一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统

transfercomponentanalysis,sstca)对齐源域和目标域数据边缘分布，并利用svm训练得到变工况故障诊断模型；文献[13]提出了一种改进的联合分布适配(jointdistributionadaptation,jda)，同时减小源域和目标域的边缘分布和条件分布差异，完成了可变工况的轴承故障诊断。文献[14]在jda的基础上提出平衡分布适配(balanceddistributionadaptation,bda)，自适应地调节边缘分布差异和条件分布差异的重要性，实现了轴承跨域故障诊断。[0007]相比于上述迁移学习方法，深度特征迁移学习可以利用深层网络学习更多用于域适应的可迁移特征。在深度特征迁移方面，文献[15]将深度置信网络与混合核jda相结合，避免数据分布发散，实现变负载下轴承多状态识别；文献[16]给resnet网络模型添加了适配层，以最大均值差异(maximummeandiscrepancy,mmd)作为域适应损失，减小源域和目标域之间的全局分布差异；文献[17]针对mmd采用一阶矩衡量分布差异，忽略了高阶矩贡献的缺点，提出了多项式核诱导mmd(polynomialkernelmmd,pk-mmd)，构建域共享残差网络，完成对滚动轴承的故障诊断；文献[18]使用训练数据微调预训练的深度适配网络(deepadaptationnetwork,dan)，利用多核mmd(multipulkernelmmd,mk-mmd)域适应源域和目标域的全局分布，有效识别不同运行状态的轴承故障；文献[19]提出一种深度卷积wasserstein对抗网络模型，使用wasserstein距离作为域适应损失项，结合方差约束，实现了变工况轴承故障诊断。上述研究内容通过深度特征迁移的手段对源域和目标域的样本分布进行全局域适应，实现了不同工况条件下滚动轴承的故障诊断。但这种域适应方法往往会忽视不同域中各个子域间的关系，易造成各子域间的特征混叠，丢失细粒度信息，导致迁移效果不佳[20]。技术实现要素：[0008]鉴于以上问题，本发明提出一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统，用以解决现有故障诊断模型对于不同工况分布差异大的振动数据的故障诊断准确率不高的问题。[0009]根据本发明一方面，提供一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法，该方法包括以下步骤：[0010]步骤一、采集一种工况下已知故障信息的滚动轴承振动信号样本构建源域数据样本集，采集其他工况下未知故障信息的滚动轴承振动信号样本构建目标域数据样本集，其中，目标域数据样本集包括训练样本集和测试样本集；[0011]步骤二、对源域数据样本集和目标域数据样本集中的滚动轴承振动信号分别做短时傅里叶变换，将一维时域信号转换为二维时频图像，获得源域图像样本集和目标域图像样本集；[0012]步骤三、构建改进残差网络，引入注意力机制动态分配各通道间的资源，提取源域图像样本集和目标域图像样本集的深层特征，获得无标签目标域样本的软标签；[0013]步骤四、利用源域和目标域深层特征、源域真实标签以及目标域软标签，计算源域和目标域之间的局部最大均值差异，作为域适应损失项，度量源域和目标域各个子域之间的分布差异；[0014]步骤五、将域适应损失项与改进残差网络的交叉熵损失项共同作为目标函数进行优化，经过指定迭代次数的训练，获得变工况下滚动轴承的故障诊断模型；[0015]步骤六、将目标域测试样本集输入训练好的故障诊断模型，将对测试样本的故障诊断结果与其真实标签作对比，获得故障诊断模型对于滚动轴承故障诊断的准确率，以此衡量故障诊断模型的性能。[0016]进一步地，步骤三中所述改进残差网络是对现有残差网络进行改进，改进之处在于：第一、将残差网络首个卷积层的卷积核尺寸从7×7修改为15×15；第二、对残差网络模型resnet-50中的残差模块进行下述改进：每个通道分别对输入的特征进行1×1和3×3的卷积操作，初步提取特征；将各个通道的特征通过全局池化层进行压缩降维，得到代表该通道上下文信息的全局特征；将得到的全局特征输入到两个全连接层中进行处理，对各个通道之间的相关性进行建模；两个全连接层之间利用relu激活函数提高非线性；经过softmax层对得到的通道权重归一化；最后利用归一化后的权重对原始的通道特征进行加权作为输出，获得特征图像。