(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111521473.2 (22)申请日 2021.12.3 0 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 康守强　张春萌　王玉静　梁欣涛　 王庆岩　兰朝凤　 (74)专利代理 机构 黑龙江立超同创知识产权代 理有限责任公司 23217 代理人 杨立超 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G01M 13/045(2019.01) (54)发明名称 一种基于改进深度子域适应网络的变工况 下滚动轴承故障诊断方法及系统 (57)摘要 一种基于改进深度子域适应网络的变工况 下滚动轴承故障诊断方法及系统， 涉及滚动轴承 故障诊断技术领域， 用以解决现有故障诊断模型 对于不同工况分布差异大的振动数据的故障诊 断准确率不高的问题。 本发明的技术要点包括： 对源域和目标域振动数据做短时傅里叶变换得 到时频谱图； 引入通道注意力机制和首层宽卷积 核机制对残差网络进行改进， 提取时频谱图中的 深层特征； 利用局部最大均值差异对源域特征和 目标域特征进行子域适应处理， 减小源域和目标 域各个子域之间的分布差异， 实现复杂工况下滚 动轴承的故障诊断。 本发明可以实现变工况及工 况泛化情况下的滚动轴承故障诊断， 具有较高的 准确率。 本发 明可广泛应用于滚动轴承故障诊断 之中。 权利要求书3页 说明书15页 附图10页 CN 114429150 A 2022.05.03 CN 114429150 A 1.一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法， 其特征在于， 包括以下步骤： 步骤一、 采集一种工况下已知故障信息的滚动轴承振动信号样本构建源域数据样本 集， 采集其他工况下未知故障信息的滚动轴承振动信号样 本构建目标域数据样本集， 其中， 目标域数据样本集包括训练样本集和 测试样本集； 步骤二、 对源域数据样本集和目标域数据样本集中的滚动轴承振动信号分别做短时傅 里叶变换， 将一维时域信号转换为二维时频图像， 获得源域图像样本集和目标域图像样本 集； 步骤三、 构建改进残差网络， 引入注意力 机制动态分配各通道间的资源， 提取源域图像 样本集和目标域图像样本集的深层特 征， 获得无标签目标域样本的软 标签； 步骤四、 利用源域和目标域深层特征、 源域真实标签以及目标域软标签， 计算源域和目 标域之间的局部最大均值差异， 作为域适应损失项， 度量源域和目标域各个子域之间的分 布差异； 步骤五、 将域适应损失项与改进残差网络的交叉熵损失项共同作为目标函数进行优 化， 经过指定迭代次数的训练， 获得变工况 下滚动轴承的故障诊断模型； 步骤六、 将目标域测试样本集输入训练好的故障诊断模型， 将对测试样本的故障诊断 结果与其真实标签作对比， 获得故障诊断模型对于滚动轴承故障诊断的准确 率， 以此衡量 故障诊断模型的性能。 2.根据权利要求1所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断方法， 其特征在于， 步骤三中所述改进残差网络是对现有残差网络进 行改进， 改进之处在 于： 第一、 将残差网络首个卷积层的卷积核尺寸从7 ×7修改为15 ×15； 第二、 对残差网络模 型ResNet ‑50中的残差模块进行下述改进： 每个通道分别对输入的特征进行1 ×1和3×3的 卷积操作， 初步提取特征； 将各个通道的特征通过全局池化层进 行压缩降维， 得到代表该通 道上下文信息的全局特征； 将得到的全局特征输入到两个全连接层中进行处理， 对各个通 道之间的相关性进行建模； 两个全连接层之间利用ReLU激活函数提高非线性； 经过Softmax 层对得到的通道权重归一化； 最后利用归一化后的权重对原始的通道特征进 行加权作为输 出， 获得特征图像。 3.根据权利要求2所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断方法， 其特 征在于， 加权后输出的特 征图像Vc为： Vc＝acUc 式中， ac表示第c个通道的权重； Uc表示经过1 ×1卷积层和3 ×3卷积层后得到的特征图 像； Vc表示经过通道注意力机制加权后输出的特 征图像。 4.根据权利要求3所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断方法， 其特征在于， 步骤四中局部最大均值差异LMMD用于对源域和目标域各个子域分别 映射对齐， 其计算公式为： 其中， p、 q分别表示源域和目标域样本服从的分布； H表示一种具有特征核的再生希尔权　利　要　求　书 1/3 页 2 CN 114429150 A 2伯特空间； c表示类别， C表示类别总数； 和 分别表示源域Ds的第i个样本和目标域Dt的第 j个样本； 和 分别表示 和 属于类别c的权重； 表示一种将原始样本数据映射到H 的特征映射。 5.根据权利要求4所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断方法， 其特征在于， 步骤五中所述交叉熵损失项用于判断模 型在源域样本上的表现， 其计 算公式为： 其中， c表示类别， C表示类别总数； N表示样本总数， i表示样本序号； yic是一个符号函 数， 若第i个样本的真实类别为c则取值为1， 否则取值为0； pic表示第i个样本属于第c类的预 测概率。 6.根据权利要求5所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断方法， 其特征在于， 步骤一中所述故障信息包括不同损伤直径的内圈故障、 滚动体故障、 外圈故障或不存在故障； 所述工况根据不同负载和不同电机转速的组合获得。 7.一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断系统， 其特征在于， 包括： 数据采集模块， 其配置成采集一种工况下已知故障信 息的滚动轴 承振动信号样本构建 源域数据样本集， 采集其他工况下未知故障信息的滚动轴承振动信号样本构建目标域数据 样本集， 其中， 目标域数据样本集包括训练样 本集和测试样本集； 所述 故障信息包括不同损 伤直径的内圈故障、 滚动体故障、 外圈故障或不存在故障； 所述工况根据不同负载和不同电 机转速的组合获得； 预处理模块， 其配置成对源域数据样本集和目标域数据样本集中的滚动轴承振动信号 分别做短时傅里叶变换， 将一维时域信号转换为二维时频图像， 获得源域图像样本集和目 标域图像样本集； 特征提取模块， 其配置成构建改进残差网络， 引入注意力机制动态分配各通道间的资 源， 提取源域图像样本集和目标域图像样本集的深层特征， 获得无标签目标域样本的软标 签； 分布差异度量模块， 其配置成利用源域和目标域深层特征、 源域真实标签以及目标域 软标签， 计算源域和目标域之间的局部最大均值差异， 作为域适应损失项， 度量源域和目标 域各个子域之间的分布差异； 模型训练模块， 其配置成将域适应损失项与改进残差网络的交叉熵损失项共同作为目 标函数进行优化， 经 过指定迭代次数的训练， 获得变工况 下滚动轴承的故障诊断模型； 模型测试模块， 其配置成将目标域测试样本集输入训练好的故障诊断模型， 将对测试 样本的故障诊断结果与其真实标签作对比， 获得故障诊断模型对于滚动轴承故障诊断的准 确率， 以此衡量故障诊断模型的性能。 8.根据权利要求7所述的一种基于改进深度子域适应网络的变工况下滚动轴 承故障诊 断系统， 其特征在于， 所述特征提取模块中所述改进残差网络是对现有残差网络进 行改进， 改进之处在于： 第一、 将残差网络首个卷积层的卷积核尺寸从7 ×7修改为15 ×15； 第二、 对 残差网络模 型ResNet ‑50中的残差模块进行下述改进： 每个通道分别对输入的特征进 行1×权　利　要　求　书 2/3 页 3 CN 114429150 A 3