一种基于稀疏滤波域对抗神经网络的机械故障诊断方法与流程

1.本发明涉及旋转机械振动信号的故障诊断技术，具体地讲，涉及一种基于 稀疏滤波域对抗神经网络的机械故障诊断方法。


背景技术：

2.近些年来，深度学习方法在旋转机械的故障诊断领域中得到了广泛应用。 大多数深度学习方法能够在旋转机械故障诊断中获得较高诊断准确率都是基于 一个基本假设：用于模型训练和测试的数据服从相同的数据分布，也就是说采 集训练样本的工况与采集测试样本的工况是一致的。然而不幸的是，在现实的 工程应用中，轴承、齿轮等旋转机械的原始振动信号经常是在不同的工况下采 集的。因为，现实工程应用中的机械设备往往是在复杂多变的非平稳工况下运 转的，比如变载荷、变转速工况等。因此，这个基本假设在现实情况下很难成 立，这种情况可能会引起训练和测试数据集的数据分布相差太大，从而造成大 多数深度学习的故障诊断性能大幅下降。这种现象被称为跨域学习问题。
3.为了更好的解决现实应用中的机械故障诊断问题，亟需一种能处理跨域学 习问题的方法，因此，域自适应方法应运而生。域自适应是迁移学习的一个分 支，其主要任务是将学习到的源域知识应用到与之数据分布不同但相关的目标 域中。其中，源域是用于训练模型的有标签的训练数据，目标域一般由无标签 的测试样本组成。域自适应主要模仿的是人类能根据现有知识进行类比学习的 能力，比如人类在数学的学习中，可以根据某个或某几个基本理论去解答不同 条件下的数学问题，人类通过识别轿车的经验来识别卡车及工程机械等。域自 适应的主要思想是从有标注的源域中获得迁移性特征，然后用其改进目标域的 学习效果。因此，域自适应是一种解决跨域学习问题的利器，但是在机械故障 诊断领域应用还相对较少。
4.在变载荷工况下，当载荷差异较大时，源域和目标域数据分布差异较大， 传统域自适应方法提取的域不变特征容易出现迁移性不足的问题，从而使得预 测模型的跨域泛化能力较差。基于此，本文提出了一种基于深层稀疏滤波的域 对抗神经网络。该方法采用频域振动数据作为输入，将z-score标准化和coral 算法作为预处理工具减小特征方差和域间差异，然后基于深层滤波网络建立域 对抗神经网络，提取足够迁移性的域不变特征，提高变载荷工况下跨域故障诊 断性能。通过轴承数据验证了该方法的有效性和鲁棒性。此为，现有技术的不 足之处。