[0017]进一步地，加权后输出的特征图像vc为：[0018]vc＝acuc[0019]式中，ac表示第c个通道的权重；uc表示经过1×1卷积层和3×3卷积层后得到的特征图像；vc表示经过通道注意力机制加权后输出的特征图像。[0020]进一步地，步骤四中局部最大均值差异lmmd用于对源域和目标域各个子域分别映射对齐，其计算公式为：[0021][0022]其中，p、q分别表示源域和目标域样本服从的分布；h表示一种具有特征核的再生希尔伯特空间；c表示类别，c表示类别总数；和分别表示源域ds的第i个样本和目标域dt的第j个样本；和分别表示和属于类别c的权重；表示一种将原始样本数据映射到h的特征映射。[0023]进一步地，步骤五中交叉熵损失项用于判断模型在源域样本上的表现，其计算公式为：[0024][0025]其中，c表示类别，c表示类别总数；n表示样本总数，i表示样本序号；yic是一个符号函数，若第i个样本的真实类别为c则取值为1，否则取值为0；pic表示第i个样本属于第c类的预测概率。[0026]进一步地，步骤一中所述故障信息包括不同损伤直径的内圈故障、滚动体故障、外圈故障或不存在故障；所述工况根据不同负载和不同电机转速的组合获得。[0027]根据本发明另一方面，提供一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断系统，该系统包括：[0028]数据采集模块，其配置成采集一种工况下已知故障信息的滚动轴承振动信号样本构建源域数据样本集，采集其他工况下未知故障信息的滚动轴承振动信号样本构建目标域数据样本集，其中，目标域数据样本集包括训练样本集和测试样本集；所述故障信息包括不同损伤直径的内圈故障、滚动体故障、外圈故障或不存在故障；所述工况根据不同负载和不同电机转速的组合获得；[0029]预处理模块，其配置成对源域数据样本集和目标域数据样本集中的滚动轴承振动信号分别做短时傅里叶变换，将一维时域信号转换为二维时频图像，获得源域图像样本集和目标域图像样本集；[0030]特征提取模块，其配置成构建改进残差网络，引入注意力机制动态分配各通道间的资源，提取源域图像样本集和目标域图像样本集的深层特征，获得无标签目标域样本的软标签；[0031]分布差异度量模块，其配置成利用源域和目标域深层特征、源域真实标签以及目标域软标签，计算源域和目标域之间的局部最大均值差异，作为域适应损失项，度量源域和目标域各个子域之间的分布差异；[0032]模型训练模块，其配置成将域适应损失项与改进残差网络的交叉熵损失项共同作为目标函数进行优化，经过指定迭代次数的训练，获得变工况下滚动轴承的故障诊断模型；[0033]模型测试模块，其配置成将目标域测试样本集输入训练好的故障诊断模型，将对测试样本的故障诊断结果与其真实标签作对比，获得故障诊断模型对于滚动轴承故障诊断的准确率，以此衡量故障诊断模型的性能。[0034]进一步地，所述特征提取模块中所述改进残差网络是对现有残差网络进行改进，改进之处在于：第一、将残差网络首个卷积层的卷积核尺寸从7×7修改为15×15；第二、对残差网络模型resnet-50中的残差模块进行下述改进：每个通道分别对输入的特征进行1×1和3×3的卷积操作，初步提取特征；将各个通道的特征通过全局池化层进行压缩降维，得到代表该通道上下文信息的全局特征；将得到的全局特征输入到两个全连接层中进行处理，对各个通道之间的相关性进行建模；两个全连接层之间利用relu激活函数提高非线性；经过softmax层对得到的通道权重归一化；最后利用归一化后的权重对原始的通道特征进行加权作为输出，获得特征图像；加权后输出的特征图像vc为：[0035]vc＝acuc[0036]式中，ac表示第c个通道的权重；uc表示经过1×1卷积层和3×3卷积层后得到的特征图像；vc表示经过通道注意力机制加权后输出的特征图像。[0037]进一步地，所述分布差异度量模块中局部最大均值差异lmmd用于对源域和目标域各个子域分别映射对齐，其计算公式为：[0038][0039]其中，p、q分别表示源域和目标域样本服从的分布；h表示一种具有特征核的再生希尔伯特空间；c表示类别，c表示类别总数；和分别表示源域ds的第i个样本和目标域dt的第j个样本；和分别表示和属于类别c的权重；表示一种将原始样本数据映射到h的特征映射。