跨工况不平衡数据的轴承故障诊断方法及系统

本技术提出一种新型的轴承故障诊断方法及系统，该方法和系统是基于迁移学习和改进深度卷积生成对抗网络的跨工况不平衡数据，属于深度学习与故障诊断。

背景技术：

1、轴承是传动装置必要与核心结构，由于轴承运载状态的失效所引起的常见故障包括疲劳脱落、磨损、断裂等，且此类故障较集中发生在内圈与外圈之间。轴承在长时间承受载荷过大、润滑不良以及安装不正确等情况下造成故障的机率较高，滚动轴承承受冲击能力较差、且较易出现因转速过高、腐蚀生锈等因素导致故障的发生。作为旋转部件中重要且易损坏的轴承而言，对其状态进行有效监测和诊断显得尤为重要。

2、目前，基于深度学习的轴承诊断方法面临着训练数据不足和样本标签缺失等小样本问题，而且不同工况和型号下轴承状态数据的分布也不同，因此无法使用同一网络进行分类。对此，为了解决这些问题需要进行迁移学习的研究。具体地，迁移学习的理论基础是基于差异、对抗的方法。差异，是通过某个映射函数，将源域与目标域数据映射至共享空间，使经过映射后的两域之间分布差异降低；对抗，则是借鉴生成对抗网络(gan)的思想，通过生成器生成特征，域鉴别器判断所提特征属于源域还是目标域，生成器与判别器共同增强，使得生成器生成的特征可以欺骗判别器并且判别器能准确判别特征属于源域还是目标域。

3、现有技术的轴承诊断方法通常采用数据扩充和改进网络结构的方法。例如，使用辅助分类生成对抗网络以生成与少量数据概率分布相同的大量样本；再者，使用阶次跟踪和重采样处理不同转速的轴承数据，利用适应批标准化网络进行跨工况的故障分类；还有，设计多尺度紧凑卷积神经网络，使用较少的网络层来提取多尺度信号特征。

4、上述现有技术局限于不变尺度卷积核的提取特征，仍无法解决小样本问题和不同工况、型号下数据分布的差异问题，轴承诊断方法的性能和泛化能力仍较低。

5、有鉴于此，特提出本专利申请。

技术实现思路

1、本技术提出的跨工况不平衡数据的轴承故障诊断方法及系统，在于解决上述现有技术存在的问题而摒弃现有基于卷积神经网络的结构，选用了基于注意力机制的swintransformer模型并对其进行了改进，在改进深度卷积生成对抗网络中引入cbam和ieca注意力模块，对其深度参数迁移学习提出了一种基于注意力机制并用于小样本的轴承诊断方法，以期能够应对小样本问题和不同工况、型号下数据分布的差异，从而通过数据扩充、改进网络结构和参数迁移等方式有效地提高轴承诊断方法的性能与泛化能力。

2、为实现上述设计目的，本技术提出的跨工况不平衡数据的轴承故障诊断方法，基于迁移学习和改进深度卷积生成对抗网络，通过改进深度卷积生成对抗网络拟式扩充目标域的小样本参数，生成的模拟信号保留真实信号完整的高频和低频特征；将多源域与目标域特征映射至同一特征空间，实现多域特征提取并进行特征对齐操作；通过改进swintransformer网络完成跨工况下未知标签滚动轴承健康状态的识别。

3、该包括以下实施步骤：

4、步骤1、获取跨工况下多振动传感器采样得到原始多故障状态多源振动信号，分通道保存并将其命名为t0；

5、步骤2，将多源振动信号进行滤波、去噪、数据对齐、信号修正等数据处理，将其结果命名为t1；

6、步骤3，对于时序数据t1依次地截取时间片段应用傅里叶进行变换，将变换后的复数结果保存，将其命名为f1；

7、步骤4，对时序数据t1，经过复小波函数选择不同尺度进行小波变换和重构；通过比对误差选出最优尺度，并在当前优选唯一尺度下计算时频特征，以系数矩阵的形式保存在二进制文件中，将其命名为c1；

8、步骤5，读取上述f1、c1文件并进行特征拼接、生成数据矩阵，将矩阵数值映射生成小波变换的灰度图像数据集i1，将灰度图像数据集i1设置为源域数据集o1，将源域数据集o1划分为训练集和测试集；

