基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法

基于icoral-mmd和对抗迁移学习的轴承故障诊断方法
技术领域
1.本发明属于信息技术服务技术领域，尤其涉及一种基于icoral-mmd(improved correlation alignment joint maximum mean discrepancy)和对抗迁移学习的轴承故障诊断方法。


背景技术：

2.旋转机械在大型机械装备中是非常常见的，作为机械设备的关键部件，其故障诊断在现代工业中发挥着重要作用。随着智能制造的发展，可以更快地收集数据，这给行业带来了新的视角和挑战。数据驱动故障诊断作为一种典型的故障诊断，近年来吸引了许多研究。因此，为避免旋转机械发生灾难性故障，寻找更有效的数据驱动故障诊断方法至关重要。
3.机器学习技术已经应用于数据驱动的故障诊断。在传统的机器学习方法中，应预先进行人工特征提取，并且已经证明，这些人工提取特征定义了机器学习方法的上限性能。但是预先设计好人工制作的功能是困难的。近年来，深度学习成为机器学习领域的一个新领域，它可以自动提取原始数据的深度表征特征。利用这一优势，可以避免人工提取特征的影响，在故障诊断方面显示出良好的前景。然而，传统的机器学习方法在一般假设下工作良好：训练数据和测试数据应来自相同的分布。当分布不同时，这些方法的性能会下降，深度方法也存在上述问题。由于设备、环境工况等不同，实验室和实际场景数据分布往往是不同的，这些方法大多不能直接处理场景切换后的故障诊断问题。为了解决这个问题，领域自适应是一种流行的迁移学习方法，它在实验室理想数据集上执行学习任务(称为源域问题)，然后在实际场景相关分布的测试数据集上执行相同的任务(称为目标域问题)。深度迁移学习是使用深度学习执行迁移学习的范例。与浅层结构相比，深度迁移学习在提取从源问题转移到目标问题的高级特征方面提供了更大的灵活性，并且已被证明在各种科学和工程问题中得到了推广。
4.通过上述分析，现有技术存在的问题及缺陷为：现有技术大都在实验室采集的大量有标签数据中训练及测试，无法对实际场景监测数据进行有效训练及诊断；且由于设备、环境工况等不同，实验室和实际场景数据分布往往是不同的，这些方法大多不能直接处理场景切换后的故障诊断问题。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种串联芯片间的数据同步优化方法、系统、设备及终端。
6.本发明是这样实现的，一种基于icoral-mmd和对抗迁移学习的轴承故障诊断方法，首先，对采集到轴承振动数据进行预处理及频域信号转变；其次，搭建基础诊断模型并使用大量有标签数据对模型进行训练；然后，使用上述得到的预训练模型，结合改进coral-mmd自适应(icoral-mmd)和对抗方法，将模型迁移到监测数据上，使能够实现故障诊断。
7.进一步，基于icoral-mmd和对抗迁移学习的轴承故障诊断方法包括：
8.步骤一，采集轴承在a、b工况下的振动信号；
9.步骤二，工况a、b下的信号分别作为源域、目标域样本数据，经预处理后基于快速傅里叶变换将时域信号转为频域信号，按比例划分训练集和测试集；
10.步骤三，建立初始源域1dcnn故障诊断模型，通过源域数据进行训练，得到源域预训练模型；
11.步骤四，将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化，建立初始域判别器，通过特征信号对域判别器进行训练；
12.步骤五，使用icoral-mmd对目标域初始故障诊断模型进行训练，得到域判别器和目标域特征提取器；
13.步骤六，将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型。
14.进一步，所述步骤二包括：
15.将工况a数据作为源域信号包括n种健康状态；
16.将工况b数据作为目标域信号包括n种健康状态；
17.将振动信号进行归一化处理，生成归一化信号；
18.将归一化信号进行傅里叶变换，生成频域信号。
19.进一步，一维时序信号进行归一化处理具体为：
[0020][0021]
式中，xi为第i时刻的归一化信号，为一维时序信号中第i时刻的时序信号，max(x)为一维时序信号中的最大值，min(x)为一维时序信号中的最小值。
[0022]
进一步，将源域样本和目标域样本进行快速傅里叶变换得到频域信号，具体为：
[0023][0024]
其中，振动信号xn经fft变换得到xk，xk的形式为复数。
[0025]
进一步，故障诊断模型以交叉熵作为损失函数为：
[0026][0027]
其中，表示分类器中最后一层的网络输出向量的第j个元素，以第i个源域样本作为输入。表示相应的传动部件状态标签，以及n是相关部件状态的编号。
[0028]
进一步，源域故障诊断模型预训练具体为：
[0029][0030]
其中，θs表示源域故障诊断网络模型涉及参数，δ表示学习率。
[0031]
进一步，域判别模型及其训练具体为：
[0032]
域判别模型采用的是全连接层，以softmax为激活函数输出结果为源域或者目标域，其损失为：
[0033][0034]
其中，和2分别表示域鉴别器中最后一层的输出向量的第一和第二元素，将第i个源域样本作为输入，和是第i个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域，参数随机梯度下降更新如下：
[0035][0036]
其中，θd表示域判别模型涉及参数，δ表示学习率。
[0037]
进一步，对目标域特征提取器网络输出特征分布差异进行衡量，并且最小化差异对目标域特征提取器网络进行更新具体为：
[0038]
在全连接层的fc1和fc2中引入域自适应学习模块，计算源域和目标域fc1和fc2处特征的协方差距离并且使用mmd衡量分布差异，定义为icoral-mmd loss，表示为lg；coral是一种有效且简单的无监督自适应方法，广泛用于测量模型识别中源域和目标域的差异，例如通过探索源域和目标域的二阶统计来对齐它们的输入特征分布；因此，它需要的唯一计算是计算每个域中的协方差统计；mmd直接测量fs和ft之间的分布差异距离，通过减少从不同域学习到的特征之间的分布差异距离实现域自适应；与mmd相比，不同之处在于基于mmd的方法通常对源域和目标域应用相同的转换，其不对称变换更灵活，并且二者结合应用为域适应任务产生更好的性能；
[0039]
计算公式如下：
[0040][0041]
λ1和λ2分别为coral损失和mmd损失的系数，是矩阵的frobenius范数，ns是来自源域的训练样本数，n
t
是来自目标域的训练样本数，fsi是源域经过全连接层fc的输出数据，ftj是目标域经过全连接层fc的输出数据||
·
||h是一个再生核希尔伯特空间。cs和c
t
是源域和目标域的协方差矩阵，计算公式如下：
[0042][0043]
其中1是元素为1的列向量，fs是源域经过全连接层fc的输出数据，f
t
是目标域经过全连接层fc的输出数据，ns和n
t
分别为分别为源域和目标域的样本数，梯度计算如下：
[0044][0045]
特征提取器网络参数进行更新为：
[0046][0047]
其中，θd表示目标域特征提取器所涉及参数，δ表示学习率。
[0048]
进一步，基于icoral-mmd和深度卷积对抗迁移学习网络目标域故障诊断模型采用的总损失函数为：
[0049]
l
t
＝l
g-ld；
[0050]
相关参数：
[0051][0052][0053]
本发明的另一目的在于提供一种应用所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统，基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统包括输入层、至少一层卷积层、至少一层池化层、至少一层全连接层以及输出层；
[0054]
卷积层包括多个3
×
3的卷积核，卷积步长为1，卷积层的激活函数为leakyrelu函数；
[0055]
池化层的池化方式为最大池化，池化步长为2，池化层的窗口大小为2
×
2；
[0056]
全连接层的激活函数为leakyrelu函数，leakyrelu函数为：
[0057][0058]
式中，f(x)为leakyrelu函数；x为上一层的输入向量；
[0059]
分类器全连接输出层的激活函数为softmax函数，softmax函数为：
[0060][0061]
式中，zi为第i个节点的输出值；zj为单个节点的总输出值；n为输出节点的个数；e为自然常数。
[0062]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0063]
第一，该方法通过引入icoral-mmd和深度卷积对抗迁移学习，提高了轴承故障诊断的准确性，并且可以自适应不同工况下的轴承故障诊断，降低了模型训练成本。同时，该方法具有较好的通用性和扩展性，适用于不同类型的轴承故障诊断场景，并且可以实时监
测和诊断轴承故障，有助于及时发现和处理潜在问题，降低设备故障率和维修成本。
[0064]
大多数基于域自适应的诊断方法都是在源域标签集与目标域标签集相同的假设下，只采用对抗网络或者是最大均值差异(mmd)度量等某一域适应方法对源域与目标域进行匹配。在本发明中基于一维卷积神经网络提出了对抗网络与相关对齐度量(coral)、最大均值差异(mmd)联合域适应的方法，以增强模型对旋转机械在不同工况下的故障诊断能力。
[0065]
