申请/专利权人：哈尔滨理工大学

申请日：2021-10-26

公开（公告）日：2024-04-16

公开（公告）号：CN113988126B

主分类号：G06F18/213

分类号：G06F18/213;G06V10/774;G06V10/82;G06F18/24;G06F18/214;G06N3/045;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：一种基于少标签数据特征迁移的滚动轴承故障诊断方法，用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。本发明的技术要点包括：引入原型对比学习进行域适应，建立基于原型域适应的故障诊断模型；提出将Res2Net结构中增加CBAM注意力机制模块，并进一步更换特征提取网络的激活函数，提高深度网络对滚动轴承数据特征提取能力，最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。本发明方法在滚动轴承变负载条件下具备较好的分类性能，可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题且具有良好的泛化性能。

主权项：1.一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤一、在一种负载类型下获取包含所有状态且少量带有状态标签的滚动轴承振动信号作为源域数据；在其他负载类型下获取包含所有状态且不带有状态标签的滚动轴承振动信号作为目标域数据，并将目标域数据分为目标域训练数据和目标域测试数据；步骤二、对源域数据和目标域数据进行预处理，获得源域图像数据集和目标域图像数据集；其中，目标域图像数据集包括目标域训练图像数据集和目标域测试图像数据集；步骤三、利用包含改进残差块结构和激活函数的ResNet网络对源域图像数据集和目标域训练图像数据集分别进行特征提取，分别获得源域特征样本集和目标域特征样本集；所述改进残差块结构为：引入Res2Net网络结构，在Res2Net网络结构中增加卷积块注意力模块—CBAM模块，CBAM模块由增加通道注意力机制和空间注意力机制组成，Res2Net网络输出的特征依次经过增加通道注意力机制和空间注意力机制，获得通过注意力过程之后输出的特征；其中，经过增加通道注意力机制的计算公式为： 式中，表示通过增加通道注意力机制中平均池生成的空间描述；表示通过增加通道注意力机制中最大池生成的空间描述；W0和W1为两个卷积层，σ为Sigmoid函数；经过空间注意力机制的计算公式为： 式中，f7×7表示卷积核为7×7；表示通过空间注意力机制中平均池生成的空间描述，表示通过空间注意力机制中最大池生成的空间描述；步骤四、将所述源域特征样本集和目标域特征样本集同时输入原型域适应分类模型，通过基于原型域适应方法对源域特征样本集和目标域特征样本集进行域适应训练；其中每一次迭代训练的具体过程包括：步骤四一、对源域特征样本集进行聚类，获得源域聚类中心点集，并将归一化后的源域聚类中心点集作为源域标准化原型；对目标域特征样本集进行聚类，获得目标域聚类中心点集，并将归一化后的目标域聚类中心点集作为目标域标准化原型；步骤四二、计算源域标准化原型和源域特征样本集之间的源域相似度分布向量，计算目标域标准化原型和目标域特征样本集之间的目标域相似度分布向量，并根据源域相似度分布向量和目标域相似度分布向量计算获得域内原型对比损失；步骤四三、计算源域标准化原型和目标域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第一跨域相似度分布向量；计算目标域标准化原型和源域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第二跨域相似度分布向量；并根据第一跨域相似度分布向量和第二跨域相似度分布向量计算获得跨域原型对比损失；步骤四四、利用源域图像数据集中少量带有状态标签的样本获得交叉熵损失；步骤四五、利用源域图像数据集中少量带有状态标签的样本以及具有高可信度的预测样本获得分类器损失；步骤四六、将获得的总损失反向传播以优化ResNet网络，所述总损失的计算公式为：L＝Lcls+λin·LInSelf+λcross·LCrossSelf+λMIM·LMIM式中，Lcls表示交叉熵损失；LInSelf表示执行多次聚类后的平均域内原型对比损失；LCrossSelf表示跨域原型对比损失；LMIM表示分类器损失；λin表示域内原型对比损失的权重超参数；λcross表示跨域原型对比损失的权重超参数；λMIM表示分类器损失的权重超参数；步骤五、迭代循环执行步骤三至步骤四，直至总损失函数达到收敛条件，获得基于原型域适应的滚动轴承故障诊断模型；步骤六、将目标域测试图像数据集输入到训练好的滚动轴承故障诊断模型中，获得最终诊断结果。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种基于少标签数据特征迁移的滚动轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD