一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法

摘要

本发明公开了一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法，包括有以下步骤：确定轴承的几何参数；基于轴承的几何参数来构建故障轴承有限元模型；构建生成式对抗网络，并利用生成式对抗网络生成多个高质量合成仿真样本，进一步配合故障轴承有限元模型生成的仿真故障样本来共同构成完备源域故障样本；构建深度卷积联合分布自适应对抗网络；训练并测试深度卷积联合分布自适应对抗网络。本发明具有以下优点和效果：本发明采用构建故障轴承有限元模型得到机械系统缺失故障样本并利用生成式对抗网络进一步提高仿真样本的质量，进而获得完备源域故障样本；并且采用深度卷积联合分布自适应对抗网络，实现有效跨设备故障诊断。

说明书

技术领域

本发明涉及机械设备故障诊断领域，特别涉及一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法。

背景技术

随着科学技术的不断发展，现代机械设备的自动化与智能化水平日益提高，其内部结构也日益复杂。为了保障机械设备高精度与高可靠性运行，机械系统健康管理正在成为一个蓬勃发展的方向。滚动轴承作为轴的支撑部件，是机械设备中的关键部件，其能否正常运转是确保机械设备平稳运行的关键因素。滚动轴承同时也是最容易损坏的元件之一，据统计，轴承故障占旋转机械设备故障的百分之四十之多。如今，智能故障诊断技术已被广泛应用，然而，智能诊断模型的成功总是离不开足够的可用数据，这意味着从机械设备收集的振动数据应该包含足够的典型故障特征和相应的标签信息。不幸的是，在数据获取方面，由于某些关键部位难以直接布置传感器，使得无法获取大量的待诊断设备在特定工况下各种类型的故障样本，这导致了原始故障样本的缺乏。进一步地，训练和测试样本由于一些客观因素，如可变工况、带噪声的非平稳信号、动态故障演化等，一般达不到相同的数据分布，这就导致了智能诊断模型的泛化能力差。因此，解决原始故障样本缺失问题、使智能故障诊断技术由理论研究走上实际工程应用，轴承的故障诊断方法研究具有十分重要的意义。

跨工况和跨设备是故障诊断算法由理论研究走上实际工程应用的关键问题。为了克服传统机器学习的局限性，迁移学习被广泛用于故障诊断，其不需要假设训练样本和测试样本的分布相同。迁移学习的主要优点是可以通过学习算法映射将源域特有的一些特征转换到目标域，以满足机器学习模型使用不同训练样本对故障进行分类和进一步预测的需求。因此，迁移学习可以避免传统机器学习中对获取的数据进行重新标注所带来的人力物力成本。然而，原始故障样本的缺乏仍然是一个有待解决的问题。随着计算数学，现代力学特别是计算机技术的发展，有限元模拟作为最常用的数值模拟技术，被广泛应用于工程结构的设计与分析中。通过使用有限元模拟，可以用较少的实验成本获得大量的模拟信号，特别是那些难以通过实际实验获得的信号，获取的仿真结果具有重要的参考价值。然而，有限元模型通常基于高度理想化的工程设计，并且模拟结果是无噪声的，这导致了仿真信号和实际信号之间会存在一定差异，通过生成式对抗网络可极大弥补数据波动性的影响。因此，结合有限元仿真技术和生成式对抗网络来生成故障样本，以此来解决原始故障样本缺乏的问题，最后应用深度卷积联合分布自适应对抗网络，缩减不同领域样本间的域偏移，实现利用从实验室环境中获得的诊断经验和知识来帮助解决工程任务的目标。

发明内容

本发明的目的是提供一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法，以解决背景技术中所存在的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法，包括有以下步骤：

确定轴承的几何参数；

基于轴承的几何参数来构建故障轴承有限元模型；

构建生成式对抗网络，并利用生成式对抗网络生成多个高质量合成仿真样本，进一步配合故障轴承有限元模型生成的仿真故障样本来共同构成完备源域故障样本；

构建深度卷积联合分布自适应对抗网络；

训练并测试深度卷积联合分布自适应对抗网络。

进一步设置是，构建生成式对抗网络包括有以下步骤：

S11、生成式对抗网络包括一个生成器和一个判别器，两者通过对抗博弈训练来优化网络参数，总损失函数如下：

在式(1)中，D表示判别器，G表示生成器，P

S12、生成器的参数将会通过生成器损失函数进行不断优化，直到可以生成以假乱真的样本，生成器的损失函数如下：

在式(2)中，D表示判别器，G表示生成器，θ

S13、判别器参数将会通过判别器损失函数进行不断优化，不断强化其对样本的鉴别能力，判别器的损失函数如下：

在式(3)中，D表示判别器，G表示生成器，i表示判别器的输入，θ

进一步设置是，构建深度卷积联合分布自适应对抗网络包括有以下步骤：

源域样本与目标域样本被送入域适配器中学习它们中的域不变特征，输出结果被分别输入分类器与域判别器中；对于源域样本输入，分类器会输出每个样本对应的标签；对于各目标域样本，分类器会输出每个样本对应的伪标签；对于所有输入的样本域判别器会判别其是否属于源域数据。