[0040]进一步地，所述模型训练模块中所述交叉熵损失项用于判断模型在源域样本上的表现，其计算公式为：[0041][0042]其中，c表示类别，c表示类别总数；n表示样本总数，i表示样本序号；yic是一个符号函数，若第i个样本的真实类别为c则取值为1，否则取值为0；pic表示第i个样本属于第c类的预测概率。[0043]根据本发明另一方面，提供一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述方法。[0044]根据本发明另一方面，提供一种计算机可读存储介质，为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述方法。[0045]根据本技术又一个方面，提供一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行实现如上所述方法。[0046]本发明的有益技术效果是：[0047]本发明首先引入通道注意力机制和首层宽卷积核机制对残差网络进行改进，从而提取不同工况滚动轴承更具相关性的深层特征；利用局部最大均值差异lmmd衡量源域和目标域各子域之间的分布差异，在模型训练过程中减小源域有标签样本集和目标域无标签样本集之间的全局分布差异和局部分布差异，相比于传统的使用最大均值差异衡量源域和目标域全局分布差异，lmmd可以在对齐全局分布的同时，聚焦于局部分布；利用网络提取的不同域之间的域不变特征，解决了部分工况下滚动轴承带标签数据稀缺的问题，同时解决了变工况及工况泛化下滚动轴承的故障诊断问题，使得相对于其他模型对于滚动轴承的故障诊断准确率更高。附图说明[0048]本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。[0049]图1是原始残差块结构示意图；[0050]图2是本发明实施例中改进残差网络结构示意图；[0051]图3是本发明实施例中改进残差模块结构示意图；[0052]图4是本发明实施例中域适应与子域适应原理示意图；[0053]图5是本发明实施例中故障诊断流程框图；[0054]图6是本发明实施例中轴承数据采集自轴承试验台组成示意图；[0055]图7是本发明实施例中时域振动信号截取方式示例图；[0056]图8是本发明实施例中残差网络改进前后特征可视化对比图；其中，图(a)对应原始残差网络，图(b)对应改进残差网络；[0057]图9是本发明实施例中局部最大均值差异lmmd与最大均值差异mmd域适应特征可视化对比图；其中，图(a)对应最大均值差异mmd，图(b)对应局部最大均值差异lmmd；[0058]图10是本发明方法与经典深度迁移学习方法的对比结果图；[0059]图11是本发明实施例中滚动轴承故障诊断混淆矩阵示例图；[0060]图12是本发明实施例中工况泛化对比实验结果图。具体实施方式[0061]为了使本
技术领域：
：的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。[0062]本发明实施例针对滚动轴承不同工况下振动数据分布差异大、部分工况下的带标签振动数据难以获取、诊断模型准确率不高的问题，提出一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法。通过在残差网络中引入通道注意力机制，动态分配残差网络中各卷积通道之间的关注程度，抑制无用信息，挖掘滚动轴承更准确的深层故障特征信息；使用局部最大均值差异(localmaximummeandiscrepancy,lmmd)代替传统的mmd作为度量源域和目标域各个子域之间分布差异的指标，准确调整源域和目标域中同一类别相关子域的分布，提取域不变特征，以更好地实现轴承跨域故障诊断。最终实现不同工况下滚动轴承不同故障位置及不同故障程度的故障诊断。下面对本发明方法进行详细说明。[0063]1.残差网络及其改进[0064]在cnn中，随着网络层数的增加，网络可能出现梯度消失、梯度爆炸和网络退化的问题。残差网络借鉴长短时记忆网络中的门控机制，通过在cnn的网络层之间添加恒等映射，将输入的恒等映射与其非线性变换相叠加，解决了上述问题。残差块作为残差网络的基本单元，其结构如图1所示.[0065]残差块的输入为z，输出为h(z)，残差指的是输出值h(z)与输入值恒等映射z的差值，即：[0066]f(z)＝h(z)-zꢀꢀꢀ(1)[0067]残差网络的学习对象为残差f(z)，在网络训练过程中只需要学习残差块输入输出之间的差别，相比于传统cnn学习难度有所降低。