CN115270956B 基于持续学习的跨设备增量轴承故障诊断方法 （苏州大学）

基于持续学习的跨设备增量轴承故障诊断本发明涉及一种基于持续学习的跨设备增个设备的轴承故障诊断任务数据共同训练诊断上一阶段的诊断模型在上一阶段诊断任务数据2S101:利用加速度传感器采集多个不同设备上的轴承振动信号构建跨设备增量轴承健S102:在初始阶段使用第一个设备的轴承故障诊断任务数据训S103:在增量阶段引入神经元级微调对初始诊断模型进行修改，得到双分支残差自适S104:将典例与下一个设备的轴承故障诊断任务数据共同训练所述诊断模型，使用增量阶段的损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断任务所述利用加速度传感器采集多个不同设备上的轴承振动信号构建跨设备增量轴承健利用加速度传感器采集多个不同设备上的轴承振动信号构建跨设备增量轴承健康状其中Pn是任务Tn的故障数据样本的数量，表示Tn中的第i个样本，⃞e(J,,J,+1,J,+2,…,J+K,-1)表示的健康状态标签，Jn表示在任务Tn之前学习的故在初始阶段利用任务T0的数据训练ResNet-32学习故障类型C0得到初3所述增量阶段的损失函数包括分类交叉熵损失函数、分级知识蒸馏损失函数；所述分类交叉熵损失函数为所和:,分别为蒸馏损失为其中和分别为当前阶段的诊断模型与述使用特征提取器F0通过herding算法选取训练样本作为此阶段学习的故障类型的典例，使用表示故障类型c的训练样本，则c的类平均为其中所述动态分支使用的参数级微调在训练时使用初始诊断模型参数初始化后用训练数所述稳态分支使用神经元级微调在使用初始诊断模型参数初始化后将冻结模型网络4所述余弦标准化分类器通过计算特征与各类学习得到的原型之间的余弦相似度进行为初始阶段全连接分类层参数，h0＝F0(x)为初始阶段提取的特征；在增量阶段通过利用初始阶段存储的典例和下一个设备的轴承故障诊断任务数据训练双分支残差自适应聚合网络，分别赋予每个残差块层的动态残差块和稳态残差块的自适应聚合权重ωα使用赋予了自适应聚合权重的所述双分支残差自适应聚合网络对训练数据x[0]进行特所述上层问题利用对该阶段学习的任务数据Dn随机采样得到构建平衡数据5对标签样本受限(极小样本或无样本)问题或者变工况问题的迁移学习解决方案在机械故6[0007]S101:利用加速度传感器采集多个不同设备上的轴承振动信号构建跨设备增量轴[0009]S103:在增量阶段引入神经元级微调对初始诊断模型进行修改，得到双分支残差[0010]S104:将典例与下一个设备的轴承故障诊断任务数据共同训练所述诊断模型，使用增量阶段的损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断[0013]利用加速度传感器采集多个不同设备上的轴承振动信号构建跨设备增量轴承健⃞e(J,,J,+1,J,+2,…,J+K,-1)表示的健康状态标签，Jn表示在任务Tn之前学习的故[0015]在本发明的一个实施例中，所述使用第一个设备的轴承故障诊断任务数据训练[0016]在初始阶段利用任务T0的数据训练ResNet_32学习故障类型[0017]在完成此阶段模型训练后，使用特征提取器F0通过herding算法选取训练样本作7[0018]在本发明的一个实施例中，所述使用特征提取器F0通过herding算法选取训练样[0021]利用双分支残差自适应聚合网络替换初始阶段诊断模型的单分支ResNet_32，其[0023]所述动态分支使用的参数级微调在训练时使用初始诊断模型参数初始化后用训[0024]所述稳态分支使用神经元级微调在使用初始诊断模型参数初始化后将冻结模型[0026]所述最近邻典例分类器通过计算各类典例的特征均值进行分[0027]所述余弦标准化分类器通过计算特征与各类学习得到的原型之间的余弦相似度8[0029]利用初始阶段存储的典例和下一个设备的轴承故障诊断任务数据训练双分支残;[0030]使用赋予了自适应聚合权重的所述双分支残差自适应聚合网络对训练数据x[0]进其中W0表示初始阶段被冻结的参数，f[n]为第n个残差块层的特征[0031]在本发明的一个实施例中，所述增量阶段的损失函数包括分类交叉熵损失函数、分类级知识蒸馏损失函数和特征级知识蒸馏损失函数；所述分类交叉熵损失函数为和分别为旧模型的软标签和新模型的软预测，T表示温度参数；所述特征级知识蒸馏损失为其中和[0034]所述下层问题通过更新模型参数Θn，[0035]所述上层问题利用对该阶段学习的任务数据Dn随机采样得到构建平衡数据是上层问题学习率。9[0045]步骤S102:在初始阶段使用第一个设备的轴承故障诊断任务数据训练Re[0046]步骤S103:在增量阶段引入神经元级微调对初始诊断模型进行修改，得到双分支[0047]步骤S104:将典例与下一个设备的轴承故障诊断任务数据共同训练所述诊断模⃞e(U,,J,+1,J+2,…,J+K,-I)表示的健康状态标签。[0065]利用双分支残差自适应聚合网络替换原始的ResNet-32，双分支聚合网络结构如[0067]所述最近邻典例分类器通过计算各类典例的特征均值进行分[0068]所述余弦标准化分类器通过计算特征与各类学习得到的原型之间的余弦相似度余弦标准化分类器，即通过计算输入x为类c的预测示l2和稳态残差块提取的特征分别为其中W0来自阶段0的和:,分别为旧模型在旧[0077]所述分类级知识蒸馏损失函数其中和分别为约束为相似以克服灾难性遗忘；[0078]所述特征级知识蒸馏损失为其中i-和分别[0079]所述增量阶段的损失函数为其中随着学习任[0080]所述自适应聚合权重和模型参数的最优化互相制约，即诊断模型Θn参数的更新[0082]所述下层问题通过更新模型参数Θn，[0085]所述增量阶段n(也指增量阶段2)训练得到的诊断模型Θn需能完成所有已学任现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中[0092]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个