基于多源域锚适配器集成迁移的旋转机械故障诊断方法

摘要

本发明公开了一种基于多源域锚适配器集成迁移的旋转机械故障诊断方法，旨在提高模型的分类精度和泛化能力，实现步骤为：获取源域训练样本和目标域样本；从源域每类样本中随机选择锚点进行相似度计算，建立多个锚适配器矩阵；构建深度域适应网络；利用多个适配器矩阵进行网络训练获得多个分类器。本发明以置信度和准确率为评价指标对每个分类器的综合性能进行评价，通过综合性能指标排序选择性能较优的分类器进行集成，获得故障诊断的预测结果，实现变工况下旋转机械的智能诊断。

说明书

技术领域

本发明属于机械技术领域，更进一步涉及旋转机械技术领域中的一种基于多源域锚适配器集成迁移的旋转机械故障诊断方法。本发明可用于对旋转机械故障进行自动诊断。

背景技术

轴承是重大旋转机械中使用最广泛的组件，直接影响旋转机械的健康状态。因此，自动、准确地诊断旋转机械的故障状态在装备维护管理方面尤为重要。随着机器学习和深度学习的快速发展，现代旋转机械设备的故障诊断方法得到蓬勃发展，以支持向量机、人工神经网络、决策树、随机森林等为代表的机器学习方法在故障诊断领域展开应用研究。由于机器学习方法需要大量的有标签数据，进行监督学习故障特征。而真实的工业环境中常常面临无标签信息的工业数据，机器学习方法无法满足这种需求，因此以深度置信网络，深度自编码器、卷积神经网络等深层特征学习的深度学习技术在故障诊断领域迅速得到广泛应用。但是，这些方法都只适用于同一工况下，并且需要大量有标签样本数据作为支撑，针对变工况和未知工况下的故障诊断，其模型精度低，而且泛化能力差，难以用于实际复杂工况下的故障诊断。

针对变工况下故障诊断问题，学者借助迁移学习的思想提出了基于最大均值差异、对比散度的迁移学习故障诊断模型解决了变工况样本数据不足或无标签数据下的故障诊断问题。主要思想是利用源域和目标域工况的样本数据进行特征提取器的训练，引入最大均值差异或对比散度差异的分布差异评价函数提取不同工况下的判别特征，然后再利用有标签的源域样本数据进行softmax分类器的训练，获得性能较好的故障诊断模型，提升模型在目标域工况下的诊断性能。

钱伟伟等人在其发表的论文“A New Transfer Learning Method and itsApplication on Rotating Machine Fault Diagnosis Under Variant WorkingConditions”(IEEE Access，2018，69907-69917；doi:10.1109/ACCESS.2018.2880770)中提出一种基于高阶KL散度的迁移学习用于变工况下滚动轴承故障的诊断方法。该方法的步骤是：首先，采集不同工况滚动轴承的振动数据；其次，将其中一种工况下的数据作为源域，其他工况数据的目标域，利用稀疏滤波和高阶KL散度进行源域和目标域判别特征的学习；最后，利用有标签的源域数据进行Softmax分类器的训练，实现其在目标域上有良好的故障诊断能力。该方法虽然在不同工况的判别特征提取方面，采用系数滤波和高阶KL散度的方法，但是，该方法仍然存在的不足之处是，未从多个不同工况的数据作为源域出发，没有考虑到不同源域工况数据分布的个性导致单源域迁移学习出现域不匹配的现象，影响模型的故障分类精度，导致不同迁移学习任务中的泛化能力差。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供了基于多源域锚适配器集成迁移的旋转机械故障诊断方法，用于解决旋转机械的故障诊断精度不高的问题。

实现本发明目的的技术思路是，首先，采集旋转机械振动加速度时域信号，获取源域和目标域训练样本集和测试样本集；然后，从多个源域中每类样本中选择1个样本作为锚点，共K个锚点，计算每个锚点与多源域数据和目标域数据的相似度，并基于相似度生成新的源域和目标域适配器数据，并构建基于锚适配器的源域-目标域数据对；其次，对每一个数据对采用基于深度神经网络模型的故障诊断迁移学习方法进行模型训练，得到K个分类器，并利用生成的新目标域数据进行故障分类预测，得到K个预测结果；最后，利用集成选择策略指标对K个分类器的预测结果进行评价，通过选择策略指标排序选择前L个指标值对应的锚点进行适配器集成，即与之对应的分类器进行集成，完成故障诊断模型的构建，再利用分类器对目标域数据进行测试，获得最终故障诊断结果。

