(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 202111388512.6 (22)申请日 2021.11.22 (71)申请人 上海电力大 学 地址 200090 上海市杨 浦区平凉 路2103号 (72)发明人 葛听雨　应雨龙　潘成龙　张菲菲　 (74)专利代理 机构 安徽善安知识产权代理事务 所(特殊普通 合伙) 3420 0 代理人 黄玲 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2006.01) G06N 3/12(2006.01) G06N 20/10(2019.01) G08B 21/24(2006.01) (54)发明名称 一种基于深层特征和迁移学习的滚动轴承 故障诊断方法 (57)摘要 本发明公开了一种基于深层特征和迁移学 习的滚动轴承故障诊断方法。 本发明中， 特征提 取模块的内部滚动轴承特征提取方法通过迁移 学习理论， 分析了SDA E自适应提取轴承深层特征 的过程， 并提取由时域、 频域和时 ‑频域特征共同 组成的浅层特征， 从而配合故障诊断模块内部的 诊断监测模块结合VMD和SVD对滚动轴承振动信 号进行奇异值特征提取， 再与奇异值熵、 振动信 号时域、 频域特征一起共同构建滚动轴承多域特 征集的方法， 从而获得更能表征滚动轴承状态的 特征， 提高了对滚动轴承故障判断的准确性， 也 提高了系统的运行速度， 为人民的故障判断使用 节省了时间， 增 加了系统的运行效率。 权利要求书3页 说明书6页 附图2页 CN 113901729 A 2022.01.07 CN 113901729 A 1.一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 包括特征提取模块(1)、 数 据传输器(2)、 无线传输模块(3)、 故障诊断模块(4)、 数据输出模块(5)、 远程提醒模块(6)、 深层特征提取模块(7)、 浅层特征提取模块(8)、 自动编码器模块(9)、 去噪模块(10)、 时域特 征提取模块(11)、 频域特征提取模块(12)、 信息发送模块(13)、 短信设置模块(14)、 通信对 接模块(15)、 工作人员接收终端(16)， 其特征在于： 所述特征提取模块(1)的输出端连接有 所述数据传输器(2)的输入端， 所述数据传输器(2)的输出端连接有所述无线传输模块(3) 的输入端， 所述无线传输模块(3)的输出端连接有所述故 障诊断模块(4)的输入端， 所述故 障诊断模块(4)的输出端连接有所述数据输出模块(5)的输入端， 所述数据输出模块(5)的 输出端连接有所述远程 提醒模块(6)的输入端。 2.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述特征提取模块(1)的内部设置有深层特征提取模块(7)和浅层特征提取模块 (8)， 所述深层特征提取模块(7)的内部固定安装有自动编码器模块(9)和去噪模块(10)， 所 述自动编码器模块(9)和去噪模块(10)的输出端连接有所述深层特征提取模块(7)的输入 端， 所述浅层特征提取模块(8)的内部固定安装有 时域特征提取模块(11)和频域特征提取 模块(12)， 所述时域特征提取模块(11)和频域特征提取模块(12)的输出端 连接有所述浅层 特征提取模块(8)的输入端。 3.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述远程提醒模块(6)的内部固定安装有信息发送模块(13)、 短信设置模块(14)、 通信对接模块(15)和工作人员接收终端(16)， 所述信息发送模块(13)、 短信设置模块(14)、 通信对接模块(15)和工作人员接收终端(16)的输出端 连接有所述远程提醒模块(6)的输入 端。 4.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述自动编码器模块(9)构 由两部分组成， 分为编码与解码， x为输入层， h为隐含 层， 为输出层， 在基本的自动 编码器网络中， 假定 输入为x， 在激活函数的作用下， 得到一个 编码输出y； 编码器基本原理公式为:y＝fθ(x)＝s(W1x+b1)； Sigmoid激活函数表达式为： 其中： θ为编码参数, θ＝{W1,b1}， W1为权重矩阵， b1为输入层偏置向量， s( ·) 为Sigmoid函数。 