[发明专利]一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法

说明书

一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。

技术领域

本发明涉及机械部件故障诊断技术领域，具体涉及一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法。

背景技术

滚动轴承及齿轮作为旋转机械中的关键零部件，广泛应用于工业生产中，对其进行有效的故障诊断可预防严重事故发生^[1,2]。滚动轴承及齿轮所处工况复杂多变，导致缺少某种部件带标签训练数据，且滚动轴承及齿轮间虽存在故障频率或啮合频率的频差，但具有相似性。因此，从不同类型旋转机械关键部件获取大量带标签数据建立另一类型旋转机械关键部件故障诊断模型具有重要现实意义^[3]。

传统机械故障诊断方法依赖于人工提取特征，特征提取的优劣会直接影响整个模型的识别效果^[4]。近年来深度学习应用于机械智能故障诊断技术逐步显示出优越性，其通过提供端到端的诊断，在某种程度上可以避免人工提取故障特征造成的操作误差。文献[5]提出一种基于核函数与去噪自动编码器的轴承故障诊断方法，提高了深度自动编码网络处理非线性问题的能力。文献[6]将原始振动信号直接作为双向长短期记忆网络诊断模型的输入，自动提取滚动轴承故障特征，实现对不同故障类型及不同损伤程度的滚动轴承进行故障识别。文献[7]利用深耦合密集卷积网络将信息融合，特征提取和故障分类集成，实现行星齿轮箱的智能故障诊断。文献[8]引入残差学习机制训练一维卷积自编码器，成功应用于振动信号的无监督学习及故障特征提取，显著提高了齿轮箱的故障诊断率。文献[9]从时域与频域信号中提取特征，利用局部和全局主成分分析，将多源域深层特征融合到固有的低维特征中，并利用集成核极限学习机在齿轮箱及滚动轴承上取得了较好的诊断效果。

深度学习模型框架的成功开发往往需要大量历史故障数据支撑。在实际工作中，某种旋转机械部件工作条件恶劣，某些部件位置也因存在物理限制无法长时间安装传感器，导致数据获取成本较高，某种旋转机械部件大量有标签的振动数据获取较困难，缺乏足够的标签信息建立更有效的深度学习故障诊断模型。

迁移学习作为人工智能领域的一个重大突破，近年来受到学术界的广泛关注，其目的是运用源域已有的知识解决相关但不完全相同的目标域中的问题。当前迁移学习策略主要分为4类：基于实例的迁移、基于关系的迁移、基于特征的迁移和基于模型的迁移^[10]。目前，许多学者将迁移学习方法成功应用到旋转机械关键部件故障诊断中，并取得了良好的效果。文献[11]利用基于实例迁移的TrAdaBoost算法，通过改进其迭代过程及输出机制优化训练集，成功应用于多分类任务并提升了轴承故障诊断率。文献[12]引用基于关系的迁移知识，提取源域齿轮箱两类故障之间的联系，并将其应用于目标域，可识别出目标域机器的故障齿轮。但以上算法存在受样本特征及数量限制的缺点。基于特征迁移的域适应研究是迁移学习领域中最热门的研究方法，并已成功应用于不同负载、不同设备等不同工况的故障诊断场景下。文献[13]提出一种不同型号滚动轴承深层特征迁移的故障诊断方法，引入条件对抗机制，实现源域和目标域特征及标签的同时自适应，解决了目标领域数据标签信息缺失等问题。文献[14]借助实验室充足的电机轴承和齿轮箱数据识别实际工作环境中机车设备的健康状态，采用了特征迁移神经网络，获得了较高的故障诊断准确率。