[发明专利]一种基于多源域迁移学习的轴承故障类型预测方法及系统

说明书

本发明属于深度学习中的振动数据识别技术领域，公开了一种基于多源域迁移学习的轴承故障类型预测方法及系统，利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，通过故障分类综合模型输出目标域样本的预测标签。本发明通过迭代可以直接得到目标域振动信号样本的标签，有效的缓解了多源域中不同源域之间存在的领域差异造成域迁移问题的影响。

技术领域

本发明属于工业自动化的设备故障诊断技术领域，尤其涉及一种基于多源域迁移学习的轴承故障类型预测方法及系统，是工业动设备正常运转的保障性技术手段。

背景技术

滚动轴承是旋转机械设备的基础性关键部件，其运行状态对设备整机性能影响巨大，轴承故障诊断是工业动设备正常运行的保障性支撑技术。滚动轴承属于消耗部件，随着时间推移及工况环境的动态变化，轴承监测数据与轴承状态呈现复杂的对应关系。因此，根据传感信号，如振动信号，准确判断轴承是否出现故障以及识别出故障类型是一项具有挑战性的现实需求。

振动信号蕴含了滚动轴承的运行状态信息，被广泛用于诊断轴承健康状态。基于机器学习的轴承故障诊断以数据驱动的方式从振动信号数据中提取反映轴承故障的鉴别特征，通过分类器预测轴承的故障类型标签。轴承故障诊断可由支持向量机(SVM)，K近邻(KNN)，逻辑回归(LR)等浅层学习算法实现，也可借助于深度置信网、卷积网和递归网络等深度学习算法予以实施。基于机器学习的诊断思路采用监督化学习范式，用带有故障类型标签的振动信号数据训练故障诊断模型，然后将待诊断轴承的振动信号送入训练后的模型来预测轴承的健康状况。

已有的轴承故障诊断方法大都假设模型部署的环境与模型训练的环境相同，即训练数据集和测试数据集中的振动信号具有相同的数据分布。然而，实际应用中存在的跨机组、变工况和传感器位置差异等因素，使得源域中的训练数据和目标域中的测试数据存在不同的分布特性。这种数据域的差异导致诊断模型部署后故障预测能力显著下降。因此，跨域故障诊断技术对于解决实际生产环境中的轴承健康状况监测具有现实意义。

目前，跨域轴承故障诊断主要围绕单个源域和单个目标域的情形进行研究，基本原理是从单个源域中挖掘轴承故障信息，并有效迁移到目标域中，以保障诊断模型在目标域中的诊断性能。但在实际生产中，用作模型训练的轴承振动信号通常来自不同的环境，即训练数据是多个数据源的集合，在这种多源域情形下进行跨域轴承故障诊断面临着更大的挑战。一方面，每个源域与目标域的数据分布差异程度不同，使得各个源域的训练数据对故障语义信息的迁移贡献程度不一致。另一方面，多个数据源之间的数据分布也存在差异，导致源域数据中的共有语义信息难以抽取。实践证明，上述两方面的挑战无法通过对已有的单源域跨域诊断方法进行简单扩展予以解决。从模型结构和学习策略两方面入手，综合考虑多源域内部的分布差异以及源域与目标域的分布差异，基于深度学习网络设计端到端的故障诊断方法有望提供一个有效的解决方案。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的滚动轴承故障诊断方法大都假设训练集和测试集中的振动信号数据来自于同一分布，但该假设在实际应用场景下很难成立，训练和测试样本的分布差异会使传统诊断模型的诊断准确率显著下降。

(2)实际应用中普遍存在着多个源域向目标域迁移的跨域诊断问题，难点在于分布混杂的多源域数据和各源域到目标域的分布差异，而已有跨域诊断方法较少涉及这种情形，且难以通过简单组合或扩展已有域跨域模型来解决此问题。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多源域迁移学习的轴承故障类型预测方法及系统。