应用。

为了达到上述目的，本发明采取的技术方案为：

一种多源滚动轴承健康状态融合的迁移智能诊断方法，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滚动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{θ_sk|s_k∈S}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，