模型在反向传播过程中，输入z通过恒等映射，直接将信息从残差块的输入端传递到输出端，保证了信息在传递过程中的完整性。[0068]非线性激活函数可以加强cnn的泛化能力，有效防止梯度弥散。本发明选择修正线性单元(rectifiedlinearunit,relu)作为网络模型中的激活函数，其计算公式为：[0069]g(x)＝max(0,x)ꢀꢀꢀ(2)[0070]其中，x是输入的特征，g(x)是非线性映射后得到的输出。借助relu函数提供的非线性特征表示能力，可以加快模型收敛速度，参数配置也更加简洁。[0071]传统的残差网络模型由于感受野有限，跨通道之间缺乏相关性，所以在实际的任务处理过程中，不能有针对性地进行特征提取，无法得到相关性更强的深层特征。基于上述原因，本发明对残差网络进行改进，改进的残差网络结构如图2所示.[0072]为了更好地提取轴承时频图中的深层特征，可以增大残差网络中卷积层的卷积核尺寸，以增大感受野，从更广的时频区间内提取特征。但是一味地增大卷积核尺寸又会导致模型的参数量和计算量陡增，因此，本发明只对残差网络首个卷积层的卷积核进行增大，以更好地在网络浅层提取与轴承时频特征相关的特征。在选择卷积核尺寸时，为了更容易找到卷积锚点，一般将卷积核的直径设置为奇数。综合考虑以上各方面，将原始残差网络首个卷积层的卷积核尺寸从7×7修改为15×15。相比于传统的残差网络模型resnet-50，本发明对网络模型中的残差模块进行了改进，其结构如图3所示.[0073]在改进残差块中，每个通道分别对输入的特征进行1×1和3×3的卷积操作，初步提取特征。将各个通道的特征通过全局池化层进行压缩降维，得到代表该通道上下文信息的全局特征：[0074][0075]其中，uc(i,j)是第c个通道中的特征向量经过1×1卷积层和3×3卷积层后得到的特征；h和w代表空间维度的尺寸；sc代表第c个通道的权重；将得到的全局特征输入到两个全连接层中进行处理，对各个通道之间的相关性进行建模；两个全连接层之间利用relu激活函数提高非线性，以更好地对通道之间复杂的关系进行拟合；经过softmax层对得到的通道权重归一化。最后利用归一化后的权重对原始的通道特征进行加权作为输出，计算公式如式(4)：[0076]vc＝acucꢀꢀꢀ(4)[0077]其中，ac表示第c个通道的权重；uc表示经过1×1卷积层和3×3卷积层后得到的特征图像；vc表示经过通道注意力机制加权后输出的特征图像。[0078]改进残差网络的交叉熵损失项用于判断模型在源域样本上的表现，其计算公式为：[0079][0080]其中，c表示类别，c表示类别总数；n表示样本总数，i表示样本序号；yic是一个符号函数，若第i个样本的真实类别为c则取值为1，否则取值为0；pic表示第i个样本属于第c类的预测概率。[0081]2.子域适应方法[0082]在迁移学习中，给定一个包含ns个有标签样本的源域和一个包含nt个无标签样本的目标域，其中，是与第i个源域样本相对应的one-hot标签，就表示对应的样本隶属于源域第m类，代表第j个无标签目标域样本。源域和目标域的样本集一般服从于相似的两个分布。[0083]域适应问题是迁移学习研究的内容之一，用于解决特征空间和类别空间一致，特征分布不一致的问题。传统的域适应方法一般是对源域和目标域进行全局的域变换，使变换后的源域和目标域的特征分布尽可能相似，提取得到适用于全局的域不变特征。最大均值差异mmd是一种常见的衡量源域和目标域之间全局分布差异的指标，被广泛应用于迁移学习方法中。mmd的定义如式(5)所示：[0084][0085]其中，xs和xt分别代表源域和目标域样本；p和q分别代表源域和目标域样本服从的分布；h是一种具有特征核的再生希尔伯特空间(reproducingkernelhilbertspace,rkhs)；表示一种可以将原始的样本数据映射到h的特征映射.代表服从p分布的源域样本xs映射到rkhs后的数学期望。[0086]在对齐特征的全局分布过程中，一些相关性不大的数据可能会随着特征映射变得无法区分。为了解决上述问题，可以对不同域中同一类别所在的子域分别对齐，这样不仅可以匹配到源域和目标域特征样本的局部分布，同时也实现全局分布的匹配，提取得到全局域不变特征。域适应与子域适应原理示意图如图4所示.[0087]本发明使用lmmd代替传统的用于全局分布对齐的mmd，对源域和目标域各个子域分别映射对齐。