9、步骤6，更改立式电机的初始参数设置条件并进行步骤2，随后构建时序数据集mu-t2，将上述数据集依次进行步骤2至5并最终获得灰度数据集i2；

10、将灰度数据集i2作为目标域d1划分为训练集和测试集，将上述两者分别命名为d1_train和d1_test；

11、步骤7，构建改进dcgan网络架构；

12、步骤8，构建改进swin transformer网络架构；

13、步骤9，idcgan网络进行预训练和生成新的合成样本；

14、步骤10，训练构建改进swin transformer网络模型，以进行故障诊断流程。

15、进一步地，所述的步骤1，将不同故障类型设置为分属不同故障的数据样本分类，将同一故障类型下的不同工况的原始数据分组构建原始时序信息采集样本t0。

16、进一步地，所述的步骤2，使用滤波器去除不需要的频率成分或噪声，对滤波后的振动信号进行均值去噪处理，使用相关性分析等方法来计算信号的时间偏移，若多源振动信号之间存在时间偏差或相位差，需要进行数据对齐操作，使得各个信号在时间上保持一致；将预处理后的振动信号数据存储为时序数据形式，将处理后的数据保存为.mat格式的文件并命名为t1。

17、进一步地，所述的步骤3，进行非周期性连续时间信号x(t)的傅里叶变换公式如下，

18、

19、得到连续信号x(t)的离散采样值x(nt)，利用离散信号x(nt)来计算信号x(t)的如下频谱，

20、

21、将其傅里叶变换后的振幅谱、相位谱的复数结果使用.csv文本进行保存，将其命名为f1。

22、进一步地，所述的步骤4，complex morlet复小波函数公式如下，

23、

24、上式中，f(t)是时域信号，ψ(x)是小波基函数，a定位频率，b定位时间；

25、选用如下表达式的complex morlet小波基函数，

26、

27、上式中，a为尺度因子，b为时移因子；

28、对小波基函数的小波变换依次按照128、64...8的尺度进行不同尺度下的对异构信号进行小波分解和异构，计算其重构误差；

29、较低的重构误差表示当下尺度的小波基函数较好地表征原信号特点；

30、在选定的唯一优选尺度下计算包括频带系数、能量谱、幅度谱等在内的时频特征，以系数矩阵的形式保存在二进制文件中，将其命名为c1。

31、进一步地，所述的步骤5，将属于同一时域信息的特征按行进行拼接，对较长的数组参数采用均段插值采样以使特征参数进行数据对齐；将矩阵数值映射到灰度值范围，将其三通道化并映射生成小波变换的灰度图像数据集i1，将灰度图像数据集i1设置为源域数据集o1；按照4:1比例划分为训练集和测试集，将两者分别命名为o1_train和o1_test。

32、进一步地，所述的步骤6包括有以下步骤，

33、s601.跨工况是保持工作环境中的常温和湿度不变，设置轴承负载；设定三种不同的轴承转速设置方式；不规则的变速模拟实际立式电机运作工况；预设恒定转速状态；在转速工况条件相同下设置多种轴承状态；

34、s602.将改变转速工况后的多源振动信号进行等长均值的随机数据混合，并构建多通道下的同一损伤的不同转速数据集，将上述信号进行滤波、去噪、数据对齐、信号修正等数据处理，将预处理后的数据以时序数据形式(.mat)存储，将其命名为"mu-t2"；

35、s603.对数据集"mu-t2"进行特征拼接操作，将同一时域信息下的频谱特征和时频特征按行进行拼接；若特征参数长度不一致，采用均段插值采样来对较长的数组参数进行插值，以实现数据对齐；

36、s604.将拼接后的特征向量调整为二维矩阵，根据需要指定矩阵的行、列数。将矩阵数值映射到灰度值范围，并将其转化为三通道灰度图像数据集"i2"；

37、s605.按照4:1的比例将数据集"i2"划分为训练集和测试集，分别命名为目标域数据集"d1_train"和"d1_test"。

38、进一步地，所述的步骤7，生成器(generator)网络结构包括输入层、多重转置卷积层、多头自注意力模块、sn谱归一化、relu激活函数层、ieca模块、输出层；

39、判别器(discriminator)网络结构包括输入层、sn谱归一化、卷积层、多头自注意力模块、bn归一化层、leakyrelu激活函数层、mk-mmd损失函数、ieca模块、输出层；

40、上述idcgan网络架构的内置参数设置过程包括下述步骤，

41、判别器(discriminator)网络结构如下述表达式，

42、l1_discriminator＝sigmoid(convblock(mha(convblockn(ieca(leakyrelu(conv2d(x))))))

43、其中，x是真实融合数据集n1(n≤1)和合成新的特征映射(n＞1)；conv2d(*)是二维卷积操作；leakyrelu激活层；ieca通道注意力机制层，全局均值池化的基础上引入全局最大池化加权；convblock块包括(依次是conv2d(),sn(*)谱归一化,leakyrelu(*)激活函数)；n是堆叠了n个convblock块；mha是多头自注意力模块，计算多通道的振动信息的特征之前的内在注意力权重分配；sigmoid(*)判别器判断输入参量是否符合mk-mmd的分布度量标准，符合则sigmoid(*)映射true(1)反之false(0).当true(1)时，则保存辅助数据集a1；

