轴承的故障诊断方法、装置、终端、存储介质和程序产品
本发明属于轴承诊断，具体涉及一种轴承的故障诊断方法、装置、终端、存储介质和计算机程序产品，尤其涉及一种基于动力学模型与领域泛化的跨设备轴承故障诊断方法、装置、终端、存储介质和计算机程序产品。
背景技术：
1、轴承故障诊断本质上是对轴承状态的识别；其中，轴承状态，是指轴承运行过程中的状态，主要包括轴承的正常运行状态和轴承的故障运行状态，轴承的故障运行状态又包括轴承外圈故障、内圈故障、滚动体故障运行时的状态。一般情况下，轴承不同部位故障时会产生不同频率的周期信号。传统的故障诊断方法对采集到的信号进行分析处理，提取故障特征，输入浅分类器进行故障识别。由于传统诊断方法对专家知识的依赖程度较高，基于以数据为中心的深度学习的各种方法被提出并取得了不错的效果。基于深度学习的轴承故障诊断方法自动提取故障特征，减少了特征提取过程中的人工介入，实现了端到端的故障诊断，并得到了广泛的应用。但是，现有的基于深度学习的轴承故障诊断方法，在对跨设备轴承(如不同设备上的不同型号的轴承)进行故障诊断时的诊断准确率较低。
2、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的目的在于，提供一种轴承的故障诊断方法、装置、终端、存储介质和计算机程序产品，以解决现有的基于深度学习的轴承故障诊断方法，在对跨设备轴承(如不同设备上的不同型号的轴承)进行故障诊断时的诊断准确率较低的问题，达到通过使用动力学模型与领域泛化方法结合，能够对跨设备轴承进行故障诊断，从而提高诊断准确率的效果。
2、本发明提供一种轴承的故障诊断方法，应用于对跨设备的轴承进行故障诊断；所述轴承的故障诊断方法，包括：建立轴承四自由度动力学模型；利用所述轴承四自由度动力学模型得到轴承故障时的仿真振动信号；获取轴承故障时的实际振动信号；对所述轴承故障时的仿真振动信号和所述轴承故障时的实际振动信号分别进行小信号变换处理，得到所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像；建立领域化网络；利用所述领域化网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征；利用所述轴承故障时的领域不变特征对所述领域化网络进行训练，得到轴承故障诊断模型，以利用所述轴承故障诊断模型实现跨设备轴承的故障诊断。
3、在一些实施方式中，建立得到的所述轴承四自由度动力学模型的表达式如下：
4、
5、其中，m0和mi分别是轴承外圈和内圈的等效质量；xo和xi分别是轴承外圈和内圈在水平方向振动时的位移；yo和yi分别是轴承外圈和内圈在竖直方向振动时的位移；ko和ki分别是轴承外圈和内圈的接触刚度；co和ci分别是轴承外圈和内圈的阻尼；fhx和fhy分别是赫兹接触力在水平方向和竖直方向的分量；fe为因轴承偏心引起的附加作用力；ω是轴承内圈转速；p是外部负载；g是重力加速度。
6、在一些实施方式中，利用所述轴承四自由度动力学模型得到轴承故障时的仿真振动信号，包括：使用所述轴承四自由度动力学模型，模拟轴承发生不同类型故障时不同部件之间的位置关系；根据模拟得到的轴承发生不同类型故障时不同部件之间的位置关系，建立微分方程；并使用龙格库塔法求解建立的所述微分方程，得到轴承故障时的仿真振动信号。
7、在一些实施方式中，轴承具有滚动体和内外圈；使用所述轴承四自由度动力学模型，模拟轴承发生不同类型故障时不同部件之间的位置关系，包括：根据轴承的滚动体和内外圈之间的旋转关系，分别模拟四种健康类型的轴承状态，得到轴承发生不同类型故障时不同部件之间的位置关系；其中，四种健康类型的轴承状态，包括：在轴承的外圈固定、轴承的外圈故障时，根据轴承的滚动体到达轴承的外圈的时间判断产生冲击信号的频率；在轴承的内圈旋转、轴承的内圈故障时，根据轴承的滚动体到达轴承的内圈的时间判断产生冲击信号的频率；在轴承的滚动体故障时，根据轴承的滚动体上的缺陷分别到达轴承的内圈和轴承的外圈的时间判断产生冲击信号的频率；确定轴承的健康状态，且确定健康状态下的轴承不产生由缺陷引起的冲击信号。
8、在一些实施方式中，利用所述领域化网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征，包括：利用所述领域化网络建立知识蒸馏网络；并利用所述知识蒸馏网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域内不变特征；以及，利用所述领域化网络建立域对抗网络；并利用所述域对抗网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域间不变特征；将提取得到的轴承故障振动信号的领域内不变特征、以及提取得到的所述轴承故障振动信号的领域间不变特征，作为所需要的轴承故障时的领域不变特征。