lmmd的计算公式如式(6)所示：[0088][0089]其中，和分别代表源域的第i个样本和目标域的第j个样本，和分别代表和属于类别c的权重。需要注意的是，和都等于1。样本xi对应的权重可以通过式(7)计算得到：[0090][0091]其中，yic是第i个样本标签向量yi的第c个元素。[0092]在目标域不包含有标签样本，模型对于目标域数据预测得到的标签(硬标签)又可能存在错误，因此无法直接计算式(6)和式(7).深层神经网络的输出是一个概率分布，表示网络输入xi隶属于各类别的概率。为了能够在目标域计算lmmd的同时降低硬标签预测可能导致的误差，目标域样本在模型训练过程中使用概率预测(软标签)计算式(6)及式(7).[0093]3.变工况下滚动轴承故障诊断方法及流程[0094]变工况条件下，基于改进残差网络深度子域适应方法的滚动轴承故障诊断系统整体流程框图如图5所示，具体步骤如下：[0095](1)样本集的构建[0096]选取某工况下已知故障信息的样本构建源域数据样本集，选取其他工况下未知故障信息的样本构建目标域数据样本集，其中目标域数据样本集还包括训练样本集和测试样本集；[0097](2)数据预处理[0098]对源域和目标域的时域振动信号做短时傅里叶变换，将原始的一维时域信号转换为二维时频图像，作为后续网络模型的输入；[0099](3)模型构建[0100]构建改进残差网络，引入注意力机制动态分配各通道间的资源，提取滚动轴承源域和目标域样本集时频图像的深层特征，得到无标签目标域样本的软标签.利用源域和目标域深层特征、源域真实标签以及目标域软标签计算源域和目标域之间的局部最大均值差异，作为域适应损失项，度量源域和目标域各个子域之间的分布差异。将lmmd与改进残差网络的交叉熵损失项共同作为目标函数进行优化，经过指定迭代次数的训练，建立变工况下滚动轴承的故障诊断模型。[0101](4)故障诊断[0102]将目标域测试样本集输入训练好的网络模型，把模型对测试样本的故障诊断结果与真实标签作对比，得到模型故障诊断的准确率，以此衡量模型的性能。[0103]4.应用与分析[0104]实验所用的轴承数据采集自轴承试验台，如图6所示，试验台由电动机、负载、控制电路三部分组成。以电动机驱动端安装的6205-2rs深沟球轴承作为研究对象，其振动信号的采集由安置在电动机驱动端轴承座上方的16通道数据记录仪完成，采样频率为12khz。[0105]轴承的故障是由电火花机在轴承的内圈、滚动体、外圈加工产生的点蚀故障，每个故障位置的损伤直径包括0.1778mm、0.3556mm、0.5334mm三种，加上正常状态一共可以分为10类。对于工作在正常状态下，并未发生故障的滚动轴承振动信号，用n来表示。为了方便表述，对滚动轴承的故障位置和故障程度进行简化表述，实验数据中的故障状态表示方法如表1所示。以1024点为一个样本的长度，每种工作状态选取100个样本数据，以随机截取的方式获取，截取方式如图7所示。[0106]表1实验数据表示方法[0107]table1experimentaldatarepresentation[0108][0109]实验数据在0hp、1hp、2hp、3hp共四种不同的负载下采集获得(1hp≈0.75kw)，根据负载的不同，电机的转速在1730rpm-1797rpm之间变化.轴承运行所处的工况与负载、转速之间的对应关系如表2所示。[0110]表2轴承工况与负载、转速对应关系[0111][0112]实验中，共设置8个迁移任务，各任务所用数据集的组成如表3所示。以任务6为例，采用工作于b工况和d工况的2000个已知故障信息样本作为源域数据样本，工作于a工况和c工况的2000个未知故障样本作为目标域训练样本，工作于a工况和c工况的另外2000个未知故障样本作为目标域测试样本。[0113]表3各任务所用数据集组成[0114][0115]所提方法采用relu函数作为激活函数，总迭代次数epochs设置为200，学习率lr设置为0.01，域适应权重系数param设置为0.3.每一个实验均重复3次，取平均值作为最后的结果.实验使用的硬件环境：cpu型号为intelxeonw-2123；内存32gb；gpu型号为nvidiageforcegtx1080ti。[0116]首先，为了验证改进残差网络所提深层特征的分类效果，将短时傅里叶变换提取的滚动轴承时频谱图，分别输入原始的残差网络与改进的残差网络进行深层特征提取，并利用t-分布邻域嵌入(t-distributionstochasticneighborembedding,t-sne)算法对所提的深层特征进行降维可视化操作。