第二，本发明提供的基于深度卷积域对抗迁移学习的故障诊断方法，在所发明的icoral-mmd-dcat中，利用深度卷积特征提取器进行高层特征提取能够避免icoral-mmd-dcat训练过程中梯度消失、梯度发散等梯度问题，可改善icoral-mmd-dcat的非线性拟合能力；在域判别器中利用梯度反转进行源域与目标域之间进行域对抗训练，通过源域有标签样本和目标域无标签样本的特征分布进行域对抗训练可增强源域有标签样本对目标域的域适应能力，同时还通过icoral-mmd对目标域和源域的深度特征分布进行度量减小其差距,从而学习得到源域与目标域的域不变特征，改进icoral-mmd-dcat的迁移性能；基于最小化icoral-mmd-dcat的域适应总体损失函数的特征迁移和分类可提高迁移后的诊断精度。icoral-mmd-dcat的以上优势使得基于icoral-mmd-dcat的故障诊断方法在轴承当前工况下的目标域有标签样本不存在情况下，可利用源域有标签样本对旋转机械当前待测样本进行高精度故障诊断。
[0066]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0067]
(1)本发明的技术方案转化后的预期收益和商业价值为：
[0068]
在智能交通和建筑机械等各种现代工业领域，巨大的机械设备在高温、极端压力和长期过载等恶劣条件下运行，这增加了故障的可能性。轴承和齿轮箱等关键旋转部件的偏差可能导致机械故障或潜在的灾难性事故，从而强调了设备故障检测和维护的重要性，准确的故障诊断可以提高设备的可预测性和可维护性。基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法及系统作为一种安全可靠的诊断技术，可以有效填补传统同一工况下故障诊断的缺陷。
[0069]
(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0070]
本发明技术方案通过实验室大量有标签数据进行训练缓解了实际数据数量不足的问题，进一步地，提出icoral-mmd联合对抗的迁移方法使有关但分布不同的数据之间实现迁移。
[0071]
(3)本发明的技术方案是否克服了技术偏见：
[0072]
在实际工程应用中，往往仍在使用传统信号处理方法进行诊断，深度学习的可解释性仍然是个待研究的问题，但其在本发明技术方案特征提取及分类中表现出来的优异性能经过实验得到证实。此外，面对实际无标签的监测数据，联合coral和mmd进行迁移学习在不同分布数据的情况中得到了很好的应用。
附图说明
[0073]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的
附图。
[0074]
图1是本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法流程图；
[0075]
图2是本发明实施例提供的工况a、b下信号处理流程图；
[0076]
图3是本发明实施例提供的工况a、b下信号处理结果图；
[0077]
图4是本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统流程图；
[0078]
图5是本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统原理图；
[0079]
图6是本发明实施例提供的域判别器训练流程图；
[0080]
图7是本发明实施例提供的域判别器训练原理图；
[0081]
图8是本发明实施例提供的实验装置实物图；
[0082]
图9是本发明实施例提供的实验结果示意图。
具体实施方式
[0083]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0084]
针对现有技术存在的问题，本发明提供了一种串联芯片间的数据同步优化方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
[0085]
如图1所示，为本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的故障诊断方法的流程示意图，该方法包括：
[0086]
s101、采集轴承在a、b工况下的振动信号；
[0087]
s102、将工况a下的样本作为源域样本，采集b工况下的作为目标域样本，对数据进行预处理及傅里叶变换得到频域信号，按比例划分训练集和测试集；
[0088]
s103、建立初始的基于深度卷积神经网络的故障诊断模型，并且使用源域信号对故障诊断模型进行预训练，其中故障诊断模型包括特征提取器和分类器；
[0089]
s104、将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化，建立初始的域判别器，通过源域以及目标域经特征提取器后得到的信号对域判别器进行训练，同时对目标域特征提取器及域判别器进行参数更新；
[0090]
s105、对特征提取器网络的输出层深度特征使用相关对齐度量coral衡量特征距离以及使用最大均值差异mmd衡量分布差异，并且最小化差异对目标域特征提取器网络参数进行更新；
[0091]
s106、结合源域预训练分类器得到目标域故障诊断模型。
[0092]
本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的故障诊断方法的工作原理如下：
[0093]
1)数据预处理和特征提取
[0094]
首先，采集轴承在a、b工况下的振动信号，并对信号进行预处理，包括去噪、滤波、降采样等操作。然后，对预处理后的信号进行傅里叶变换，得到频域信号。接着，将数据按比
例划分为训练集和测试集，并将工况a下的样本作为源域样本，将工况b下的样本作为目标域样本。
[0095]
2)基于深度卷积神经网络的故障诊断模型建立
[0096]
建立基于深度卷积神经网络的故障诊断模型，包括特征提取器和分类器。特征提取器的作用是提取输入信号的特征，分类器的作用是将特征映射到对应的轴承故障状态类别。使用源域信号对故障诊断模型进行预训练，以提高初始模型的准确性。
[0097]
3)迁移学习模型建立
[0098]
将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化，然后建立域判别器，通过源域以及目标域经特征提取器后得到的信号对域判别器进行训练，同时对目标域特征提取器及域判别器进行参数更新。域判别器的作用是通过对比源域和目标域的特征分布差异，判断当前输入信号属于哪个域。
[0099]
4)相关对齐度量coral和最大均值差异mmd
[0100]
对特征提取器网络的输出层深度特征使用相关对齐度量coral和最大均值差异mmd衡量特征分布差异，并且最小化差异对目标域特征提取器网络参数进行更新。coral和mmd是有效的域自适应算法，前者可以通过衡量源域和目标域的特征协方差矩阵之间的差异来实现特征的对齐，后者通过衡量特征分布差异实现特征自适应。
[0101]
5)故障诊断模型建立和优化
[0102]
结合源域预训练分类器得到目标域故障诊断模型，并通过迭代优化过程，不断更新域判别器和特征提取器的参数，最终得到高准确性的故障诊断模型。该模型可以实时监测和诊断轴承故障，有助于及时发现和处理潜在问题，降低设备故障率和维修成本。
[0103]
综上所述，基于icoral-mmd和深度卷积对抗迁移学习的故障诊断方法通过迁移学习的思想，将源域的知识迁移到目标域，增强了模型的泛化能力和准确性，适用于不同工况下的轴承故障诊断场景，且具有较好的扩展性和实时性。
[0104]
本发明实施例提供的基于icoral-mmd和深度卷积对抗迁移学习的故障诊断方法，通过基于傅里叶变换原理将时域信号转换频域信号，相对于一维时序信号，能让目标故障诊断模型更好的学习到时间维度的信息，从而有利于目标故障诊断模型提取深度特征，进而提高故障诊断结果的可靠性。进一步地，与普通的深度学习方法相比，采用1dcnn原理建立的初始源域特征提取模型对目标域特征提取模型进行初始化。采用icoral-mmd及域判别模型，可以对目标域的特征提取模型进行优化，减少源域和目标域的特征分布差异，目标域特征提取器结合经源域训练好的分类器组成目标域故障诊断模型，可以提高不同工况下的故障诊断精确度。
[0105]
在本发明实施例中，如图2和图3所示，s102包括：
[0106]
s201、工况a、b下的信号分别为源域和目标域样本；
[0107]
具体地：
[0108]
工况a下采集到的作为源域数据，表示为：
[0109][0110]
其中，是源域样本，是相应故障类型标签，ns表示源域样本数量。
[0111]
工况b下采集到的作为目标域数据，表示为：
[0112][0113]
其中，和n
t
分别代表目标域样本、相应的故障类型标签和目标样本数量。
[0114]
由于工况不同，源域ds和目标域d
t
数据分布是不同的。
[0115]
s202、将时域信号进行归一化处理，生成归一化信号；
[0116]
具体地：
[0117][0118]
式中，xi为第i时刻的归一化信号，为一维时序信号中第i时刻的时序信号，max(x)为一维时序信号中的最大值，min(x)为一维时序信号中的最小值。
[0119]
s203、将归一化信号进行傅里叶变换，生成频域信号；
[0120]
具体地：
[0121][0122]
其中，振动信号xn经fft变换得到xk，xk的形式为复数。
[0123]
在本发明实施例中，如图4和图5所示，s103包括：
[0124]
s401、将源域信号按照比例划分为训练集和测试集；
[0125]
s402、通过训练集对初始1dcnn神经网络模型进行训练，获得源域故障诊断模型，具体地：
[0126]
源域故障诊断模型包括特征提取器和分类器，特征提取器采用1d-cnn包括输入层、至少一层卷积层、至少一层池化层、至少一层全连接层以及输出层；分类器采用全连接输出层使用softmax函数，具体为：
