一种变工况大负荷下滚动轴承故障诊断方法

本发明涉及加工过程监测，特别是一种变工况大负荷下滚动轴承故障诊断方法。

背景技术：

1、滚动轴承广泛应用于旋转机械，如泵、涡轮、齿轮箱、压缩机、发动机等，主要起到支撑和保护机械的作用。在变工况大负荷工作条件下，机械的连续运行会导致运行部件不断与轴承碰撞，从而导致轴承损坏。据统计，轴承故障占所有电机故障的40％-50％，轴承一旦发生故障，如果没有及时发现和修复，势必会导致更严重的机械故障，影响机械的正常运行，甚至引发事故。因此，创建一种在变工况大负荷下有效的轴承故障识别方法具有重要的意义和进一步开发的价值。

2、智能故障诊断已经成功应用于轴承故障的识别，无需人工干扰和专家的先验知识。在轴承故障诊断方面，深度学习已经超越了支持向量机(svm)，人工神经网络(ann)等传统机器学习，在故障识别领域取得了优异的成就。但是深度学习成功应用的前提是学习数据和测试数据需要遵循相同的特征分布，或者说来自相同的工程条件。但是实际轴承运行条件往往复杂而且随时间变化，并且不同传感器的测量能力不同，对不同类型的轴承故障信号的敏感程度不同，这导致用于网络训练的源域数据和用于实际诊断的目标域中的轴承故障数据之间的数据分布不同。

3、此外，在不同的工作条件下获取各种轴承故障标记数据是非常耗时和耗能的。也就是说，目标域工作条件下的轴承故障数据通常是无标记的。因此，在可变的工作条件下，传统的深度学习方法无法保证在标记的源工作条件数据上工作良好的网络对未标记的目标工作条件数据具有相同的效果。这就导致了深度学习在实际工程场景中难以应用。因此针对轴承不同工况下的特征分布差异，为了有效地将用标记的源域数据训练的网络应用于未标记的目标域数据是当前智能故障诊断应用的重大障碍。

技术实现思路

1、本发明的目的在于，提供一种变工况大负荷下滚动轴承故障诊断方法。本发明无需大量标记样本，仅收集部分标记工况样本，即可实现对其他无标记工况数据的故障诊断，具有诊断结果准确的优点。

2、本发明的技术方案：一种变工况大负荷下滚动轴承故障诊断方法，包括如下步骤：

3、步骤1、设定轴承加工过程中的变工况条件，采集设备运行过程中的轴承运作的振动信号及对应的轴承故障状态，获得少量实验训练样本数据；

4、步骤2、对样本数据进行划分训练集和测试集，并对振动信号进行归一化；

5、步骤3、搭建resnet18和bilstm相结合的特征提取器，构建morlet小波核卷积层，用morlet小波核卷积层替代resnet18的本身所含有的第一层卷积神经网络，作为特征提取器的第一层；

6、步骤4、将注意力机制下的软阈值化作为非线性层插入到resnet18的残差块中，加强特征提取器的特征提取能力；

7、步骤5、将经过特征提取器提取到的特征向量输入到多特征空间分布对齐的域自适应网络，实现源域和目标域的特征分布对齐；

8、步骤6、将经过多特征空间对齐的域自适应网络后的特征向量输入到全连接层分类器进行滚动轴承故障识别。

9、上述的变工况大负荷下滚动轴承故障诊断方法，步骤2中，归一化的公式如下：

10、

11、式中：xi为输入数据；为xi的均值；为xi的标准差；为归一化数据。

12、前述的变工况大负荷下滚动轴承故障诊断方法，步骤3中，所述bilstm和resnet18相结合的特征提取器是将resnet18作为前端特征提取器，提取振动信号中的局部特征，然后将提取出的特征序列作为bilstm的输入，利用bilstm对时序关系进行建模和预测。

13、前述的变工况大负荷下滚动轴承故障诊断方法，所述morlet小波核卷积层的构建过程是：

14、定义小波基函数：

15、

16、式中：t为时间，s为与频率成反比的尺度参数，u为小波基函数的平移参数，ψ表示预定义函数；

17、小波核驱动的卷积操作由以下方程定义：

18、h＝ψu，s(t)*x；  (3)