以源域b工况，目标域c工况为例，残差网络改进前后的特征可视化效果图如图8所示。[0117]观察图8可以得知，残差网络改进前后所提取的特征，经可视化后存在较大的差异。原始残差网络提取的样本深层特征在可视化后，区域l1-l5中均存在两类故障损伤部分特征样本混叠的现象，区域l6内出现了大量特征样本混叠。而改进残差网络提取的深层特征可视化后各类别之间仅在l1区域出现少量样本混叠。初步判断改进的残差网络可以更好地提取滚动轴承的深层特征，有利于后续的故障诊断。[0118]为了进一步验证残差网络在改进之后，可以更好地提取样本深层特征，将残差网络改进前后提取得到的特征分别使用softmax进行故障诊断，并在8个迁移任务中进行实验，结果如表4所示。[0119]表4残差网络改进前后故障诊断准确率[0120][0121]对比表4中残差网络改进前后的故障诊断准确率可知，改进残差网络提取的深层特征分类得到的故障诊断准确率，明显高于原始残差网络提取的深层特征。这一结果说明将通道注意力机制与首层宽卷积核机制加入到残差网络中，可以提高变工况下滚动轴承故障诊断的准确率。[0122]进一步，为了验证lmmd可以更好地实现源域与目标域之间的域自适应，分别利用lmmd与mmd对网络模型提取的深层特征进行域适应操作，使用t-sne方法处理域适应特征。以源域d工况，目标域b工况为例，lmmd与经典的mmd域适应后的特征可视化效。[0123]通过观察图9(a)可以看出，区域l1中多类故障损伤的样本发生了严重的特征混叠，除此之外，区域l2-l6内也出现了少量特征样本的混叠。以上结果说明mmd虽然可以减小源域与目标域之间的整体分布差异，但忽视了各个子域之间的关系，造成了各个类别之间存在大量混叠。而图9(b)中则仅在l1区域出现少量样本混叠，故可初步判断lmmd相比于传统的域适应指标mmd，可以更好地完成源域与目标域之间的特征映射，使目标域各类样本的特征清晰可分。[0124]为了更好地说明lmmd在域适应问题上的优越性，利用改进残差网络提取特征，lmmd和mmd分别作为域适应损失项，并利用softmax进行故障诊断。在8个迁移任务中进行实验，得到的故障诊断结果如表5所示。[0125]表5域适应方法改进前后故障诊断准确率[0126][0127]由表5可知，相比于mmd，使用lmmd作为域适应损失项在8个迁移任务中得到的平均故障诊断准确率有较大提高，达到了4.18％。结合故障诊断实验与特征可视化实验可以得出结论，lmmd通过降低源域与目标域各个子域之间的分布差异，可以更好地完成变工况下滚动轴承故障诊断。[0128]为了进一步证明本发明提出的方法在滚动轴承变工况故障诊断这一问题上的有效性，选择域适应神经网络(domainadaptiveneuralnetwork,dann)、深度适配网络(deepadaptationnetwork,dan)、deep-coral、动态对抗域适应网络(dynamicadversarialadaptationnetwork,daan)等4种经典的深度迁移学习方法进行对比实验。实验中使用相同的样本集，在相同的8个迁移任务中进行测试，对比结果如图10所示。[0129]由图10的实验结果可以看出，在8个不同的变工况迁移任务中，本发明方法的故障诊断平均准确率可以达到96.99％，且相比于dann、dan、deep-coral、daan等4种经典的深度迁移学习方法，平均准确率均有至少5.75％的提升。为了更加直观地观察本发明方法在变工况故障诊断问题中的有效性，引入多分类混淆矩阵对诊断结果进行分析。以任务4的实验结果为例，绘制混淆矩阵如图11所示。[0130]从图11中可以看到，在1000个目标域测试集样本中，只有3个样本诊断错误。被误判的3个样本中，有2个正常样本被误判为or14故障，1个b14故障被误判为or14故障。其他所有故障类型的诊断准确率均达到了100％。由此可以看出，本发明所提出的改进残差网络深度子域适应方法可以有效解决变工况下滚动轴承的故障诊断问题。[0131]为了进一步验证本发明方法可以应对滚动轴承复杂的工作环境，训练得到的模型可以在复杂工况环境下准确提取跨不同但相关领域的经验知识、学习域不变特征，设计了如表6所示4组工况泛化实验。其中，泛化工况指的是在训练阶段不可用的工作条件下采集到的数据.