[0127]
所述卷积层包括多个3
×
3的卷积核，卷积步长为1，所述卷积层的激活函数为leakyrelu函数为：
[0128][0129]
式中，f(x)为leakyrelu函数；x为上一层的输入向量。
[0130]
所述池化层的池化方式为最大池化，池化步长为2，所述池化层的窗口大小为2
×
2；
[0131]
所述全连接层的激活函数为leakyrelu函数；
[0132]
所述分类器全连接输出层的激活函数为softmax函数：
[0133][0134]
式中，zi为第i个节点的输出值；zj为单个节点的总输出值；n为输出节点的个数；e为自然常数。
[0135]
所述的故障诊断模型以交叉熵作为损失函数为：
[0136][0137]
其中，表示分类器中最后一层的网络输出向量的第j个元素，以第i个源域样本作为输入。表示相应的传动部件状态标签，以及n是相关部件状态的编号。
[0138]
所述的源域故障诊断模型预训练通过最小化损失函数反向传播，随机梯度下降更新特征提取器和分类器中的网络参数：
[0139][0140]
其中，θs表示源域故障诊断网络模型涉及参数，δ表示学习率。
[0141]
s403、通过测试集对源域故障诊断模型进行测试。
[0142]
本发明实施例中，如图6和图7所示，s104和s105包括：
[0143]
s601、将源域故障诊断模型参数复制给目标域故障诊断模型用以初始化，建立初始域判别器；
[0144]
所述域判别模型采用的是全连接层，以softmax为激活函数输出结果为源域或者目标域。其损失为：
[0145][0146]
其中，和分别表示域鉴别器中最后一层的输出向量的第一和第二元素，将第i个源域样本作为输入。和是第i个目标域样本的对应元素。注意，假设第一个输出元素表示源域，第二个表示目标域。参数随机梯度下降更新如下：
[0147][0148]
其中，θd表示域判别模型涉及参数，δ表示学习率。
[0149]
在域判别其中更新参数使损失越小越好，表示其分类效果越好，参数更新方式同为反向传播；但对于特征提取器来说，域判别器分不出差异，即域损失越大越好，因此，在特征提取器中以-ld越小越好进行参数更新。
[0150]
s602、在源域和目标域特征提取器输出层建立icoral-mmd域自适应层；
[0151]
所述的对目标域特征提取器网络输出特征分布差异进行衡量，并且最小化差异对目标域特征提取器网络进行更新具体为：
[0152][0153]
其中λ1和λ2分别为coral损失和mmd损失的系数，是矩阵的frobenius范数，ns是来自源域的训练样本数，n
t
是来自目标域的训练样本数，fsi是源域经过全连接层fc的输出数据，ftj是目标域经过全连接层fc的输出数据||
·
||h是一个再生核希尔伯特空间,表示协方差矩阵，表示中心矩阵in是一个所有元素都为1的n维向量。coral是一种有效且简单的无监督自适应方法，广泛用于测量模型识别中源域和目标域的差异，例如通过探索源域和目标域的二阶统计来对齐它们的输入特征分布。因此，它需要的唯一计算是计算每个域中的协方差统计。
[0154]
在全连接层的fc1和fc2中引入域自适应学习模块，计算源域和目标域fc1和fc2处特征的协方差距离并且使用mmd衡量分布差异，定义为icoral-mmd loss，表示为lg。计算公式如下：
[0155][0156]
是矩阵的frobenius范数，cs和c
t
是源域和目标域的协方差矩阵。它们的计算公式如下：
[0157][0158][0159]
其中1是元素为1的列向量，fs是源域经过全连接层fc的输出数据，f
t
是目标域经过全连接层fc的输出数据，ns和n
t
分别为分别为源域和目标域的样本数。他们的梯度计算如下：
[0160][0161][0162]
特征提取器网络参数进行更新为：
[0163][0164]
其中，θd表示目标域特征提取器所涉及参数，δ表示学习率。
[0165]
s603、通过目标域数据对模型进行训练，获得训练好的目标域特征提取器及域判别器；
[0166]
基于icoral-mmd和深度卷积对抗迁移学习网络目标域故障诊断模型采用的总损失函数为：
[0167]
l
t
＝l
g-ld[0168]
相关参数：
[0169][0170][0171]
s604、将目标域特征提取器与源域分类器组合，得到目标域的故障诊断模型。
[0172]
基于上述过程，icoral-mmd-dcat迁移学习后半段过程是以最小化icoral-mmd-dcat域自适应和域对抗总体损失函数为目的，这不仅达到了域对抗的目的，完成了特征迁移，而且保证了分类器对目标域测试样本分类的高精度。
[0173]
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0174]
1.实验装置：
[0175]
实验采用美国凯斯西储大学电气工程实验室的滚动轴承(滚动轴承是一种典型的旋转机械)故障模拟试验台采集的轴承数据。该试验台如图8所示，由2马力电机(左)、扭矩传感器/编码器(中)、测力计(右)和控制电子设备组成。待检测的驱动端滚动轴承(型号为skf6205-2rs)支撑着电动机的转轴。该实验室以电火花加工的方式在3个滚动轴承的外圈、滚动体、内圈上分别加工直径0.1778mm的凹坑模拟滚动轴承外圈、滚动体、内圈单点裂纹。在驱动端的轴承座上安装加速度传感器，通过信号采集仪采集由加速度传感器监测的不同工况(即不同转速、不同负载)下的滚动轴承因故障引起的振动加速度信号，采样频率为12khz。设置转速1772r/min、1马力负载条件下为工况a；在转速1750r/min、2马力负载条件下为工况b，采集到每种工况下外圈、滚动体、内圈故障样本。
[0176]
对每一个样本进行分段预处理，得到对应的一个1
×
960矩阵作为icoral-mmd-dcat的一个输入样本。
[0177]
2.icoral-mmd-dcat网络结构设计和参数设置：
[0178]
(1)深度特征提取器设计如下，第一层为第1卷积层，第二层为第1池化层，第三层为第2卷积层，第四层为第2池化层，第五层为第3卷积层，第六层为第3池化层，第七层为展平层flatten层输出深度特征：
[0179][0180]
(2)设计分类器的结构如表2所示，第一层为与深度卷积特征提取器相连的全连接层，该层激活函数为leakyrelu函数，第二层为分类器的输出层，该层的激活函数为softmax。
[0181][0182]
(3)设计域分类器的结构如表3所示，第一层为全连接层，该层激活函数为leakyrelu函数，它通过梯度反转层与深度卷积特征提取器的全连接层相连接，第二层为域分类器的输出层，该层激活函数为sigmoid。
[0183][0184]
3.以a工况下样本作为源域有标签样本，b工况样本作为目标域无标签样本(即当前待测样本)做实验。实验结果如图9所示，迁移模型在源域和目标域上都得到了95％以上的准确率，并且从其特征可视化图中可以出目标域与源域特征实现了较好的自适应。
[0185]
本发明的模型效果为：
[0186]
本发明提供的基于深度卷积域对抗迁移学习的故障诊断方法，在所发明的icoral-mmd-dcat中，利用深度卷积特征提取器进行高层特征提取能够避免icoral-mmd-dcat训练过程中梯度消失、梯度发散等梯度问题，可改善icoral-mmd-dcat的非线性拟合能力；在域判别器中利用梯度反转进行源域与目标域之间进行域对抗训练，通过源域有标签样本和目标域无标签样本的特征分布进行域对抗训练可增强源域有标签样本对目标域的域适应能力，同时还通过icoral-mmd对目标域和源域的深度特征分布进行度量减小其差
距,从而学习得到源域与目标域的域不变特征，改进icoral-mmd-dcat的迁移性能；基于最小化icoral-mmd-dcat的域适应总体损失函数的特征迁移和分类可提高迁移后的诊断精度。icoral-mmd-dcat的以上优势使得基于icoral-mmd-dcat的故障诊断方法在轴承当前工况下的目标域有标签样本不存在情况下，可利用源域有标签样本对旋转机械当前待测样本进行高精度故障诊断。
[0187]
本发明公开了一种基于icoral-mmd(improved correlation alignment joint maximum mean discrepancy)和深度卷积对抗迁移学习的轴承故障诊断方法。该方法通过将源域数据和目标域数据进行联合训练，实现对不同工况下的轴承故障进行有效诊断。具体实施例如下：
[0188]
实施例1-汽车发动机轴承故障诊断
[0189]
数据采集：在不同工况(如不同转速、负载)下采集汽车发动机轴承的振动信号。
[0190]
数据预处理：对采集到的信号进行去噪、滤波和归一化等预处理。
[0191]
信号分析和特征提取：采用快速傅里叶变换(fft)将预处理后的时域信号转换为频域信号，并提取与轴承故障相关的特征。
[0192]
模型搭建与源域预训练：搭建一个1dcnn模型，使用源域(如正常工况下的轴承振动信号)的训练数据对模型进行预训练。
[0193]
域判别器训练：将源域预训练模型的参数共享给目标域模型用以初始化，建立一个初始域判别器，通过源域特征和目标域特征对判别器进行训练。
[0194]
icoral-mmd训练与模型迁移：使用icoral-mmd方法将源域预训练模型与目标域数据进行联合训练，实现模型的迁移。
[0195]
目标域故障诊断模型构建：将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型，使用目标域的训练数据对模型进行微调。
[0196]
模型评估与应用：使用目标域的测试数据对模型进行评估，计算诊断准确率、召回率等指标，实现对汽车发动机轴承故障的实时检测与诊断。
[0197]
实施例2-风力发电机组轴承故障诊断
[0198]