技术实现要素：

5.本发明要解决的技术问题是提供一种基于稀疏滤波域对抗神经网络的机械 故障诊断方法，方便机械故障诊断。
6.本发明采用如下技术方案实现发明目的：
7.一种基于稀疏滤波域对抗神经网络的机械故障诊断方法，其特征在于，包 括以下步骤：
8.步骤一：从轴承故障试验台采集不同载荷工况下轴承各种健康状态的振动 信号；
9.步骤二：将原始振动信号进行分段处理，并进行fourier变换，构造不同 载荷工况下的轴承故障频域数据集；
10.步骤三：采用式(1)中z-score标准化对频域数据进行特征缩放，使数据 特征均遵循正态分布：
[0011][0012]
其中：x代表有限域不变特征子空间；表示x的均值；σ代表标准差；
[0013]
应用z-score标准化。得到按比例缩放后的有限域不变特征子空间z(x)服 从标准正态分布；
[0014]
步骤四：应用coral算法通过线性变换将不同载荷下样本特征的协方差矩 阵对齐；
[0015]
步骤五：建立深层稀疏滤波模型作为特征提取器go，提取深层故障特征， 其目标函数l
sf
如下：
[0016][0017]
其中：fi＝wxi∈
l
×1代表特征向量；w∈d×
l
是权值矩阵；xi∈d×1表示d维的样 本；||
·
||1和||
·
||2分别代表1范数和2范数；表示每一行经过2范数正则化后的特 征向量；表示每一列经过2范数正则化后的特征向量；
[0018]
步骤六：建立域分类器gd，减小源域和目标域数据分布差异，减小域类型 的影响，从而将源域的信息迁移到目标域，其目标函数ld如下：
[0019][0020]
其中：di代表域的类型；di＝0意味着输入样本属于源域；di＝1表示输入样本 属于目标域；
[0021]
对于域分类器来说，域类型的预测主要是基于经验h散度算法：
[0022][0023]
其中：s(go)和t(go)分别表示由特征提取器提取的源域和目标域特征；
[0024]
步骤七：通过梯度反转层连接特征提取器和域分类器，建立基于深层稀疏 滤波的域对抗网络，采用反向传播算法，不断更新模型的参数。联合式(6)和 (7)，最终，得到基于深层稀疏滤波的域对抗网络的目标函数l：
[0025]
l＝l
sf
λldꢀꢀ
(9)
[0026]
步骤八：采用softmax回归作为标签分类器g
l
，输出旋转机械的健康状态。
[0027]
作为本技术方案的进一步限定，所述步骤四中，coral算法的实现过程如 下：
[0028]
步骤四一：计算源域和目标域样本的协方差矩阵：
[0029][0030][0031]
其中：ds和d
t
分别代表源域和目标域数据；as和a
t
分别代表源域和目标域 样本的协方差矩阵；ns和n
t
分别代表源域和目标域样本的数量；
[0032]
步骤四二：对源域数据进行白化：
[0033][0034]
步骤四三：对源域数据进行重新着色：
[0035][0036]
作为本技术方案的进一步限定，所述步骤七中参数λ用来调节l
sf
和ld在 目标函数中的比重，并通过参数灵敏度分析，确定最优的参数值。
[0037]
与现有技术相比，本发明的优点和积极效果是：
[0038]
1、本发明通过采用频域振动数据作为输入，将z-score标准化和coral算 法作为预处理工具减小大方差特征的影响和不同域间的差异，基于深层滤波网 络和域分类器构建了域对抗神经网络，完成了源域数据信息到目标域数据的迁 移，提取了足够迁移性的域不变特征，高效可靠地实现了轴承在变载荷工况下 的智能故障诊断。
[0039]
2、该方法以频域振动数据作为输入，首先采用z-score标准化对频域数据 进行特征缩放，使数据特征均遵循正态，减小方差较大的特征影响，然后应用 coral算法通过线性变换将不同载荷下样本特征的协方差矩阵对齐，减小域间差 异，最后通过梯度反转层连接深层稀疏滤波和域分类器，建立域对抗神经网络， 减小跨域分布差异，提取足够迁移性的域不变特征，提高模型的跨域泛化能力， 从而准确可靠地实现变载荷工况下旋转机械的智能故障诊断。通过轴承数据验 证了该方法的有效性和鲁棒性。
附图说明
[0040]
图1为本发明基于深层稀疏滤波域对抗神经网络的变载荷工况机械智能故 障诊断方法流程图。
[0041]
图2为本发明深层稀疏滤波网络结构模型图。
具体实施方式
[0042]
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解 本发明的保护范围并不受具体实施方式的限制。
[0043]
如图1-2所示，本发明包括以下步骤：
[0044]
步骤一：从轴承故障试验台采集不同载荷工况下轴承各种健康状态的振动 信号；
[0045]
步骤二：将原始振动信号进行分段处理，并进行fourier变换，构造不同 载荷工况下的轴承故障频域数据集；
[0046]
步骤三：采用式(1)中z-score标准化对频域数据进行特征缩放，使数据 特征均遵循正态分布：
[0047][0048]
其中：x代表有限域不变特征子空间；表示x的均值；σ代表标准差；
[0049]
应用z-score标准化。得到按比例缩放后的有限域不变特征子空间z(x)服 从标准正态分布；
