CN113723491B 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 （哈尔滨理工大学）

一种半监督模型对比迁移的滚动轴承及齿一种半监督模型对比迁移的滚动轴承及齿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深度卷积网络以形比学习框架提升迁移后神经网络模型识别能力活函数为Swish函数；进一步结合少量带标签训2步骤一、获取机械部件A所有状态的振动信号作为源其它机械部件少量带有状态标签的振动信号步骤三、将源域图像数据集输入改进的源域VGG-1t表示从D中选择的一个决策；表示梯度平方二阶动量添加消步骤四、将预训练模型网络参数迁移至目标域VGG-步骤五、将待诊断机械部件未知状态的振动信号经2.根据权利要求1所述的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，3.根据权利要求1所述的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，签的目标域图像数据集进行微调。4.根据权利要求3所述的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，来自同一个图像的两个相关增强图像；经过数据增强之后，连接基础编码器网即目标域量；最后，利用计算投影到向量空间的两个增强图像之间的余弦相似度来计算整体损失，SimCLR使用的对比损失函数为归一化温度-尺度35.根据权利要求4所述的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，6.根据权利要求5所述的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，4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[0004]深度学习模型框架的成功开发往往需要大量历史故障数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够的标签信息建立更有效的深度学习故障诊的故障诊断场景下。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，5样本中含标签样本极少而导致旋转机械部件故障诊断率A的其它机械部件少量带有状态标签的振动信号作为目标6状态标签的目标域图像数据集进行微调。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，利用其确率，且较所对比的模型参数迁移方法提升至少5平均诊断准确率可达96证明本发7举例说明本发明的优选实施例和解释本发明的原理[0031]图2是本发明中源域到目标域的VGG-16卷积神经网络的网络参数迁移过程示意[0044]针对不同部件间发生负迁移现象以及目标域缺少充足带标签样本导致模型泛化SAdam梯度优化算法加快源域VGG-16网络收敛形成预训练模型，预训练模型参数迁移至目[0046]VGG-16是在AlexNet基础上改进的深度卷积神经网络，其专注构建简洁规整的结8of"(i)表示第l+1层神经元对应的值。[0053]经过一系列的卷积和降维进入CNN的输出部分，即对最后一个池化层的输出进行[0056]传统的深度网络训练常采用随机梯度下降算法(SGD)或自适应矩估计算法(Adam)Vt-1+(1-9[0082]利用余弦相似度公式计算整体损失，SimCLR使用的对比损失函数为NT-Xent损失[0090]ReLU激活函数存在有上界无下界整体光滑的特点，且良好的解决了sigmoid和tanh激活函数反向传播时存在的梯度消失问题。Swish[19]与ReLU一样无下界有上界且平[0094]本发明采用Swish函数替换传统SimCLR框架投影头中使用的ReLU激活函数，应对[0097]基于半监督模型对比迁移的旋转机械关键部件的故障诊断过程如图4所示，具体[0099]获取已知某种部件A(滚动轴承或齿轮)的所有状态振动信号作为源域数据。将其[0101]利用源域数据多次迭代训练VGG-16网络形成预训练模型，训练过程中采用SAdam[0107]本发明实施例采用的滚动轴承实验数据集来自美国凯斯西储大学的电气工程实械振动分析及故障诊断试验平台系统的齿轮振动数据，采样频率为5.12kHz，转速为[0117]对源域引用SAdam优化算法前后、进行微调前后、目标域SimCLR框架投影头采用经验，学习率统一设置为0.001。为减小随机初始化待训练参数对所提方法用SAdam优化算法加快梯度收敛速度，与传统优化算法对比的实验结果分别如图6和图7所[0122]在源域引用SAdam优化算法及目标域SimCLR框架投影头采用Swish激活函数的前提下，目标域采用解冻最后三层卷积微调策略，实验结果与迁移参数后目标域直接使用获得较高的分类准确率，后续将采用解冻三层微调的策略测试不同迁移任务的分类准确[0126]在源域使用SAdam优化算法及进行微调冻结的前提下，SimCLR框架中投影头的激[0135]为进一步说明本发明方法在旋转机械部件滚动轴承和齿轮的迁移故障诊断问题发明方法在10种不同迁移任务的实验中，平均准确率可高达96且相对于传统深度学习分类、未加SimCLR框架的VGG-16迁移模型直接分类和其他模型迁移方法准确率提高至少[0140][3]LiXudong，HuYang，LiMingtao，etal.faultdiagnosticsbetweendifferenttypeofcomponents:atransferlearningapproach[J].IEEEAccess，[0144][7]JiaoJinyang，ZhaoMing，LinJing，etal.Deepcoupleddenseconvolutionalnetworkwithcomplementarydataforintelligentfaultdiagnosis[0146][9]PangShan，YangXinyi，ZhangXiaofeng，etal.Faultdiagnosisofrotatingmachinerywithensemblekernelextremelearningmachinebasedon[0147][10]PanSJ，YangQiang.Asurveyontransferlearning[J].IEEE[0149][12]YanRuqiang，ShenFei，SunChuang，etal.Knowledgetransferforapproachbasedontransferlearningfromlaboratorybearingstolocomotiveforbearingfaultdiagnosisbasedontime-frequencyimage[J].IEEEAccess，forstronglyconvexfunctions[C].ICLR2020.[0155][18]ChenTing，KornblithS，NorouziM，etal.Asimpleframeworkforcontrastivelearningofvisualrepresentations[C].ICML2020.[J].arXivpreprintarXiv:1710.05941,2[0157][20]LOPARO,KA.Bearingdatacenter[M/OL].Cleveland：CaseWesternReserveUniversity,2013./bearingdata