数据采集：在不同风速条件下采集风力发电机组轴承的振动信号。
[0199]
数据预处理：对采集到的信号进行去噪、滤波和归一化等预处理。
[0200]
信号分析和特征提取：采用快速傅里叶变换(fft)将预处理后的时域信号转换为频域信号，并提取与轴承故障相关的特征。
[0201]
模型搭建与源域预训练：搭建一个1dcnn模型，使用源域(如正常风速下的轴承振动信号)的训练数据对模型进行预训练。
[0202]
域判别器训练：将源域预训练模型的参数共享给目标域模型用以初始化，建立一个初始域判别器，通过源域特征和目标域特征对判别器进行训练。
[0203]
icoral-mmd训练与模型迁移：使用icoral-mmd方法将源域预训练模型与目标域数据进行联合训练，实现模型的迁移。
[0204]
目标域故障诊断模型构建：将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型，使用目标域的训练数据对模型进行微调。
[0205]
模型评估与应用：使用目标域的测试数据对模型进行评估，计算诊断准确率、召回率等指标，实现对风力发电机组轴承故障的实时检测与诊断。
[0206]
实施例3-火车轴承故障诊断
[0207]
数据采集：在不同速度和载重条件下采集火车轴承的振动信号。
[0208]
数据预处理：对采集到的信号进行去噪、滤波和归一化等预处理。
[0209]
信号分析和特征提取：采用快速傅里叶变换(fft)将预处理后的时域信号转换为频域信号，并提取与轴承故障相关的特征。
[0210]
模型搭建与源域预训练：搭建一个1dcnn模型，使用源域(如正常速度和载重下的轴承振动信号)的训练数据对模型进行预训练。
[0211]
域判别器训练：将源域预训练模型的参数共享给目标域模型用以初始化，建立一个初始域判别器，通过源域特征和目标域特征对判别器进行训练。
[0212]
icoral-mmd训练与模型迁移：使用icoral-mmd方法将源域预训练模型与目标域数据进行联合训练，实现模型的迁移。
[0213]
目标域故障诊断模型构建：将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型，使用目标域的训练数据对模型进行微调。
[0214]
模型评估与应用：使用目标域的测试数据对模型进行评估，计算诊断准确率、召回率等指标，实现对火车轴承故障的实时检测与诊断。
[0215]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0216]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，包括：首先，对采集到轴承振动数据进行预处理及频域信号转变；其次，搭建基础诊断模型并使用大量有标签数据对模型进行预训练；然后，使用上述得到的预训练模型，结合icoral-mmd和对抗方法，将模型迁移到监测数据上，实现故障诊断。2.如权利要求1所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，具体包括：步骤一，采集轴承在a、b工况下的振动信号；步骤二，工况a、b下的信号分别作为源域、目标域样本数据，经预处理后基于快速傅里叶变换将时域信号转为频域信号，按比例划分训练集和测试集；步骤三，建立初始源域1dcnn故障诊断模型，通过源域数据进行训练，得到源域预训练模型；步骤四，将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化，建立初始域判别器，通过特征信号对域判别器进行训练；步骤五，使用icoral-mmd对目标域初始故障诊断模型进行训练，得到域判别器和目标域特征提取器；步骤六，将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型。3.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，所述步骤二包括：将工况a数据作为源域信号包括n种健康状态；将工况b数据作为目标域信号包括n种健康状态；将振动信号进行归一化处理，生成归一化信号；将归一化信号进行傅里叶变换，生成频域信号；一维时序信号进行归一化处理具体为：式中，x
i
为第i时刻的归一化信号，为一维时序信号中第i时刻的时序信号，max(x)为一维时序信号中的最大值，min(x)为一维时序信号中的最小值。4.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，将源域样本和目标域样本进行快速傅里叶变换得到频域信号，具体为：其中，振动信号x
n
经fft变换得到x
k
，x
k
的形式为复数。5.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，故障诊断模型以交叉熵作为损失函数为：