将泛化工况下采集到的数据输入到模型中进行故障诊断，与dann、dan、deep-coral、daan、mran等5种经典深度迁移学习方法作对比，得到的故障诊断结果如图12所示。[0132]表6工况泛化实验数据集组成[0133][0134]由图12的实验结果可以看出，本发明方法在任务9-任务12这4个不同的工况泛化迁移任务中，取得了平均故障诊断准确率85.16％的效果。与dann、dan、deep-coral、daan等4种经典的深度迁移学习方法相比，所提方法在所有任务中都取得了更好的故障诊断效果，平均故障诊断准确率至少提升了3.43％。因此，本发明方法可以更好地提取复杂工况下轴承的域不变特征，解决泛化工况下滚动轴承的故障诊断问题。[0135]本发明引入通道注意力机制和首层宽卷积核机制对残差网络进行改进，提取不同工况滚动轴承更具相关性的深层特征，通过特征可视化和故障诊断准确率这两方面的佐证，证明了改进后的残差网络相比于原始残差网络具有更优异的性能；利用局部最大均值差异衡量源域和目标域各子域之间的分布差异，相比于传统的使用最大均值差异衡量源域和目标域全局分布差异，lmmd可以在对齐全局分布的同时，聚焦于局部分布；经实验验证，使用局部最大均值差异作为域适应损失，可以更好地实现对滚动轴承的变工况故障诊断；本发明提出了一种新的端到端深度迁移学习方法，在提取滚动轴承深层特征的同时，减小源域有标签样本集和目标域无标签样本集之间的全局分布差异和局部分布差异；利用网络提取的不同域之间的域不变特征，解决了部分工况下滚动轴承带标签数据稀缺的问题，同时解决了变工况及工况泛化下滚动轴承的故障诊断问题；经在12个迁移任务上与4种深度迁移学习方法的对比，验证了本发明方法的有效性。[0136]本发明另一实施例提供一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断系统，该系统包括：[0137]数据采集模块，其配置成采集一种工况下已知故障信息的滚动轴承振动信号样本构建源域数据样本集，采集其他工况下未知故障信息的滚动轴承振动信号样本构建目标域数据样本集，其中，目标域数据样本集包括训练样本集和测试样本集；所述故障信息包括不同损伤直径的内圈故障、滚动体故障、外圈故障或不存在故障；所述工况根据不同负载和不同电机转速的组合获得；[0138]预处理模块，其配置成对源域数据样本集和目标域数据样本集中的滚动轴承振动信号分别做短时傅里叶变换，将一维时域信号转换为二维时频图像，获得源域图像样本集和目标域图像样本集；[0139]特征提取模块，其配置成构建改进残差网络，引入注意力机制动态分配各通道间的资源，提取源域图像样本集和目标域图像样本集的深层特征，获得无标签目标域样本的软标签；[0140]分布差异度量模块，其配置成利用源域和目标域深层特征、源域真实标签以及目标域软标签，计算源域和目标域之间的局部最大均值差异，作为域适应损失项，度量源域和目标域各个子域之间的分布差异；[0141]模型训练模块，其配置成将域适应损失项与改进残差网络的交叉熵损失项共同作为目标函数进行优化，经过指定迭代次数的训练，获得变工况下滚动轴承的故障诊断模型；[0142]模型测试模块，其配置成将目标域测试样本集输入训练好的故障诊断模型，将对测试样本的故障诊断结果与其真实标签作对比，获得故障诊断模型对于滚动轴承故障诊断的准确率，以此衡量故障诊断模型的性能。[0143]本实施例中，可选地，特征提取模块中改进残差网络是对现有残差网络进行改进，改进之处在于：第一、将残差网络首个卷积层的卷积核尺寸从7×7修改为15×15；第二、对残差网络模型resnet-50中的残差模块进行下述改进：每个通道分别对输入的特征进行1×1和3×3的卷积操作，初步提取特征；将各个通道的特征通过全局池化层进行压缩降维，得到代表该通道上下文信息的全局特征；将得到的全局特征输入到两个全连接层中进行处理，对各个通道之间的相关性进行建模；两个全连接层之间利用relu激活函数提高非线性；经过softmax层对得到的通道权重归一化；最后利用归一化后的权重对原始的通道特征进行加权作为输出，获得特征图像；加权后输出的特征图像vc为：[0144]vc＝acuc[0145]式中，ac表示第c个通道的权重；uc表示经过1×1卷积层和3×3卷积层后得到的特征图像；vc表示经过通道注意力机制加权后输出的特征图像。