1.一种基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于,包括:步骤1:采集不同工况下不同健康状态的轴承振动数据,每种工况下不同健康状态的轴承振动数据作为一个域,不同域的数据服从不同的分布,并对数据进行切割形成样本;
步骤2:对源域样本跟目标域样本做FFT,在训练阶段同时将源域有标签样本跟目标域无标签样本同时送入参数初始化的深度类内自适应卷积神经网络模型;
步骤3:深度类内自适应卷积神经网络模型中改进的ResNet-50提取样本的低层次特征,多尺度特征提取器在低层次特征的基础上进一步分析得到高层次特征作为分类器的输入,同时计算两个域样本高层次特征的之间的条件分布距离;
步骤4:将源域跟目标域条件分布距离和源域样本的标签误差结合在一起形成目标函数,利用随机梯度下降法对其进行优化,训练模型参数;
步骤5:将目标域样本集输入到已训练好的深度神经网络诊断模型,通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小,并与事先标记但没有参与训练的标签做对比,得到诊断精度。
2.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:所述步骤1包括:步骤1.1:建立不同工作负载的数据集,每个数据集以其工作负载命名,数据集之间的数据服从不同的分布;
步骤1.2:以连续N个采样点为一个样本长度切割样本制作数据集,用
其中yis∈{0,1,2,…,C-1}表示C种不同标签的样本组成的源域,其中xis表示源域中第i个样本,yis表示源域中第i个样本的标签,ns为源域中样本总数;用表示没有标签的样本组成的目标域,其中xjt表示目标域中第j个样本,nt为目标域中所有的样本数;源域数据在概率分布Ps下采集,目标域数据在概率分布Pt下采集,Ps≠Pt;源域和目标域数据服从不同的分布。
3.根据权利要求2所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:步骤1.2中,源域所有带标签的样本及其标签和目标域中无标签的样本用于训练,目标域中样本的标签只用于测试过程,并不参与训练。
4.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:所述步骤3包括:步骤3.1:修改ResNet-50的结构,移除模型的最后两层,即全局平局池化跟用于分类的完全连接层;深度类内自适应卷积神经网络模型利用改进的ResNet-50提取样本的低层次特征,其过程过下:g(x)=f(x)
其中x表示经过FFT变换之后的频域样本,f()表示修改的ResNet-50,g(x)表示改进的ResNet-50对样本提取到的低层次特征;
步骤3.2:多尺度特征提取器的多路子结构进一步同时分析低层次特征得到高层次特征作为softmax分类器的输入,高层次特征的提取过程如下表示:g(x)=[g0(x),g1(x),…,gn-1(x)]
其中gi(x)为一路子结构的输出,i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数;Softmax函数表示如下:其中qi表示样本属于标签i的概率,C是标签类别总数,vi是sofamax函数输入的第i个位置上的值;
步骤3.3:计算源域和目标域高层次特征的条件分布距离,但是由于训练过程中目标域样本的标签是未知的,匹配源域跟目标域的条件分布距离似乎是无法实现的,利用训练迭代过程中深度学习模型对目标域样本的预判结果作为伪标签来计算源域跟目标域的条件分布距离,其中多尺度特征提取器的一路子结构提取的特征条件分布距离公式如下:其中 表示再生核希尔伯特空间,Φ(·)表示特征空间映射的函数; 表示源域中标签为c的样本的第i个样本, 等于源域中标签为c的所有样本的数量, 代表目标域中伪标签为c的样本的第j个样本, 等于目标域中伪标签为c的所有样本的数量;上式用于估计类内条件分布Ps(xs|ys=c)和Pt(xt|yt=c)之间的差异;通过最小化上式可以减小源域和目标域的条件分布差异;由于高层次特征是由多路子结构同时提取而来,所以总的条件分布距离如下:其中gi(x)为一路子结构的输出,i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数;尽管训练过程中使用的目标域样本的伪标签而非真实标签,但随着迭代次数的增加,训练误差越来越小,伪标签会越来越逼近真实的标签,达到尽可能正确地分类目标域中样本的目的。
5.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:所述步骤4包括:步骤4.1:计算源域样本的标签训练预测误差,其过程由如下公式所示:
其中X表示源域所有样本的集合,y表示源域所有样本真实标签的集合;n为参与训练的样本个数,yi为第i个样本的真实标签,F(xi)为神经网络对第i个样本的预测结果;J(·,·)表示交叉熵损失函数,定义如下:其中,当i是该样本的真实标签时pi等于1,否则pi等于0;qi是经过softmax激活函数后输出的概率;C是标签类别总数;
步骤4.2:将条件分布距离与源域样本的标签训练预测误差结合在一起形成要优化的多尺度高层次特征对齐目标函数,目标函数公式如下所示:其中 表示模型输出函数,g(·)表示多尺度特征提取器中一个子结构的输出,J(·,·)表示交叉熵损失函数,λ>0是一个超参数,nsub等于多尺度特征抽取器中的子结构数, 是条件分布距离;通过上式可以使训练所提出的网络 能够准确地预测来自目标域的样本的标签。
6.根据权利要求5所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:超参数λ设定如下:其中epochs是训练总次数,epoch是当前训练步数。
7.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法,其特征在于:所述步骤5中:将目标域中无标签样本送入训练好的多尺度深度类内自适应卷积神经网络模型得到所有目标域样本的预测标签,并与事先人为标记但是没有参与训练过程的标签做对比,得到诊断精度,验证该模型的优越性。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。