19、式中：h表示卷积后的结果；

20、在梯度反向传播的过程中，小波核驱动的卷积层作为神经网络的第一层，更新尺度参数s和平移参数u，如下所示：

21、

22、

23、其中，是求导，是长度为l的小波核卷积层第k个小波核，uk和sk表示相应的平移参数和尺度参数；

24、所述morlet小波核卷积层的尺度参数s和平移参数u的更新通过将偏导数和带入式(4)来获得。

25、前述的变工况大负荷下滚动轴承故障诊断方法，所述偏导数和的获取是：

26、计算morlet小波的实部，如下：

27、

28、其中，c是信号重构的归一化常数；

29、再根据式(2)获取小波字典：

30、

31、计算偏导数，如下：

32、

33、前述的变工况大负荷下滚动轴承故障诊断方法，步骤4中，所述软阈值化的公式表达为：

34、

35、式中：x是输入特征；y是输出特征；τ是阈值；

36、所述残差块中设有用于估计软阈值化所需要的估计模块，在估计模块中，对特征映射的绝对值进行gap运算，得到一维向量；然后将一维向量传播到二层fc网络中，得到一个缩放参数，在二层fc网络的末端应用sigmod函数，将缩放参数缩放到(0.1)的范围，该范围表示为：

37、

38、其中，z对应二层fc网络的输出，α对应缩放参数；

39、再将α乘以|x|的平均值，得到阈值：

40、

41、式中：i，j和c分别为特征映射的宽度、高度和通道的索引。

42、前述的变工况大负荷下滚动轴承故障诊断方法，步骤5中，所述域自适应网络进行源域和目标域的特征分布对齐的过程首先进行源域和目标域的特征分布的二阶统计量保持一致，二阶统计量对齐损失定义为源域特征和目标域特征的二阶统计量之间的距离可以被定义为：

43、

44、其中表示协方差矩阵之间的frobenius范数，为源域特征，为目标域特征，d为每个样本的维度；cs为源域数据的协方差矩阵；ct为目标域数据间的协方差矩阵，定义如下；

45、

46、

47、其中，1表示所有元素都为1的列向量；源域数据个数为ns，目标域数据个数为nt；xs表示源域所有样本的并集；xt示目标域所有样本的并集；

48、实现初步特征分布对齐后，使用希尔伯特空间嵌入来度量源域和目标域之间的联合分布p(xs，ys)和q(xt，yt)之间的距离；其中ys表示源域所有不同标签的并集；yt表示目标域所有不同标签的并集，由此产生的距离度量成为联合最大平均差异，公式如下：

49、

50、其中，为张量积hilbert空间中的特征映射，l为较高层的网络集合，|l|为对应集合中的层数，zsl表示源域生成的第l层激活，ztl是目标域生成的第l层激活；是数学期望；表示使用内核l表示希尔伯特空间；φ(·)表示特征到希尔伯特空间的映射。

51、根据二阶统计量对齐和联合最大平均差异对齐域偏移，使用多空间域特征对齐损失，将其添加到损失函数中来实现域自适应，以实现源域和目标域之间的特征转移，损失函数的定义如下：

52、

53、其中，是分类损失；β，γ是总损失的权衡参数。

54、与现有技术相比，本发明首先通过设定轴承加工条件，采集轴承各种缺陷条件下的振动信号，获取少量有标记样本，然后对样本数据进行归一化数据处理后，输入到专门针对滚动轴承振动信号创建的morlet小波核驱动的resnet18与bilstm相结合的轴承故障诊断特征提取器中，然后在此特征提取器基础上提出了一种基于多特征空间分布对齐的域自适应方法，学习源域和目标域数据的不变特征，最终实现对不同工况下滚动轴承故障的有效识别。本发明利用morlet小波核卷积层取代第一层卷积，用于从振动信号中提取故障信息，相当于在内核的波形中添加一些约束，可以从高维特征中提取具有明确物理意义的语义信息。本发明提出了一种基于bilstm和resnet18相结合的特征提取器，使网络能够从时间和空间两个维度提取特征，解决了传统残差网络对时间序列特征不敏感的问题。此外，在残差块中加入了注意力机制，加强了模型对重要特征的加权，减少了冗余特征的干扰，从而提高了模型的性能。本发明的多特征空间分布对齐的域自适应网络，适用于变工况大负荷下基于振动信号的小样本滚动轴承故障诊断方法，克服了众多诊断模型依赖大量有标记训练数据的弊端。