5.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述去噪模块(10)的内部去噪步骤为： 具体步骤为： S1:选取滚动轴承振动信号原始多状态数据； 设置各状态振动信号数据点个数及每个 样本的长度； S2:对特征提取模块(1)中时域数据进行Fourier变换； 将得到的频域数据作为SDAE输 入， 进行网络训练； S3:确定SDAE网络结构层数， 以及每层中的神经元个数； 输入层为数据传输器(2)中得 到的振动信号频域样本， 且输入层神经 元的数目与输入样本的维数相同； S4:初始化SDAE网络结构参数； 采用振动信号频域数据作为训 练样本， 对SDAE进行训 练， 利用反向传播算法调整SDAE网络， 使其代价函数达到最小时， 获得最优的 隐含层的参数权　利　要　求　书 1/3 页 2 CN 113901729 A 2集合； S5:数据经输入层到隐含层的输出结果， 即为SDAE自适应学习提取的深层 特征； 获取得 到的每层特 征维数， 与S DAE中隐含层神经 元的个数相同。 6.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述时域特征提取模块(11)通常采用时域特征提取方法对轴承运行状态进 行描述 是最直接的； 此处以x(t)表示滚动轴承 时域振动信号， x(n)表示采样后离散化的信号， N为 采样点数； 其表达式具体为∶ 均方根值为： 时域特征指标中均方根值越大， 反映振动信号强度越 大。 7.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述频域特征提取模块(12)从频域角度 获得2个频域指标， 频域参量p1， 其表达式 为： 频域参量p2， 其表达式为： 式中： s(k)为频谱值， k＝ 1,2,…,K， K为谱线数， fk为第K条谱线的频率值； 离散化后的振动信号时间序列为x(n)， 采 样频率为fs， 采样点数为N； p1反映频域振动能量的大小， p2反映信号 频谱与其均值之间的偏 离程度。 8.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述故障诊断模块(4)的故障诊断方法流 程为： S1:对已知工况和未知工况滚动轴承多状态(不同转速和不同负载工况下的正常、 内环 不同故障程度、 外环不同故障程度、 滚动体不同故障程度)振动信号进 行VMD操作， 用观 察法 确定分解的IMF个数， 对IMF构建矩阵， 并进行SVD获取奇异 值， 同时求取奇异值熵； 再提取振 动信号的时域、 频域特 征指标； S2:将步骤S1中已知工况滚动轴承振动信号的时域、 频域特征， 结合奇异值、 奇异值熵 共同构建源域训练特征样本集； 同理， 未知工况 的滚动轴承振动特征构建目标域测试特征 样本集； S3:将步骤S2中源域特征样本集与目标域特征样本集共同特征映射到再生核Hilbert 空间中， 在该空间中用MMDE度量源域特征样本与目标域特征样本之间的最大均值距离； 由 最大均值差异统计值判断可迁移源域数据， 选择合适源域振动信号数据辅助目标域学习， 提高对目标域数据类别识别能力； S4:将步骤S3中映射后已标记源域特征样本集输入SVM中， 同时用遗传算法 (geneticalgor ithm， GA)对惩罚因子和径向基核参数进行寻优， 最终得到训练模型； 将映射 后的目标域特 征样本集输入到模型中， 获得 未知变工况 下滚动轴承故障识别结果。 9.如权利要求1所述的一种基于深层特征和迁移学习的滚动轴承故障诊断方法， 其特 征在于： 所述短信设置模块(14)针对需要发送短信报警的发送 号码、 发送内容等进 行设置， 所述预设短信模块自动编 码器模块(9)包括： 注册手机号、 接收人姓名、 短信接收号码、 短信 内容等； 每个登录用户可设置多个短信接收号码， 每个接收号码可预审相应的短信信息， 滚权　利　要　求　书 2/3 页 3 CN 113901729 A 3