CN115127814B 一种基于自适应残差对抗网络的无监督轴承故障诊断方法（燕山大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN1151278(21)申请号202210863740.2(65)同一申请的已公布的文献号审查员刘园审查员刘园(73)专利权人燕山大学地址066004河北省秦皇岛市海港区河北大街438号(72)发明人温江涛雷鸣张哲丁泽行孙洁娣刘仲雨(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123专利代理师陈跃心(54)发明名称一种基于自适应残差对抗网络的无监督轴承故障诊断方法本发明公开了一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；步骤S3、基于目标轴承振动实测值进行轴承故障诊断。本发明采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和改进多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概21.一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：包括如下步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和步骤S11,构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进步骤S12,构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴步骤S21,采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；步骤S22,根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取步骤S23,通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，步骤S25,获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，步骤S26,将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域步骤S27,将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征基于得到领域分类结果，利用交叉熵损失生成第二损失函数，第二损失函数的公式如3将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全距离动态更新权重系数；步骤S29,重复步骤S25-S28并根据相应损失函数不断通过反向传播调整特征提取器、2.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，步骤S13,获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；步骤S14,将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤3.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，4.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，步骤S31,获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处4理，归一化处理后的数据作为基于自适应残差对抗网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功；步骤S32,重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁移诊断的准确率。5一种基于自适应残差对抗网络的无监督轴承故障诊断方法技术领域[0001]本发明涉及旋转机械设备中滚动轴承故障件检测领域，尤其是一种基于自适应残差对抗网络的无监督轴承故障诊断方法。背景技术[0002]随着工业生产和科学技术水平的发展进步，旋转机械也不断朝着高速化、连续化、自动化方向发展，有效提高生产效率、保证产品质量、节约能源与人力。滚动轴承作为旋转机械的关键部件，其健康状态关乎整个设备的运行安全。然而轴承工作在恶劣的环境下，其在高负荷运行过程中不可避免的会出现异常。一旦发生故障，则有可能造成经济损失甚至发生重大安全事故。为保证旋转机械的平稳运行，有必要对滚动轴承进行早期故障诊断。[0003]近年来，基于深度学习的轴承故障诊断方法得到了广泛应用，主要是因为深度学习具有强大的数据处理能力和特征学习能力，并且不再需要人力和先验知识就可以实现准确、高效的故障诊断。常见的基于深度学习的诊断方法有卷积神经网络和自动编码器，并且均已成功应用到了轴承故障诊断中。但大多数现有的研究取得理想的结果都基于一个前提，即训练数据和测试数据具有相同的分布。在实际的工程中，由于操作条件的变化、机械设备的磨损和环境噪声等因素的影响，即使同一设备的训练数据和测试数据也难以满足上述前提。因此针对轴承实际使用场景，研究泛化能力强，准确率高的无监督故障诊断方法是当前轴承故障诊断研究的迫切需要。[0004]迁移学习可以将已习得的强大技能迁移到相关的问题上，现已广泛应用于应对复杂环境下的轴承故障诊断任务。无监督域适应方法作为迁移学习的热门分支，其具有弥合领域间分布差异和探索域不变特征的能力，在图像识别领域中的广泛应用，并已经被引入跨域轴承故障诊断领域。虽然无监督域适应方法已经应用到了故障诊断领域，但是目前大多数方法侧重于考虑源域和目标域之间的边缘概率分布差异，而忽略了条件概率分布差异。即使有研究者考虑到了跨域整体分布差异时，也只是直接将跨域边缘概率分布和条件概率分布相加，未考虑两者之间的关系而导致模型泛化能力受限，难以应用于实际工业环境中解决跨域轴承故障诊断问题。[0005]通过上述分析可知，单一度量源域和目标域之间的边缘概率分布差异或简单将跨域边缘概率分布和条件概率分布相加都无法获得很好的模型泛化能力，更无法获得良好的轴承跨域故障诊断效果。发明内容[0006]本发明需要解决的技术问题是提供一种基于自适应残差对抗网络的无监督轴承故障诊断方法，采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。[0007]为解决上述技术问题，本发明所采用的技术方案是：一种基于自适应残差对抗网6[0013]步骤S12,构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的[0016]本发明技术方案的进一步改进在于：所述步骤S11中一维残差网络包含两个初始[0020]步骤S21,采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层[0025]步骤S26,将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出7[0026]步骤S27,将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据[0028]步骤S29,重复步骤S25-S28并根据相应损失函数不断通过反向传播调整特征提取[0042]步骤S31,获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化8[0043]步骤S32,重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布。此附图说明具体实施方式[0057]本实施例选取凯斯西储大学(CaseWesternReserveUniversity,CWRU)轴承数据集，CWRU轴承数据集由美国凯斯西储大97009873554804934193[0062]一维残差网络参数设计见图3.基于残差连接的卷积层构建的改进残差块，作为特征提取器网络基础结构，改进残差块设计见图4,结构上采用多改进残差块连接。激活函数是神经网络非线性表示能力的重要来源，而神经网络进行归一化运算可以提高神经网络的收敛速度，减少了神经网络训练过程中的内部协变量漂移。改进的一维残差网络中采用SELU激活函数将两部操作合并，SELU激活函数不仅保留了激活函数的功能，还可以对输入数据进行自归一化处理，可取代传统中大量使用的归一函数如BN等。[0063]改进残差块有一条直接连接输入和输出的跳跃连接。改进残差块更有利于误差在神经网络内部的反向传播，因此其参数变得更容易训练。此外采用零填充策略，初始卷积层的填充大小为5,其余填充大小为1,在多个改进残差块之后应用全局平均池化对特征进行进一步降维并压缩网络参数量；[0064]步骤S12,构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层三采用与故障类别相同的数量即为10个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类效果，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；[0065]步骤S13,获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据：[0066]本实施例选取凯斯西储大学轴承数据集，选取不同负载下采集的数据(OHp、1Hp、2Hp、3Hp)进行训练。以迁移任务OHp→2Hp作为代表，首先采用OHp数据归一化处理后作为源域带标签数据集。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024,每个类别取1000个样本。实验过程中，将每个类别的样本以8:2的比例来划分训练集和测试集，建立带有标签的源域数据集Ds。[0067]步骤S14,将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，设置网络学习率为0.0001、批大小为128、训练次数为50。源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。[0068]本实施例的步骤2具体包括：[0069]步骤S21,采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构，全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层，三采用与故障类别相同的数量即为10个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类[0070]步骤S22,根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成，其中全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层三采用2个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类效果，最后通过Softmax分类出故障类别；[0071]步骤S23,通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将[0072]步骤S24,作为迁移任务OHp→2Hp,将步骤S14得到的特征提取器网络和源域分类[0075]步骤S26,将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出[0076]步骤S27,将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参[0094]步骤S31,获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化数据。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024,每个类别取标签的目标域测试集DT。归一化处理后的数据作为基于残差联合自适应网络的无监督模[0096]步骤S32,重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁步骤一、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器步骤二、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