[0050]
步骤四：应用coral算法通过线性变换将不同载荷下样本特征的协方差矩 阵对齐，coral算法的实现过程如下：
[0051]
步骤四一：计算源域和目标域样本的协方差矩阵：
[0052][0053][0054]
其中：ds和d
t
分别代表源域和目标域数据；as和a
t
分别代表源域和目标域 样本的协方差矩阵；ns和n
t
分别代表源域和目标域样本的数量；
[0055]
步骤四二：对源域数据进行白化：
[0056][0057]
步骤四三：对源域数据进行重新着色：
[0058][0059]
步骤五：建立深层稀疏滤波模型作为特征提取器go，提取深层故障特征， 其目标函数l
sf
如下：
[0060][0061]
其中：fi＝wxi∈
l
×1代表特征向量；w∈d×
l
是权值矩阵；xi∈d×1表示d维的样 本；||
·
||1和||
·
||2分别代表1范数和2范数；表示每一行经过2范数正则化后的特 征向量；表示每一列经过2范数正则化后的特征向量；
[0062]
步骤六：建立域分类器gd，减小源域和目标域数据分布差异，减小域类型 的影响，从而将源域的信息迁移到目标域，其目标函数ld如下：
[0063][0064]
其中：di代表域的类型；di＝0意味着输入样本属于源域；di＝1表示输入样本 属于目标域；
[0065]
对于域分类器来说，域类型的预测主要是基于经验h散度算法：
[0066][0067]
其中：s(go)和t(go)分别表示由特征提取器提取的源域和目标域特征；
[0068]
步骤七：通过梯度反转层连接特征提取器和域分类器，建立基于深层稀疏 滤波的域对抗网络，采用反向传播算法，不断更新模型的参数。联合式(6)和 (7)，最终，得到基于深层稀疏滤波的域对抗网络的目标函数l：
[0069]
l＝l
sf
λldꢀꢀ
(9)
[0070]
其中：参数λ用来调节lsf和ld在目标函数中的比重，并通过参数灵敏度 分析，确定最优的参数值；
[0071]
步骤八：采用softmax回归作为标签分类器g
l
，输出旋转机械的健康状态。。
[0072]
通过对一个特殊设计的轴承故障试验台中采集的变载荷工况下的振动信号 进行智能故障诊断，对本发明记载的方法作进一步描述。
[0073]
原始振动数据由安装在驱动端轴承座上振动加速度传感器采集得到，轴承 选用skf6205型深沟球轴承，采样频率设置为12khz。实验中设置了三种单点轴 承故障，包括滚动体故障、外圈故障和内圈故障，再考虑轴承的正常状态，因 此总共有四种健康状态条件。另外，每种轴承故障又分别设置了三种不同尺寸 的损伤：0.18mm、0.36mm和0.54mm。综上所述，在本节的故障诊断实验中， 共包括十种故障类型。所有故障类型的原始轴承振动数据均是在四种电机载荷 (0，1，2和3hp)下采集。
[0074]
关于数据集的详细描述见表1。由表1可知，数据集a，b，c和d分别对应四 种不同载荷。每个数据集包含十种不同的故障，每种故障包括100个样本，每个 样本包括1200个数据点。另外，每个样本是按顺序交替选取的，彼此之间没有 重叠。因此，共包括十二个变载荷工况实验，分别为：b
→
a，c
→
a，d
→
a， a
→
b，c
→
b，d
→
b，a
→
c，b
→
c，d
→
c，a
→
d，b
→
d和c
→
d。为了尽量 避免故障诊断实验结果的随机性，每个域自适应任务进行10次，取平均值作为 最终结果。
[0075]
为了验证本发明方法的有效性和优越性，选择3种先进域自适应方法进行比 较，包括：迁移联合匹配、深层模型域自适应和传统的域对抗神经网络。对于 提出方法，深层稀疏滤波的网络结构如图2所示，每层网络的神经元数量为{600, 300,150}。通过参数的灵敏度分析，最终确定提出方法的参数设置为：训练轮 数选为100、网络学习率设置为0.05和调节参数λ为10。其他对比方法中参数 的选择同样采用遍历选取的方式，通过参数灵敏度分析，确定最优的参数组合， 以保证对比的公平性。
[0076]
表2显示了4种方法在12个域自适应任务中的故障诊断结果。由故障诊断 结果可以看出，在大多数的域自适应任务中，与其它3种方法相比，提出方法 可以获得较高的故障诊断准确率和较低的标准偏差。总的来说，提出方法在12 个域自适应任务中的平均故障诊断准确率可以达到99.09％，联合迁移匹配可以 获得95.33％的平均准确度，比提出方法低3.76％。深度模型域自适应方法的平 均故障诊断准确率为82.99％，是所有方法中表现最差的，而且每个域自适应任 务中的标准偏差也较大。传统域对抗神经网络可以获得89.79％的平均准确率， 主要是其在域自适应任务a
→
c，b
→
c，b
→
d和c
→
b中表现较差。
[0077]
表1 轴承故障数据集描述
[0078][0079]
表2 轴承数据集故障诊断结果(％)
[0080][0081]
以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何 本领域的技术人员能思之的变化都应落入本发明的保护范围。