进一步设置是，在构建深度卷积联合分布自适应对抗网络的过程中，各个模块损失函数为：

S21、最小化健康状况分类器对源域数据的分类损失，损失函数如下：

在式(4)中，k表示类别数，y

S22、将标记的源域数据与未标记的目标域样本一同导入域自适应中，并对其输出进行域判别，通过与判别损失优化域适应网络，域判别损失函数为：

在式(5)中，A表示特征提取器，B表示域判别器，X

S23、采用最大均值差异度量标准，计算源域样本均值与目标域样本均值间的距离，其表达式为：

在式(6)中，n

S24、计算每个源域样本条件分布与目标域样本条件分布间的差异，其表达式为：

在式(7)中，c为源域样本和目标域样本的类别，c∈{1，…，C}，X

通过联合不同域数据的边缘分布与条件分布，将源域与目标域数据分布差异最小化。

进一步设置是，训练并测试深度卷积联合分布自适应对抗网络包括有以下步骤：

将标记的源域数据与未标记的目标域样本一同导入模型中，根据在构建深度卷积联合分布自适应对抗网络步骤中的损失函数，用随机梯度下降算法对该网络进行训练；

当训练过程完成时，若学习到的特征是域不变特征，则健康状况分类器能够在目标域中正确地分类未标记的样本；在测试过程中，输入是来自目标域的未标记数据，该网络首先从这些数据中学习域不变特征，然后，健康状况分类器根据学习的域不变特征预测健康状况。

本发明的有益效果在于：

本发明采用故障轴承有限元模型得到机械系统缺失故障样本并利用生成式对抗网络进一步提高仿真样本的质量，进而获得完备源域故障样本；并且采用深度卷积联合分布自适应对抗网络，实现有效跨设备故障诊断。

本发明在滚动轴承故障诊断中具有良好的效果。

附图说明

图1为本发明提出的一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法流程图；

图2为本发明所建立的轴承几何尺寸图；

图3为本发明所建立的故障轴承有限元模型；

图4为本发明的方法所得到的特征可视化效果图；

图5为本发明与现有方法的诊断结果对比示意图。

具体实施方式

本发明的核心是提供一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法，先利用有限元方法构建轴承的初始数值模拟模型，采用余弦相似度对模型进行修正。然后，定义故障类型，构造带故障的轴承有限元模型，仿真计算得到仿真故障样本。其次，为提高故障样本质量，利用生成式对抗网络生成大量高质量合成仿真样本，与仿真样本共同构成完备源域故障样本。最后，采用深度卷积联合分布自适应对抗网络，缩减不同领域样本间的域偏移，学习跨域故障诊断的类别判别和域不变特征信息，实现对滚动轴承有效故障诊断，该轴承故障诊断方法可实现跨设备轴承智能故障诊断。

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施案例对本发明作进一步的详细说明。

如图4所示是采用本发明的方法所得到的特征可视化效果图。在本实施例中，源域数据为本发明通过有限元仿真模型与生成式对抗网络得到的完备源域故障样本，目标域数据为实际滚动轴承试验台实测数据。源域数据集与目标域数据集均包括滚动轴承的正常状态、内圈故障、外圈故障和滚动体故障。其中，源域数据集有标签，目标域数据集无标签。在训练过程中，训练数据集包括来自源域数据的所有标记数据样本和来自目标域的一半未标记数据样本，而来自目标域的另一半数据样本用于测试。通过特征可视化效果图可知，经过迁移学习网络处理后，来自源域和目标域的特征分布变得十分接近，这证实了本发明所提的方法可减少域分布差异，同时诊断结果准确率可达97％，实现了有效跨设备故障诊断。

如附图1所示，一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法，包括有以下步骤：

确定轴承的几何参数；

基于轴承的几何参数来构建故障轴承有限元模型；

构建生成式对抗网络，并利用生成式对抗网络生成多个高质量合成仿真样本，进一步配合故障轴承有限元模型生成的仿真故障样本来共同构成完备源域故障样本；

构建深度卷积联合分布自适应对抗网络；

训练并测试深度卷积联合分布自适应对抗网络。

具体的，构建故障轴承有限元模型与仿真故障样本包括有以下步骤：

建立及修正数值模拟模型。利用有限元分析(Finite element analysis,FEA)软件构建轴承的初始数值模拟模型，采用余弦相似度度量仿真信号与实测信号间的相似度，更新数值模拟模型参数，迭代求解，直至达到预设阈值要求，完成正常的有限元模型的修正。

