[发明专利]一种压实机械滚动轴承的迁移诊断方法和系统

说明书

本发明公开了一种压实机械滚动轴承的迁移诊断方法和系统，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；构建特征提取模块，提取滚动轴承的故障信息；构建多通道训练模块，对故障信息根据其故障类型分别输入至不同训练通道；在每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；使用反向误差传播方法优化训练参数；利用获取的压实机械滚动轴承的数据，进行重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。减少两个数据集之间的概率分布差异，从而实现诊断模型实现跨数据集的故障诊断。

技术领域

本发明属于压实机械滚动轴承故障诊断领域，涉及一种压实机械滚动轴承的迁移诊断方法和系统。

背景技术

振动压路机、振荡压路机等压实机械师交通基础设施建设中的核心工程设备，承担着公路、铁路、铁路等交通基础设施的路基与路面压实任务。由于压实机械通常是持续、往复作业，工作在大功率、高扭矩、强冲击等复杂工况之下。滚动轴承作为压实机械的核心部件之一，并且受到其工作条件影响较易发生损坏，并且其健康状态影响着压实机械压实性能、平稳性以及使用周期。及时准确的对压实机械滚动轴承进行故障诊断，可以降低其维护成本，提高压实机械操作安全性及使用平稳性。并且深度学习的发展，深度智能故障诊断可以为压实机械滚动轴承的安全正常运行保驾护航。

在传统的深度智能故障诊断方法中主要包括深度卷积神经网络、深度生成网络、随机森林以及支持向量机等其他方法。上述方法旨在利用大量有标签的故障数据对深度诊断模型进行训练，最终实现压实机械滚动轴承的故障识别。然而上述存在一定的局限性，要求用于模型训练的数据集和用于模型测试的数据集服从同一概率分布。在实际过程中采集的压实机械滚动轴承数据集通常来自于不同工况或者来自于不同的压实机械滚动轴承，此时两个数据集服从不同的概率分布。压实机械的轴承设备较难发生损害，因此难以采集足够多样本很难，不足以支持训练一个很好的模型。其次对未知故障数据的故障状态存在着标记困难，标记代价大的缺点。如果采集了一种工况下足够多的轴承故障数据，并且对其进行了标记。而此数据集仅适用于此一种工况，当遇到其他工况时，需要重新积累数据及标记数据，这不仅造成了资源的浪费，而且增加了成本。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种压实机械滚动轴承的迁移诊断方法和系统，减少两个数据集之间的概率分布差异，从而实现诊断模型实现跨数据集的故障诊断。

为达到上述目的，本发明采用以下技术方案予以实现：

一种压实机械滚动轴承的迁移诊断方法，包括以下步骤；

步骤1)，当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；

步骤2)，根据步骤1)中采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息；

步骤3)，构建多通道训练模块，对步骤2)中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；

步骤4)，在步骤3)的每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；

步骤5)，使用反向误差传播方法优化步骤2)和步骤4)中的训练参数；

步骤6)，利用步骤1)获取的压实机械滚动轴承的数据，进行步骤1)至步骤5)的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；

步骤7)，使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。

优选的，步骤1)中，滚动轴承数据集包括轴承的加速度信号。

优选的，步骤1)中，全部源域数据集和部分目标域数据集用于模型训练，剩余目标域数据集用于模型测试。