44、生成器(generator)网络结构如下述表达式，

45、l1_generator＝concat(t-convblock(mha(t-convblockn(ieca(relu(t-conv2d(x))))))

46、其中，x是空间随机变量n1(n≤1)和网络调参后新生特征参量(n＞1)；t-conv2d(*)是二维转置卷积操作；relu激活层；ieca通道注意力机制层；t-convblock块包括(依次是t-conv2d(),sn(*)谱归一化,relu(*)激活函数)；n是堆叠了n个t-convblock块；mha是多头自注意力模块，计算多通道的振动信息的特征之前的内在注意力权重分配；concat(*)经过判别器反馈后，更新自我参数设置后合成新的特征映射。

47、进一步地，所述的步骤8，改进swin transformer网络架构包括输入层、ieca通道注意力层、patch embedding图像分块嵌入层、位置编码层、transformer编码器层、transformer编码器模块之间downsampling下采样层、跨层的窗口式局部注意力机制、全局加权池化层、全连接层和softmax输出层；

48、改进swin transformer网络模型表达式如下，

49、l2_swin_t＝softmax(mlp(swinblock2(patch merging

50、(swinblock1(ieca(pe((patchembed(x))ni)))))nj)

51、其中，预训练时x是融合数据集n1+a1(n＝1)；一次迁移学习后微调时x是少量辅助数据集a2(n＝2)；二次迁移学习并调参后x是剩余辅助数据集a2(n＞2)；patchembed(·)是将输入图像(x)分割成图像块并通过线性投影转换为嵌入向量的函数；pe(·)是位置编码函数，将嵌入后embedded添加位置编码，以保留序列的位置信息；ni是多通道数据处理的通道数；ieca通道注意力机制层；swinblock1块(依次是ln(*)层归一化,w-msa(*)是窗口式局部多头自注意力机制,cbam(*)通道空间注意力机制,加权结点,ln(*)层归一化,feedforward(*)前馈网络层，加权结点)；patch merging(*)是downsampling下采样层、跨层的窗口式局部注意力机制、全局加权池化层(加权性全局最大和平均池化)；swinblock2块(依次是ln(*)层归一化,sw-msa(*)是移窗多头自注意力机制,cbam(*)通道空间注意力机制,加权结点,ln(*)层归一化,feedforward(*)前馈网络层，加权结点)；nj是堆叠了n对swinblock块和之间patch merging(*)层；mlp(·)是全连接层和激活函数组成的多层感知机函数，以将编码后的表示transformed映射到分类任务的输出层；softmax(*)函数是用于激活输出层并得到分类标签的预测结果。

52、基于上述跨工况不平衡数据的轴承故障诊断方法的设计，本技术同时提出下述跨工况不平衡数据的轴承故障诊断系统，包括多个下位机并联使用对应连接上位机、或单一下位机对应连接上位机，以及处理器和存储器；

53、所述的下位机采用多通道数据采集仪，其外接双头bnc端的信号输入线和各类适调器用于采集各数据种类的信号，末端各类传感器固定设置在立式轴承部位；

54、所述的上位机由集成所述跨工况不平衡数据的轴承故障诊断方法的服务器端程序和监测界面组成，包括转速测试模块、核心处理器模块、数据采集模块和交互通信模块；

55、所述的存储器包括计算机可读存储介质，以用于存储基于跨工况多模态数据融合的轴承诊断方法的计算机可执行程序；

56、所述的处理器用于从存储器中读取所述计算机可执行程序并执行。

57、综上内容，所述跨工况不平衡数据的轴承故障诊断方法及系统具有以下优点：

58、1、本技术提出的跨工况不平衡数据的轴承故障诊断手段是一种多通道信号融合方法，能够有效地减轻不平衡数据的影响并提高诊断性能，有助于改进故障诊断的准确性和效率而相应地提高设备的可靠性和维护效果。

59、2、本技术通过多个振动传感器测量的同步振动信号进行fft和时频转换后，再进行池化和拼接操作特征融合并映射为时频图像，以表征更丰富故障特征。

60、3、本技术提出了一种基于idcgan的数据增强方法来解决不平衡数据问题的解决方案，在dcgan中引入了ieca和cbam注意力机制来提高生成样本权重侧重，以此提高生成样本的质量，并应用谱归一化(sn)和mk-mmd度量和梯度惩罚来稳定dcgan的训练过程。

61、4、本技术提出了一种基于注意力机制的改进swin transformer故障诊断分类网络，从而显著地提高了诊断准确性。在预训练的残差网络中引入了ieca、cbam注意力模块，能够更好地捕捉重要的空间和通道特征。