9、在一些实施方式中，其中，利用所述领域化网络建立知识蒸馏网络；并利用所述知识蒸馏网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域内不变特征，包括：利用所述领域化网络建立学生网络和教师网络，作为知识蒸馏网络；利用所述学生网络学习所述教师网络中的特征，并利用均方差损失函数，使所述学习网络学习到的特征逼近所述教师网络；在训练得到的所述学生网络中提取所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像的傅里叶特征作为领域内不变特征；
10、和/或，利用所述领域化网络建立域对抗网络，包括：使用resnet18网络作为所述领域化网络中的特征提取器；使用所述领域化网络建立域判别器和类判别器，在所述域判别器的前端加入梯度反转层；并利用建立得到的所述域判别器混淆建立得到的所述类判别器，得到所需的域对抗网络，以利用所述域对抗网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域间不变特征。
11、与上述方法相匹配，本发明另一方面提供一种轴承的故障诊断装置，应用于对跨设备的轴承进行故障诊断；所述轴承的故障诊断装置，包括：控制单元，被配置为建立轴承四自由度动力学模型；所述控制单元，还被配置为利用所述轴承四自由度动力学模型得到轴承故障时的仿真振动信号；获取单元，被配置为获取轴承故障时的实际振动信号；所述控制单元，还被配置为对所述轴承故障时的仿真振动信号和所述轴承故障时的实际振动信号分别进行小信号变换处理，得到所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像；所述控制单元，还被配置为建立领域化网络；所述控制单元，还被配置为利用所述领域化网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征；所述控制单元，还被配置为利用所述轴承故障时的领域不变特征对所述领域化网络进行训练，得到轴承故障诊断模型，以利用所述轴承故障诊断模型实现跨设备轴承的故障诊断。
12、在一些实施方式中，所述控制单元建立得到的所述轴承四自由度动力学模型的表达式如下：
13、
14、其中，m0和mi分别是轴承外圈和内圈的等效质量；xo和xi分别是轴承外圈和内圈在水平方向振动时的位移；yo和yi分别是轴承外圈和内圈在竖直方向振动时的位移；ko和ki分别是轴承外圈和内圈的接触刚度；co和ci分别是轴承外圈和内圈的阻尼；fhx和fhy分别是赫兹接触力在水平方向和竖直方向的分量；fe为因轴承偏心引起的附加作用力；ω是轴承内圈转速；p是外部负载；g是重力加速度。
15、在一些实施方式中，所述控制单元，利用所述轴承四自由度动力学模型得到轴承故障时的仿真振动信号，包括：使用所述轴承四自由度动力学模型，模拟轴承发生不同类型故障时不同部件之间的位置关系；根据模拟得到的轴承发生不同类型故障时不同部件之间的位置关系，建立微分方程；并使用龙格库塔法求解建立的所述微分方程，得到轴承故障时的仿真振动信号。
16、在一些实施方式中，轴承具有滚动体和内外圈；所述控制单元，使用所述轴承四自由度动力学模型，模拟轴承发生不同类型故障时不同部件之间的位置关系，包括：根据轴承的滚动体和内外圈之间的旋转关系，分别模拟四种健康类型的轴承状态，得到轴承发生不同类型故障时不同部件之间的位置关系；其中，四种健康类型的轴承状态，包括：在轴承的外圈固定、轴承的外圈故障时，根据轴承的滚动体到达轴承的外圈的时间判断产生冲击信号的频率；在轴承的内圈旋转、轴承的内圈故障时，根据轴承的滚动体到达轴承的内圈的时间判断产生冲击信号的频率；在轴承的滚动体故障时，根据轴承的滚动体上的缺陷分别到达轴承的内圈和轴承的外圈的时间判断产生冲击信号的频率；确定轴承的健康状态，且确定健康状态下的轴承不产生由缺陷引起的冲击信号。
17、在一些实施方式中，所述控制单元，利用所述领域化网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征，包括：利用所述领域化网络建立知识蒸馏网络；并利用所述知识蒸馏网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域内不变特征；以及，利用所述领域化网络建立域对抗网络；并利用所述域对抗网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域间不变特征；将提取得到的轴承故障振动信号的领域内不变特征、以及提取得到的所述轴承故障振动信号的领域间不变特征，作为所需要的轴承故障时的领域不变特征。