为了实现上述目的，本发明采用的技术方案包括如下步骤：

(1)生成源域样本集：

将数据库中选取的两种不同工况下每种至少2000个振动时域信号组成源域样本集S1和源域样本集S2；每个源域样本集包含至少12个故障类别的数据集合；

(2)生成训练样本集和测试样本集：

将通过数据采集系统实时采集的待诊断工况下旋转机械的至少2000个振动时域信号组成目标域样本集，目标域样本集按照3∶1的比例分为目标域训练样本集和目标域测试样本集；

(3)构建锚适配器矩阵：

(3a)从源域样本集S1和源域样本集S2的每一类样本中随机选择一个样本作为锚点，生成一个由K＝2×12个锚点组成的锚集合，其中，K表示锚集合中锚点的总数，锚集合中的一半锚点来自于源域样本集S1，另一半锚点来自于源域样本集S2；

(3b)利用相似度计算公式，计算锚集合中每一个锚点与源域样本集S1中每个样本的相似度；

(3c)利用与步骤(3b)相同的方法，分别计算锚集合中每一个锚点与源域样本集S2和目标域训练样本集中每个样本的相似度；

(3d)按照下式，分别计算两个源域样本集、目标域训练样本集的锚适配器矩阵：

其中，

(4)构建深度域适应网络：

搭建一个4层的深度域适应网络，其结构依次为：输入层→隐藏层→特征输出层→分类层；

设置每层参数如下：将输入层、隐藏层、特征输出层的神经元个数分别设置为200、100、50，输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数，分类层由12个分类器组成，分类器的激活函数为Softmax函数，设置深度域适应网络的学习率为0.02，最大均值惩罚项系数为2；

(5)训练深度域适应网络：

(5a)令k＝1；

(5b)将第k个锚点对应的锚适配矩阵

(5c)将目标域训练样本集输入到深度域适应网络中，通过第k个锚点对应的分类器输出预测结果；

(5d)判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤(6)，否则，将k加1后执行步骤(5b)；

(6)对每个分类器的性能进行评价：

分别计算每个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；对所有综合性能评价指标由大到小进行排序；

(7)分类器的集成：

(7a)选取所有综合性能评价指标排序中前L个值对应的分类器，L≤K，计算每个分类器的权重；

(7b)利用分类器集成计算公式，对前L个值对应的分类器采用加权的方式进行分类器集成，获得分类器集成的故障诊断模型；

(8)对旋转机械故障进行诊断：

(8a)将目标域测试样本集分别输入到L个值对应的分类器中，输出每个故障类别的预测结果；

(8b)每个故障类别的预测结果通过分类器集成的故障诊断模型，得到每个分类器集成后的预测结果；

(8c)从集成后的预测结果中选取最大值，将该最大值对应的类别作为旋转机械故障诊断的类别，输出预测标签。

本发明与现有技术相比，具有如下优点：

第一，本发明在构建锚适配器矩阵时，从多个源域的每类样本随机选择1个样本构建锚点集，并基于相似度计算构建多个锚适配器矩阵，集成多源域数据信息，利用深度域适应网络模型提取域不变特征，获得多个基于锚适配器的分类器，避免了现有技术采用单源域迁移学习进行故障诊断存在的泛化能力差的缺陷，使得本发明提高了迁移学习进行故障诊断的泛化能力。

第二，本发明在分类器的集成时，采用置信度和准确率的乘积作为分类器的综合性能评价指标，筛选出分类精度较高且置信度较高的分类器进行集成，避免了现有技术存在故障诊断准确性不高、分类精度不高的问题，使得本发明有效地提高了在不同工况下故障诊断的准确性，并且提高了故障诊断的分类精度。

附图说明

图1为本发明的实现流程图；

图2为本发明滚动轴承12种不同故障类型的振动时域信号波形示意图；

图3为本发明筛选的特征子集示意图；

图4为本发明实施的滚动轴承智能故障诊断结果示意图；

图5为本发明方法与其他方法滚动轴承智能故障诊断结果对比图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明的步骤作进一步的详细描述。

