[发明专利]一种基于深度领域泛化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领域泛化网络的轴承故障诊断方法，包括以下步骤：S1、获取历史工况数据、新工况数据和随机噪声数据，经过预处理后，分别得到源域、目标域和参考域；S2、建立轴承故障诊断模型的故障分类深度神经网络，构建故障分类深度神经网络中的三个子模块：特征编码器、故障分类器和域尺度计算器；S3、建立轴承故障诊断模型对应的学习任务，并制定相应的学习策略；S4、优化轴承故障诊断模型中的超参数，确定最佳的超参数；S5、将最佳的超参数代入故障分类深度神经网络，训练网络后，得到最佳轴承故障诊断模型；S6、创建需要做故障诊断的轴承监测目标域数据，采用最佳轴承故障诊断模型对目标域数据完成故障分类，确定故障类型。

技术领域

本发明涉及轴承故障诊断技术领域，具体涉及一种基于深度领域泛化网络的轴承故障诊断方法。

背景技术

滚动轴承作为一种精密部件，被广泛运用于各种机械装备的传动机构中，起着支撑运动轴和承受轴上载荷的作用。在长期使用过程中，外部环境和轴承本身的固有缺陷可能会引发轴承出现各类故障，如轴承变色、轴承裂纹、轴承腐蚀、滚珠滚子损坏和滚道损坏等，从而影响装备的正常使用，甚至对装备造成不可逆转的损坏。因此，对重要的机械装备开展定期的轴承健康状态检测，提前发现并更换故障轴承具有重要意义。

随着计算机技术和传感技术的进步，轴承故障诊断技术在数字化和智能化方面有了很大发展。基于数字信号分析的轴承故障技术通过传感器系统感知并采集装备运转过程中发出的与轴承相关的各种信号，然后处理并分析采集到的数字信号，提取其中与轴承相关的特征，最后根据特征判断轴承的健康状态。在上述的数字信号处理和分析方面，很多研究者用特征工程的方法，从时域或频域处理信号，分析信号的组成成分，然后提取出轴承故障特征。

传统的特征工程方法通常需要研究者具有丰富的专业知识和经验，才能得到较好的故障特征表示。机器学习技术能够基于学习算法，拟合复杂的随机数据分布，一些研究者在对信号做简单的预处理后，用机器学习方法实现轴承故障特征的自动提取和故障分类，然而现有的轴承故障诊断网络泛化性能差，较难广泛满足实际的轴承故障诊断需求。

发明内容

本发明的目的在于提供一种基于深度领域泛化网络的轴承故障诊断方法，该方法解决了现有的轴承故障诊断网络泛化性能差的问题，将深度学习和领域泛化方法相结合，实现了多个数据域的轴承故障特征对齐，提高了故障诊断模型的泛化能力。

为实现上述目的，本发明采用以下技术方案：

一种基于深度领域泛化网络的轴承故障诊断方法，包括以下步骤：

S1、获取历史工况数据、新工况数据和随机噪声数据，经过预处理后，分别得到多个源域、目标域和参考域；

S2、建立轴承故障诊断模型的故障分类深度神经网络，构建故障分类深度神经网络中的三个子模块：特征编码器、故障分类器和域尺度计算器；

S3、建立轴承故障诊断模型对应的学习任务，并制定相应的学习策略；

S4、优化轴承故障诊断模型中的超参数，确定最佳的超参数；

S5、将最佳的超参数代入故障分类深度神经网络，训练网络后，得到最佳轴承故障诊断模型；

S6、创建需要做故障诊断的轴承监测目标域数据，采用最佳轴承故障诊断模型对目标域数据完成故障分类，确定故障类型。

优选地，步骤S1中，

所述源域表示为：D_s,i＝{X_s,i,Y_s,i,P_s,i(x,y)}，i＝1,2,3,...,N_d；

所述目标域表示为：D_t＝{X_t,P_t(x)}；