18、在一些实施方式中，其中，所述控制单元，利用所述领域化网络建立知识蒸馏网络；并利用所述知识蒸馏网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域内不变特征，包括：利用所述领域化网络建立学生网络和教师网络，作为知识蒸馏网络；利用所述学生网络学习所述教师网络中的特征，并利用均方差损失函数，使所述学习网络学习到的特征逼近所述教师网络；在训练得到的所述学生网络中提取所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像的傅里叶特征作为领域内不变特征；和/或，所述控制单元，利用所述领域化网络建立域对抗网络，包括：使用resnet18网络作为所述领域化网络中的特征提取器；使用所述领域化网络建立域判别器和类判别器，在所述域判别器的前端加入梯度反转层；并利用建立得到的所述域判别器混淆建立得到的所述类判别器，得到所需的域对抗网络，以利用所述域对抗网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障振动信号的领域间不变特征。
19、与上述装置相匹配，本发明再一方面提供一种终端，包括：以上所述的轴承的故障诊断装置。
20、与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的轴承的故障诊断方法。
21、与上述方法相匹配，本发明再一方面提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上所述的轴承的故障诊断方法的步骤。
22、由此，本发明的方案，通过建立轴承动力学模型，利用轴承四自由度动力学模型产生的故障仿真振动信号作为数据集，将数据集进行小波变换处理，建立领域泛化网络提取轴承故障时的领域不变特征，训练网络以利用领域泛化网络实现跨设备轴承故障诊断；从而，通过使用动力学模型与领域泛化方法结合，能够对跨设备轴承进行故障诊断，从而提高诊断准确率。
23、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
24、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
技术特征：
1.一种轴承的故障诊断方法，其特征在于，应用于对跨设备的轴承进行故障诊断；所述轴承的故障诊断方法，包括：
2.根据权利要求1所述的轴承的故障诊断方法，其特征在于，建立得到的所述轴承四自由度动力学模型的表达式如下：
3.根据权利要求1或2所述的轴承的故障诊断方法，其特征在于，利用所述轴承四自由度动力学模型得到轴承故障时的仿真振动信号，包括：
4.根据权利要求3所述的轴承的故障诊断方法，其特征在于，轴承具有滚动体和内外圈；使用所述轴承四自由度动力学模型，模拟轴承发生不同类型故障时不同部件之间的位置关系，包括：
5.根据权利要求1所述的轴承的故障诊断方法，其特征在于，利用所述领域化网络，自所述轴承故障时的仿真振动二维图像和所述轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征，包括：
6.根据权利要求5所述的轴承的故障诊断方法，其特征在于，其中，
7.一种轴承的故障诊断装置，其特征在于，应用于对跨设备的轴承进行故障诊断；所述轴承的故障诊断装置，包括：
8.一种终端，其特征在于，包括：如权利要求7所述的轴承的故障诊断装置。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任一项所述的轴承的故障诊断方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的轴承的故障诊断方法的步骤。
技术总结
本发明公开了一种轴承的故障诊断方法、装置、终端、存储介质和计算机程序产品，该方法包括：建立轴承四自由度动力学模型得到轴承故障时的仿真振动信号；对轴承故障时的仿真振动信号和轴承故障时的实际振动信号分别进行小信号变换处理，得到轴承故障时的仿真振动二维图像和轴承故障时的实际振动二维图像；建立领域化网络，自轴承故障时的仿真振动二维图像和轴承故障时的实际振动二维图像中，提取轴承故障时的领域不变特征；利用轴承故障时的领域不变特征对领域化网络进行训练，得到轴承故障诊断模型以实现跨设备轴承的故障诊断。该方案，通过使用动力学模型与领域泛化方法结合，能够对跨设备轴承进行故障诊断，从而提高诊断准确率。
技术研发人员：马萍,龚丰金,张宏立,王聪,李新凯,孟月
受保护的技术使用者：新疆大学
技术研发日：
技术公布日：2024/9/23