步骤1，生成源域样本集。

将数据库中选取的两种不同工况下每种至少2000个振动时域信号组成源域样本集S1和源域样本集S2；每个源域样本集包含至少12个故障类别的数据集合。

步骤2，生成训练样本集和测试样本集。

将通过数据采集系统实时采集的待诊断工况下滚动轴承的至少2000个振动时域信号组成目标域样本集，目标域样本集按照3∶1的比例分为目标域训练样本集和目标域测试样本集。

步骤3，构建锚适配器矩阵。

第一步，从源域样本集S1和源域样本集S2的每一类样本中随机选择一个样本作为锚点，生成一个由K＝2×12个锚点组成的锚集合，其中，K表示锚集合中锚点的总数，锚集合中的一半锚点来自于源域样本集S1，另一半锚点来自于源域样本集S2。

第二步，利用相似度计算公式，计算锚集合中每一个锚点与源域样本集S1中每个样本的相似度。

所述的相似度计算公式如下：

其中，cos(·)表示余弦操作，x

第三步，利用与第二步相同的方法，分别计算锚集合中每一个锚点与源域样本集S2和目标域训练样本集中每个样本的相似度。

第四步，按照下式，分别计算两个源域样本集、目标域训练样本集的锚适配器矩阵：

其中，

步骤4，构建深度域适应网络。

搭建一个4层的深度域适应网络，其结构依次为：输入层→隐藏层→特征输出层→分类层。

设置每层参数如下：将输入层、隐藏层、特征输出层的神经元个数分别设置为200、100、50，输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数，分类层由12个分类器组成，分类器的激活函数为Softmax函数，设置深度域适应网络的学习率为0.02，最大均值惩罚项系数为2。

步骤5，训练深度域适应网络。

第一步，令k＝1。

第二步，将第k个锚点对应的锚适配矩阵

所述的最小化损失函数的表达式如下：

其中，J

第三步，将目标域训练样本集输入到深度域适应网络中，通过第k个锚点对应的分类器输出预测结果。

第四步，判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤6，否则，将k加1后执行第二步。

步骤6，对每个分类器的性能进行评价。

分别计算每个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；对所有综合性能评价指标由大到小进行排序。

所述的计算每个分类器预测结果的置信度是由下式得到的：

其中，

所述的计算每个分类器预测结果的准确率是由下式得到的：

其中，

步骤7，分类器的集成。

选取所有综合性能评价指标排序中前L个值对应的分类器，L≤K，计算每个分类器的权重。

所述的计算每个分类器的权重由下式得到的：

其中，

利用分类器集成计算公式，对前L个值对应的分类器采用加权的方式进行分类器集成，获得分类器集成的故障诊断模型。

所述的计算分类器集成的预测结果由下式得到的：

其中，

步骤8，对滚动轴承故障进行诊断。

将目标域测试样本集分别输入到L个值对应的分类器中，输出每个故障类别的预测结果。

每个故障类别的预测结果通过分类器集成的故障诊断模型，得到每个分类器集成后的预测结果。

从集成后的预测结果中选取最大值，将该最大值对应的类别作为滚动轴承故障诊断的类别，输出预测标签。

下面结合实施例对本发明做进一步的描述。

步骤1,获取源域样本集和目标域样本集。

本发明的实施例是通过数据采集系统采集四种不同工况(1797rpm，1772rpm，1750rpm，1730rpm)的轴承故障数据集(标记为Hp0,Hp1,Hp2,Hp3)下滚动轴承共计12种故障类型的振动时域信号数据，并通过傅里叶变换转化为振动频域信号数据，每种故障类型有300个振动频域信号样本，每种工况下有3600个振动频域信号样本，分别将工况Hp0、Hp1下的振动频域信号样本作为源域样本集S1和源域样本集S2，将Hp2下的振动频域信号样本作为目标域样本集，具体如下：

本实施例使用的振动时域信号均来自轴承加速寿命试验台PRONOSTIA采集的轴承振动时域信号。该平台由三部分组成：驱动模块，负载模块和数采模块。该试验装置的主要功能是提供不同故障类型的信号，实验装置的主要部件包括一台驱动电机、一个扭矩传感器和一台测功机，驱动电机功率1.2Kw，最大转速为6000r/min。轴承型号为6205-2RS JEMSKF，加速度传感器(DYTRAN 3035B)安装在驱动端附近，采样频率为12kHz。工况条件为：转速1800rpm，载荷4000N。试验轴承主要包括正常状态、滚子缺陷(BD)、外圈缺陷(OR)和内圈缺陷(IR)四种故障状态。使用电火花加工将单点故障引入试验轴承，故障直径包括0.007、0.014、0.021和0.028英寸，共四种尺寸类型，获得了包括不同的故障状态、不同故障直径尺寸和不同故障方位的共计12种故障类型的滚动轴承振动时域信号，其波形如图2所示。对于每种故障类型，从原始振动时域信号中生成300个样本，数据点为400个，并通过傅里叶变换获得振动频域信号样本。为了避免样本之间的连续性，提高模型的鲁棒性，从振动频域信号样本中随机选择225个样本作为训练样本，其余75个样本作为测试样本，如表1所示。

表1

参照图2滚动轴承的12种故障对应的振动时域信号波形，对本发明实施例滚动轴承12种不同故障类型的振动时域信号波形做进一步的描述，其中图2中的纵坐标表示振动信号的幅值，横坐标表示时间，图2(a)表示滚动轴承的故障类型为正常，图2(b)表示滚动轴承的故障类型为滚子故障，故障直径为0.007英寸，图2(c)表示滚动轴承的故障类型为滚子故障，故障直径为0.014英寸，图2(d)表示滚动轴承的故障类型为滚子故障，故障直径为0.021英寸，图2(e)表示滚动轴承的故障类型为内圈故障，故障直径为0.007英寸，图2(f)表示滚动轴承的故障类型为内圈故障，故障直径为0.014英寸，图2(g)表示滚动轴承的故障类型为内圈故障，故障直径为0.021英寸，图2(h)表示滚动轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为垂直3点钟方向，图2(i)表示滚动轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为水平6点钟方向，图2(j)表示滚动轴承的故障类型为外圈故障，故障直径为0.014英寸，故障方位为水平6点钟方向，图2(k)表示滚动轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为垂直3点钟方向，图2(l)表示滚动轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为水平6点钟方向。

对于每种故障类型，从原始振动时域信号中生成300个样本，数据点为400个，并通过傅里叶变换获得振动频域信号样本。

步骤2,构建K＝24个锚适配器矩阵。

锚适配器矩阵的构建过程如图3所示，将Hp0和Hp1同时作为源域样本集S1和源域样本集S2，从源域样本集S1和源域样本集S2中的每一类样本中随机选择一个样本作为锚点，共获得24个锚点作为锚点集，其中12个锚点来自于源域样本集S1，剩余12个锚点来自于源域样本集S2。

