(19)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 202210572220.6 (22)申请日 2022.05.24 (71)申请人 北京化工大 学 地址 100029 北京市朝阳区北三环东路15 号 (72)发明人 唐刚　余蒙　 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G01M 13/045(2019.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 一种动力学仿真引导的域对抗轴承故障诊 断方法 (57)摘要 本发明公开了一种动力学仿真引导的域对 抗轴承故障诊断方法， 包括有以下步骤： 采集轴 承振动信号数据； 确定轴承几何参数和形状参 数； 构建基于轴承 ‑转子动力学的多自由度故障 动力学模型； 引入轴承几何参数和形状参数， 采 用数值计算方法计算动力学模型数值仿真结果； 将仿真信号与真实信号进行相位对齐， 然后通过 仿真信号叠加真实数据中的健康轴承样本引入 真实场景中的工况和背景噪声信息， 生成具有真 实样本场景特征的源域故障数据集； 通过少样本 域对抗故障诊断模型对包含真实故障的目标域 数据集进行故障识别， 得到最终的诊断结果。 本 发明提出的轴承故障诊断方法， 在故障样本缺失 的情况下实现有效的故障诊断。 权利要求书2页 说明书8页 附图3页 CN 114997046 A 2022.09.02 CN 114997046 A 1.一种动力学仿真引导的域对抗轴承故障诊断方法， 其特 征在于， 包 含以下几个步骤： S1： 通过轴承故障试验台采集滚动轴承在正常状态以及内圈、 外圈故障状态下来自振 动传感器的轴承故障数据， 构造轴承故障诊断样本集； S2： 根据轴承型号确定轴承几何参数和形状参数； S3： 构建基于轴承 ‑转子动力学理论的多自由度故障动力学模型； S4： 引入轴承的几何参数和形状参数， 采用龙格库塔法计算动力学模型的仿真结果； S5： 通过TLCC时滞互相关算法， 将仿真信号与真实信号进行相位对齐， 然后通过仿真信 号叠加真实数据中的健康轴承样本， 引入真实场景中的工况和背景噪声信息， 生成具有真 实样本场景 特征的源域故障数据集； S6： 通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故 障识别， 输出诊断结果。 2.根据权利要求1所述的诊断方法， 其特征在于， 所述步骤S3中的轴承 ‑转子动力学模 型中引入 滚动轴承和转子的不平衡、 不对中误差等故障类型。 3.根据权利要求1所述的诊断方法， 其特征在于， 所述步骤S5选取仿真信号和真实信号 的正常样本， 采用TLCC时滞互相关算法计算信号之间的相位差， 然后通过滑移的方法消除 两信号的相位差， 并将对齐相位的正常信号与数值仿真得到的故障信号进行线性叠加， 生 成包含实际工况和实际背 景噪声信息的轴承故障信号， 以获得用于诊断模 型训练的源域数 据。 4.根据权利要求3所述的数据生成方法， 其特征在于， 按不同比例对仿真信号进行缩 放， 然后再与真实样本的正常信号进行叠加， 生成信号的表达式为： 其中， 分别表示所构建的源域内的外圈故障、 内圈故障信号， 表示真实轴承信号， 分别表示数值模拟的外圈故障和内圈故障信号， TLCC (·)表示使用时滞互相关算法计算互相关并作滑 移处理， a、 b表示比例系数。 5.根据权利要求1所述的诊断方法， 其特征在于， 构建的少 样本域对抗迁移故障诊断模 型包括有以下步骤： 使用源数据集 初始化训练特 征提取器g和分类 器h， 该步骤的损失函数为： 表示交叉熵损失函数， Xs表示源域数据集， Y表示数据样本对应的标签。 使用源域数据集 和目标域有标签数据集 构造四组样本对 然后 使用四组样本训练 组类别判别器d， 该环 节中会冻结g来完成， 该步骤的损失函数为： 其中 是 的标签， D是判别器d。 φ是特征提取模块， 它收到一对样本作为输入， 得到 特征映射后， 将该映射结果作为输出， 传递给d。权　利　要　求　书 1/2 页 2 CN 114997046 A 2冻结d， 更新特征模块g和预测函数h， 以混淆d并保持较高的分类精度。 这一步骤执行过 程中需要冻结d， 该步骤的损失函数为： 其中γ在样本分类和域混淆之间取得平衡。 模型优化的结果是将 中的样本对错误地 分类为 错误地分类为 即判别器d不再能够将不同分布的正负对与源分布的正负 对区分开 来， 而分类 器仍然能够区分正对和负对。 训练过程中根据收敛性反复进行第二 步和第三 步。 6.根据权利要求5所述的少 样本域对抗迁移故障诊断模型， 其特征在于， 构造成对正样 本两组 和 其中 由多对来自源域的相同类别标签的样本组成； 的成对样本具有相 同的类别标签， 分别来自源域和目标域； 对目标域训练样 本的标签和域信息进 行编码。 将负 样本对分为 和 两组， 来自具有不同类别标签的源分布的样本； 类别标签和域分布 都不同。 7.根据权利要求5所述的少 样本域对抗迁移故障诊断模型， 其特征在于， 诊断模型的特 征提取模块g和分类模块h由具有 多个一维卷积层的一维卷积神经网络和全连接层建模。 8.根据权利要求5所述的少 样本域对抗迁移故障诊断模型， 其特征在于， 模型的损失函 数(5)通过 联合优化源域分类损失、 目标域分类损失和判别器分类损失使模型达 到最优。权　利　要　求　书 2/2 页 3 CN 114997046 A 3