预定义轴承缺失故障类型，基于修正的正常有限元模型，将不同的故障模式添加至其中，获得故障轴承有限元模型，并进行动力学仿真，得到相应的仿真振动信号。

将每个仿真振动信号数据做相应的预处理，构建仿真故障样本。

其中，确定轴承的几何参数；可参考凯斯西储大学轴承实验平台的信息，选择轴承型号为KF6205，确定轴承的几何尺寸参数，如图2所示。

其中，基于轴承的几何参数来构建故障轴承有限元模型；可采用SOLID164实体单元对三维体进行网格划分，所有部件的材料设置为线性弹性材料，材料密度为7860kg/m3，弹性模量为2.06，泊松比为0.3。根据故障轴承的实际工况，限制轴承座外表面节点的所有自由度，并采用余弦相似度对模型进行修正。故障轴承有限元模型如图3所示。

其中，构建生成式对抗网络包括有以下步骤：

S11、生成式对抗网络包括一个生成器和一个判别器，两者通过对抗博弈训练来优化网络参数，总损失函数如下：

在式(1)中，D表示判别器，G表示生成器，P

S12、生成器的参数将会通过生成器损失函数进行不断优化，直到可以生成以假乱真的样本，生成器的损失函数如下：

在式(2)中，D表示判别器，G表示生成器，z表示生成器的输入，θ

S13、判别器参数将会通过判别器损失函数进行不断优化，不断强化其对样本的鉴别能力，判别器的损失函数如下：

在式(3)中，D表示判别器，G表示生成器，i表示判别器的输入，θ

接着，利用数据采集设备(传感器和采集仪器)对实际滚动轴承试验台进行故障样本采集，得到实测故障样本，作为无标签目标域样本。源域数据集与目标域数据集均包括滚动轴承的正常状态、内圈故障、外圈故障和滚动体故障。其中，源域数据集有标签，目标域数据集无标签。

其中，构建深度卷积联合分布自适应对抗网络；采用深度卷积联合分布自适应对抗网络对源域故障样本和目标域故障样本进行域适应处理，减少不同域间的分布偏移。

该网络由两个模块组成：条件识别和域自适应。条件识别通过一维卷积神经网络实现，一维卷积神经网络包括一个特征提取器和一个健康状况分类器。域自适应由域判别器和分布差异度量完成。域自适应模块连接到特征提取器，以帮助一维卷积神经网络学习域不变特征。

具体过程为：源域样本与目标域样本被送入域适配器中学习它们中的域不变特征，输出结果被分别输入分类器与域判别器中；对于源域样本输入，分类器会输出每个样本对应的标签；对于各目标域样本，分类器会输出每个样本对应的伪标签；对于所有输入的样本域判别器会判别其是否属于源域数据。

其中，训练过程中各个模块损失函数如下：

S21、最小化健康状况分类器对源域数据的分类损失，损失函数如下：

在式(4)中，k表示类别数，y

S22、将标记的源域数据与未标记的目标域样本一同导入域自适应中，并对其输出进行域判别，通过与判别损失优化域适应网络，域判别损失函数为：

在式(5)中，A表示特征提取器，B表示域判别器，X

S23、采用最大均值差异度量标准，计算源域样本均值与目标域样本均值间的距离，其表达式为：

在式(6)中，n

S24、计算每个源域样本条件分布与目标域样本条件分布间的差异，其表达式为：

在式(7)中，c为源域样本和目标域样本的类别，c∈{1，…，C}，X

通过联合不同域数据的边缘分布与条件分布，将源域与目标域数据分布差异最小化。

其中，训练并测试深度卷积联合分布自适应对抗网络包括有以下步骤：

将标记的源域数据与未标记的目标域样本一同导入模型中，根据在构建深度卷积联合分布自适应对抗网络步骤中的损失函数，用随机梯度下降算法对该网络进行训练；

当训练过程完成时，若学习到的特征是域不变特征，则健康状况分类器能够在目标域中正确地分类未标记的样本；在训练过程中，训练数据集包括来自源域数据的所有标记数据样本和来自目标域的一半未标记数据样本，而来自目标域的另一半数据样本用于测试。在测试过程中，输入是来自目标域的未标记数据，该网络首先从这些数据中学习域不变特征，然后，健康状况分类器根据学习的域不变特征预测健康状况。

如图4所示是用本发明的方法所得到的特征可视化效果图。通过特征可视化效果图可知，经过迁移学习网络处理后，来自源域和目标域的特征分布变得十分接近，这证实了本发明所提的方法可减少域分布差异。

为了验证本专利提出方法的有效性，四种经典的迁移学习算法被用于比较，分别为迁移成分分析(Transfer Component Analysis，TCA)，联合分布自适应(JointDistribution Adaptation，JDA)，平衡分布自适应(Balanced Distribution Adaptation，BDA)以及深度自适应网络(Deep Adaptation Network，DAN)。诊断结果如附图5所示，采用TCA、JDA、BDA、DAN方法进行诊断，分类准确率分别为84.08％、85.58％、88.23％、90.46％，而采用本发明所提出方法的分类准确率为97％，这证明本发明所提出的一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法能够实现有效跨设备故障诊断。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。