(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 202111665362.9 (22)申请日 2021.12.31 (71)申请人 南京工业大 学 地址 210000 江苏省南京市浦口区浦珠南 路30号 (72)发明人 吴思懿　洪荣晶　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 徐激波 (51)Int.Cl. G01M 13/045(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种深度域自适应卷积网络的滚动轴承故 障诊断方法 (57)摘要 本发明提供一种深度域自适应卷积网络的 滚动轴承故障诊断方法， 包括以下步骤： 准备多 个工况下的数据集， 选取其中一个工况下的数据 作上标签作为源域数据， 其他工况作为无标签的 目标域数据； 将目标域数据70％用于训练集和 30％用于测试集， 并将所述训练集与所述源域数 据一起输入模 型中进行训练； 计算所述源域数据 的分类损失、 所述源域数据与所述目标域数据在 一维卷积网络神经模型全连接层的MK ‑MMD距离 损失Wasserstein距离损失， 利用上述三种损失 进行网络 结构和参数的优化调整， 将所述源域数 据与所述目标域数据对齐， 得到训练好的网络。 本发明提出的诊断方法能够对故障信息自动提 取， 提高特 征利用率， 减少建模时间。 权利要求书2页 说明书3页 附图2页 CN 114354195 A 2022.04.15 CN 114354195 A 1.一种深度域自适应卷积网络的滚动轴承故障诊断方法， 其特征在于， 所述诊断方法 包括以下步骤： S1： 通过传感器采集多个工况下的滚动轴承振动信号， 利用所述振动信号建立多个工 况下的数据集， 每个数据集内含滚子故障样本集、 内圈故障样本集和外圈故障样本集及正 常状态的样本， 其中每种故障样本集内均包括三种不同的损伤直径样本， 则共有十种状态 样本， 每种状态样本1000组， 从多个工况中选取一个工况下的数据作上标签作为源域数据， 其他工况作为无 标签的目标域数据； S2： 将损失目标域数据随机分配， 其 中70％用于训练集和30％用于测试集， 并将所述训 练集与所述源域数据输入一维卷积网络神经模型中训练； S3： 计算源域数据的分类损失， 源域数据与目标域数据在全连接层的MK ‑MMD与 Wasserstein距离损失， 利用MK ‑MMD与Wasserstein距离损失和作为反向传播的优化目标进 行网络结构和 参数的优化调整， 直到将所述源域数据与所述 目标域数据对齐， 得到训练好 的网络； S4： 将训练好的网络对测试集进行测试， 得到故障分类结果。 2.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法， 其特征 在于， 所述 一维卷积网络神经模型为： 第一层为卷积层， 卷积核大小为 4， 步长为2， 卷积核数目为32， 输出 大小1024 ×32； 第二层为池化层， 卷积核大小为2， 步长为1， 卷积核数目为32， 采用最大值池化， 输出大 小512×32； 第三层为卷积层， 卷积核大小为 4， 步长为2， 卷积核数目为64， 输出 大小256×64； 第四层为池化层， 卷积核大小为2， 步长为1， 卷积核数目为64， 采用最大值池化， 输出大 小128×64； 第五层为Flat ten层， 卷积核大小为 4096， 步长为1， 输出 大小4096 ×1； 第六层为全连接层1， 卷积核大小为1024， 步长为1， 输出 大小1024 ×1； 第七层为全连接层2， 卷积核大小为 4， 步长为1， 输出 大小4×1。 3.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法， 其特征 在于， 计算所述源域数据的分类损失方法为： 其中Ly表示分类损失， Pic表示对第i个样本的预测类别为真实标签的概率， yic为符号函 数， 当第i个样本的真实标签为c时， yic的值为1， 否则为0 。 4.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法， 其特征 在于， 所述 Wasserstein距离损失为： 其中PS源域数据分布， PT表示目标域数据分布， Iinf表示最大下界， π(PS， PT)表示所述源 域数据与所述目标域数据中所有可能的联合分布， γ是其中一种 联合分布， x和y是从每一 个可能的联合分布γ中采样得到样本， ||x ‑y||是这对样本的距离， E(x,y)～γ[||x ‑y||] 是在该联合分布γ下样本对距离的期望值， 利用Wasserstein距离的Kantorovich ‑权　利　要　求　书 1/2 页 2 CN 114354195 A 2Rubinstein对偶性， 将Was serstein距离损失定义 为： 其Ex～Ps[f(x)]‑Ex～PT[f(x)]是x 对目标域数据与源域数据的期望； 所述MK‑MMD距离损失为： 其中X和Y分别代表为源域数据、 目标域数据的特征； n、 m分别为源域数据、 目标域数据 小批量样本数； xi代表源域数据特征的第i个样本， yj代表目标域数据特征的第j个样本， φ ()代表一个映射 函数， H表示再生希尔伯特空间。权　利　要　求　书 2/2 页 3 CN 114354195 A 3