[0146]本实施例中，可选地，分布差异度量模块中局部最大均值差异lmmd用于对源域和目标域各个子域分别映射对齐，其计算公式为：[0147][0148]其中，p、q分别表示源域和目标域样本服从的分布；h表示一种具有特征核的再生希尔伯特空间；c表示类别，c表示类别总数；和分别表示源域ds的第i个样本和目标域dt的第j个样本；和分别表示和属于类别c的权重；表示一种将原始样本数据映射到h的特征映射。[0149]本实施例提供的上述系统，可以执行上述方法实施例提供的方法，详细过程详见方法实施例中的描述，此处不赘述。[0150]本技术实施例还提供了一种计算设备，该计算设备包括存储器、处理器和存储在存储器内并能由处理器运行的计算机程序，该计算机程序存储于存储器中的用于程序代码的空间，该计算机程序在由处理器执行时实现用于执行任一项根据本发明的方法步骤。[0151]本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序，该程序被处理器执行。[0152]本技术实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。[0153]在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输；所述计算机可读存储multiplekernelmethod.neurocomputing,2019,352.[0168][13]qianww,lism,yipx,zhangkc.anoveltransferlearningmethodforrobustfaultdiagnosisofrotatingmachinesundervariableworkingconditions.measurement,2019,138:514-525.[0169][14]gujw,wangyx.acrossdomainfeatureextractionmethodforbearingfaultdiagnosisbasedonbalanceddistributionadaptation.2019prognosticsandsystemhealthmanagementconference(phm-qingdao).2019.[0170][15]kangsq,chenww,wangyj,naxd,wangqy,v.i.mikulovich.methodofstateidentificationofrollingbearingsbasedondeepdomainadaptationundervaryingloads.ietscience,measurement&technology,2020,14(3):303-313.[0171][16]雷亚国，杨彬，杜兆钧，吕娜.大数据下机械装备故障的深度迁移诊断方法.机械工程学报，2019，55(07):1-8).[0172][17]yangb,leiyg,jiaf,linp,duzj.apolynomialkernelinduceddistancemetrictoimprovedeeptransferlearningforfaultdiagnosisofmachines.ieeetransactionsonindustrialelectronics,2020,67(11):9747-9757.[0173][18]wenj,panbs,luolp,zhangkw,wuqh.anewbearingfaultdiagnosisframeworkwithdeepadaptationnetworksforindustrialapplication.2019prognosticsandsystemhealthmanagementconference(phm-qingdao),2019.[0174][19]zouys,liuyz,dengjl,jiangyl,zhangwh.anoveltransferlearningmethodforbearingfaultdiagnosisunderdifferentworkingconditions.measurement,2021,171:108767.[0175][20]zhuyc,zhuangfz,wangjd,kegl,chenjw.deepsubdomainadaptationnetworkforimageclassification.ieeetransactionsonneuralnetworksandlearningsystems,2020,pp(99):1-10.当前第1页12当前第1页12