按照下式，计算每一个锚点与源域样本集S1、源域样本集S2和目标域样本集中每一个样本的相似度；

其中，cos(·)表示余弦操作，x

按照下式，通过余弦相似度来计算适应源域样本集和目标域样本集的锚适配器矩阵；

其中，

步骤3,构建深度域适应网络模型。

设定深度域适应网络模型的超参数，包括：网络层数、每层网络神经元节点数、学习率和最大均值惩罚项系数，如表2所示：

表2

步骤4,利用锚适配器矩阵

第一步，确定网络的训练次数Epoch＝250；

第二步,令k＝1；

第三步,将第k个锚点对应的锚适配矩阵

其中，J

第四步,将目标域训练样本集输入到深度域适应网络中，得到第k个锚点对应的分类器的预测结果G

第五步,判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤5，否则，将k加1后执行第三步；

步骤5,对每个分类器的性能进行评价。

计算24个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；

按照下式，计算24个分类器在目标域训练样本上的置信度，

其中，

按照下式，计算24个分类器在目标域训练样本上的准确率，

其中，

按照下式，计算24个分类器在目标域训练样本上的综合性能评价指标

其中，

对24个分类的综合性能评价指标进行由大到小的排序，选取其中前8个较大值对应的分类器，用于分类器集成。

步骤6,锚适配器对应分类器的器集成。

按照下式，计算选择的8个分类器的权重向量w

其中，

按照下式，采用加权的方式进行8个分类器的集成，获得分类器集成的故障诊断模型；

其中，

步骤7,获取滚动轴承故障诊断结果。

将目标域测试样本输入到获得的8个分类器中，获得8个故障诊断的预测结果

8个故障诊断的预测结果通过分类器集成的故障诊断模型，获得集成的预测结果

从

下面结合仿真实验对本发明的效果做进一步的说明：

1.仿真实验条件：

本发明的仿真实验的硬件平台为：中央处理器为Intel(R)Core(TM)i5-7500CPU,主频为3.40GHZ，内存16G。

本发明的仿真实验的软件平台为：WINDOWS 7操作系统和Python 3.7。

2.仿真内容及其结果分析：

本发明的仿真实验是分别采用本发明的方法和5个现有技术(基于锚适配器集成的单源域迁移学习方法，基于TCA的迁移学习方法，基于JDA的迁移学习方法，基于BDA的迁移学习方法，基于CORAL的迁移学习方法)对表1中所列的12类不同迁移任务进行分类，进行结果对比。

在仿真实验中，采用的5个现有技术是指：

现有技术基于锚适配器集成的单源域迁移学习方法是指，Fuzhen Zhuang等人在“Ensemble of Anchor Adapters for Transfer Learning，CIKM，October 2016，2335-2340”中提出的迁移学习方法，简称基于锚适配器集成的单源域迁移学习方法。

现有技术基于TCA的迁移学习方法是指，Sinno Jialin Pan等人在“DomainAdaptation via Transfer Component Analysis，IEEE Trans，vol.22，no.2，February2011”中提出的迁移学习方法，简称基于TCA的迁移学习方法。

现有技术基于JDA的迁移学习方法是指，Mingsheng Long等人在“TransferFeature Learning with Joint Distribution Adaptation，IEEE InternationalConference on Computer Vision(ICCV)，2013，pp.2200-2207”中提出的迁移学习方法，简称基于JDA的迁移学习方法。

现有技术基于BDA的迁移学习方法是指，Jindong Wang等人在“BalancedDistribution Adaptation for Transfer Learning，IEEE International Conferenceon Data Mining(ICDM)，18-21Nov.2017”中提出的迁移学习方法，简称基于BDA的迁移学习方法。

现有技术基于CORAL的迁移学习方法是指，Baochen Sun等人在“Deep CORAL:Correlation Alignment for Deep Domain Adaptation，ECCV 2016:Computer Vision-ECCV 2016Workshops，pp 443-450”中提出的迁移学习方法，简称基于CORAL的迁移学习方法。

表3

采用分类准确率Acc分别对本发明的五种不同方法分类结果的诊断精度进行评测，Acc的表达式为：

式中，

分别采用以下两组对比方式来将本发明方法的故障诊断结果和5种现有技术的故障诊断结果进行对比，验证本发明的性能，具体的对比方式为：

第一组，将本发明与基于锚适配器集成的单源域迁移学习方法进行比较，进行12类不同迁移任务故障诊断结果的对比，对比结果见表3。

根据表3可以看出，两种工况共同进行迁移学习任务的分类准确率基本在99％左右，明显高于其中任意单一源域工况迁移到目标域工况的任务，其中，多工况迁移学习的分类精度相比于其中任意一种单一工况的迁移学习最高可提升8.78％。

第二组，分别采用表4所示的4种迁移学习方法，对4种迁移学习方法进行仿真实验，将本发明与4种迁移学习方法进行12类不同迁移任务故障诊断结果的对比，对比结果如图5所示：

表4

图5中，横坐标表示不同的分类任务，纵坐标表示对不同方法进行仿真实验得到的预测结果的准确率，以星号标示的曲线表示的是采用TCA的迁移学习方法，菱形标示的曲线表示的是采用JDA的迁移学习方法，三角形标示的曲线表示的是采用BDA的迁移学习方法，圆形标示的曲线表示的是采用CORAL的迁移学习方法，正方形标示的曲线表示的是本文采用的迁移学习方法。从图5可以看出，本发明中提出的方法分类诊断精度相比于于其他四种方法，在不同的迁移学习任务上准确率波动较小，具有良好的鲁棒性，而且其分类诊断精度有显著提高。

综上所述，本发明能够筛选出集成多源域的不同数据分布信息，筛选出综合性能较好的分类器，并克服单源域迁移学习由于源域个性差异而造成的分类精度不高和泛化能力差的不足，提高了滚动轴承智能故障诊断的精度。