其中，表示分类器中最后一层的网络输出向量的第j个元素，以第i个源域样本作为输入；表示相应的传动部件状态标签，以及n是相关部件状态的编号。6.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，源域故障诊断模型预训练具体为：其中，θ
s
表示源域故障诊断网络模型涉及参数，δ表示学习率。7.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，域判别模型及其训练具体为：域判别模型采用的是全连接层，以softmax为激活函数输出结果为源域或者目标域，其损失为：其中，和2分别表示域鉴别器中最后一层的输出向量的第一和第二元素，将第i个源域样本作为输入，和是第i个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域，参数随机梯度下降更新如下：其中，θ
d
表示域判别模型涉及参数，δ表示学习率。8.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，对目标域特征提取器网络输出特征分布差异进行衡量，并且最小化差异对目标域特征提取器网络进行更新具体为：在全连接层的fc1和fc2中引入域自适应学习模块，计算源域和目标域fc1和fc2处特征的协方差距离和最大均值差异，定义为icoral-mmd loss；coral是一种有效且简单的无监督自适应方法，广泛用于测量模型识别中源域和目标域的差异，例如通过探索源域和目标域的二阶统计来对齐它们的输入特征分布；因此，它需要计算的是每个域中的协方差统计；与mmd相比，不同之处在于基于mmd的方法通常对源域和目标域应用相同的转换，其不对称变换更灵活，并且通常为域适应任务产生更好的性能；计算公式如下：λ1和λ2分别为coral损失和mmd损失的系数，是矩阵的frobenius范数，n
s
是来自源域的训练样本数，n
t
是来自目标域的训练样本数，fs
i
是源域经过全连接层fc的输出数据，ft
j
是目标域经过全连接层fc的输出数据||
·
||
h
是一个再生核希尔伯特空间，是矩阵的frobenius范数，c
s
和c
t
是源域和目标域的协方差矩阵，计算公式如下：
其中1是元素为1的列向量，f
s
是源域经过全连接层fc的输出数据，f
t
是目标域经过全连接层fc的输出数据，n
s
和n
t
分别为分别为源域和目标域的样本数，梯度计算如下：特征提取器网络参数进行更新为：其中，θ
d
表示目标域特征提取器所涉及参数，δ表示学习率。9.如权利要求2所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法，其特征在于，基于icoral-mmd和深度卷积对抗迁移学习网络目标域故障诊断模型采用的总损失函数为：l
t
＝l
g-l
d
；相关参数：相关参数：10.一种应用如权利要求1～9任意一项所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统，基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统包括输入层、至少一层卷积层、至少一层池化层、至少一层全连接层以及输出层；卷积层包括多个3
×
3的卷积核，卷积步长为1，卷积层的激活函数为leakyrelu函数；池化层的池化方式为最大池化，池化步长为2，池化层的窗口大小为2
×
2；全连接层的激活函数为leakyrelu函数，leakyrelu函数为：式中，f(x)为leakyrelu函数；x为上一层的输入向量；分类器全连接输出层的激活函数为softmax函数，softmax函数为：
式中，z
i
为第i个节点的输出值；z
j
为单个节点的总输出值；n为输出节点的个数；e为自然常数。

技术总结
本发明属于信息技术服务技术领域，公开了一种基于iCORAL-MMD和深度卷积对抗迁移学习的轴承故障诊断方法，采集轴承在A、B工况下的振动信号；经预处理后基于快速傅里叶变换将时域信号转为频域信号，按比例划分训练集和测试集；建立初始源域1DCNN故障诊断模型，通过源域数据进行训练，得到源域预训练模型；将模型参数共享给目标域故障诊断模型用以初始化，建立初始域判别器，通过特征信号训练判别器；用iCORAL-MMD对目标域初始故障诊断模型进行训练，得到域判别器和目标域特征提取器；将两者组合，得到目标域的故障诊断模型。本发明基于一维卷积神经网络提出了对抗网络与相关对齐度量联合最大均值差异域适应的方法，以增强模型对旋转机械在不同工况下的故障诊断能力。型对旋转机械在不同工况下的故障诊断能力。型对旋转机械在不同工况下的故障诊断能力。


技术研发人员：吕雅琼 郭小玲 刘余
受保护的技术使用者：武汉理工大学
技术研发日：2023.07.07
技术公布日：2023/9/22