[发明专利]一种基于自监督学习和聚类的滚动轴承故障诊断方法

说明书

本发明公开了一种基于自监督学习和聚类的滚动轴承故障诊断方法，首先，基于自监督学习网络对轴承数据不同时频变换类型的识别，提取两域数据的底层无偏向特征，然后以监督学习的方式训练滚动轴承故障诊断数据集中的源域数据，并利用源域监督学习网络预测得到滚动轴承故障诊断数据集中的目标域数据的初始伪标签；其次，基于网络预测生成伪标签及其概率值，考虑目标域数据自身分布特点，利用K‑means算法对自监督网络提取的目标域数据特征进行聚类，依照强簇规则，对伪标签和概率值进行更新；最后，将更新后概率值设定为对应样本伪标签的置信度，整体的平均值作为该类的整体置信度，进一步提高伪标签可用性，实现无监督领域自适应的故障诊断。

技术领域

本发明属于故障诊断领域，特别涉及了一种滚动轴承故障诊断方法。

背景技术

随着工业化的发展，智能故障诊断系统也愈发关键，滚动轴承是很多旋转机械设备传动装置的关键部件，由于其运行环境复杂多样，因此也是发生故障最多部件之一，在机械运转过程中，过载、疲劳、磨损、腐蚀等现象都有可能导致轴承损伤。一旦发生故障，轻则影响设备的正常运行，重则引起严重的安全事故，并造成巨大的经济损失及人员伤亡，因此为了提高滚动轴承的安全性，防范事故的发生，对滚动轴承的运行状态进行监测及诊断是十分有意义的。

当前针对像滚动轴承的故障诊断方法主要分为两类：基于模型和基于数据。基于模型的故障诊断系统在实际设备工作环境中的随机因素和噪声难以提前估测，导致难以构建精准有效的数学模型。而近年来基于数据驱动的故障诊断方法得到了充足的数据基础和理论支持，其主要分为两种发展路线，分别是传统的基于采集振动信号的时频分析和机器学习算法实现故障识别，和目前基于深度神经网络的端到端算法。而传统的故障诊断算法对于数据量大，数据维度更高，非线性关系更强的大数据，特征提取能力很有限，无法完全提取数据的本质特征。然而，深度神经网络在故障诊断上的良好表现需要以两项关键的前提条件：丰富的带标签数据，和训练与测试数据之间的独立同分布。然而在大多数工业场景，很难获取到足够的标签数据，为了解决这个问题，迁移学习被提出来，作为迁移学习的代表方法之一，领域自适应是通过挖掘域不偏移特征，弥合源域和目标域之间的分布差异，从而将知识从标记的源域迁移到未标记的目标域，辅助目标域完成分类任务。

迁移学习的出现，解决了深度神经网络无法大规模实际应用的核心问题，加快了智能故障诊断系统的落地实现。但是在目前的故障诊断算法中，当滚动轴承故障诊断中源域和目标域数据分布差异较大，依赖源域数据训练的网络往往更加偏向于源域，因此该网络提取的目标域特征存在一定的偏差，该种状态下适配两域的滚动轴承故障数据的特征分布难以提取出较好的自适应特征。且条件分布的精度依赖于伪标签，基于源域数据训练的预训练网络无法保证伪标签的可靠性，从而导致滚动轴承故障诊断精度不高。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于自监督学习和聚类的滚动轴承故障诊断方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于自监督学习和聚类的滚动轴承故障诊断方法，包括以下步骤：

(1)将采集到的滚动轴承的驱动端和风扇端的振动信号分为源域数据和目标域数据，对两域的无标签数据进行时频变换，获取自监督学习的滚动轴承故障诊断数据集D_self，随机初始化自监督学习网络的模型参数，并基于数据集D_self训练自监督学习网络，重复最小化损失函数以更新自监督学习网络的模型参数θ₁，直至损失函数收敛；

(2)以锁定的形式迁移部分自监督学习网络的模型参数θ₁至源域监督学习网络，将数据集D_self中的源域数据及源域标签作为源域监督学习网络的输入，得到其初始化参数，重复最小化损失函数以更新源域监督学习网络的模型参数θ₂，直至损失函数收敛；