买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海理工大学

摘要：本发明涉及一种基于深度迁移学习的轴承套圈磨削烧伤识别方法，利用声发射传感器和振动传感器采集轴承套圈磨削加工信号，并对信号数据进行特征提取，获取能量占比、均方频率和时域参数等特征参数；将特征参数组合成特征向量输入DAE‑LSTM模型进行轴承套圈烧伤识别训练，建立轴承套圈某型号磨削烧伤识别基础模型，并利用准确率、混淆矩阵对模型识别结果进行评价；使用其他不同型号轴承套圈数据微调基础模型权重参数进行迁移学习，以适应不同轴承套圈型号烧伤识别。对迁移学习后的轴承套圈磨削烧伤识别模型进行实验验证。实现了轴承套圈在磨削加工过程中每个轴承套圈烧伤现象的识别，避免不合格零件流入装配环节，能更准确有效地识别轴承套圈磨削烧伤现象。

主权项：1.一种基于深度迁移学习的轴承套圈磨削烧伤识别方法，其特征在于，包括以下步骤：步骤S1：利用声发射传感器和振动传感器采集多种不同型号轴承套圈磨削加工过程的信号数据，其中包括非烧伤状态和烧伤状态两种状态的数据；步骤S2：利用小波包分解对声发射信号提取的均方频率和能量占比作为特征参数；同时提取振动传感器的时域参数；将提取的均方频率和能量占比、时域参数特征参数组合成特征向量输入DAE网络进行深度特征提取和降维，深度自编码器DAE网络可以提取深层微观且高度表达的磨削烧伤特征并可将特征向量的维度降低，节省模型训练时间；步骤S2具体为：步骤S2.1：时域特征提取当轴承套圈出现磨削烧伤时，信号中频率成分、各频率成分能量以及频谱主能量谱峰的位置也与非烧伤状态有明显区别，通过对信号时域特征参数的计算分析，可以获取到反映磨削烧伤的特征信息；特征参数包括均值、峰值、方差、标准差、偏斜度、均方根、峰值因子、峭度、波形因子、极差、脉冲因子、裕度因子；步骤S2.2：小波包分解小波包分解是基于小波变换进行了改进和优化；相较于小波变换，利用小波包分解可以对轴承套圈磨削加工信号分析更加精细，在全频带上反映出轴承套圈磨削信号特点，自适应选择最佳的小波基函数，能够突出轴承套圈发生烧伤时的时频局部特点，从而提高轴承套圈烧伤的识别率；信号S0,0分解为S1,0和S1,1，S1,0和S1,1分别再分解为S2,0和S2,1，S2，2和S2,3，依次类推逐层分解；因此当分解层数为n时，可分解为2n个频率段，且每个频率段的频率区间完全相同；设采样频率为fs，则第j个频率段的频率范围为各子频率段的小波包能量值Ej计算公式，如下式所示： 式中，xj2t是经小波包分解后第j个子信号的重构系数；2n个子信号可以得出对应数量的不同频段的能量向量对能量值进行归一化处理后映射到[0,1]之内，得到能量比，如下式所示： 式中，为总能量，且有步骤S2.3：均方频率在轴承套圈磨削加工中烧伤发生时，信号的频域变化十分明显，信号的主频带会上移，导致均方频率的值也会急剧升高，因此使用均方频率作为识别轴承套圈磨削烧伤的一个特征值；均方频率的计算公式为： 式中，f为频率；Sf为功率谱的幅值，MSF为均方频率、K为信号总长度、fj为j频段的频率、j为子频段；步骤S2.4：基于DAE网络降维轴承套圈加工过程中的烧伤特征是较复杂且微观的，不易察觉，使用深度自编码网络进行降维，提取其中蕴含的烧伤特征信息；采用深度自编码器对轴承套圈磨削加工信号进行特征提取和降维；给定一个小波包特征向量无标签数据集样本X＝{xj|1≤j≤N}，其中N为样本总个数，xj为数据集中第j个样本，且维数为m；设H＝{hj|1≤j≤N}表示隐含层输出向量集合，其中hj表示第j个电弧样本对应的特征向量，其维数为m1，则有：H＝Scw1X+b14式中，w1为输入层和隐含层之间权重；b1为输入层与隐含层之间的偏置；Sc为编码器的激活函数，选用sigmoid函数，；解码器是编码器的逆运算，利用隐含层输出数据重构出原始输入数据；设X＝{yj|1≤j≤N}表示输出向量集合，其维数也为m，则有：Y＝Sdw2H+b25式中，w2为隐含层与输出层之间权重；b2为隐含层与输出层之间的偏置；Sd为解码器的激活函数，选用sigmoid函数；为评估DAE网络降维性能，利用平均绝对百分误差MAPE进行误差分析，如下式所示： 式中，δm代表MAPE误差值；N为样本总数，p′j和pj分别为第j个样本对应的预测值与实际值；步骤S3：将DAE网络的输出接入长短期记忆网络LSTM网络进行轴承套圈磨削烧伤识别，先以一种轴承套圈型号的磨削信号数据建立DAE-LSTM轴承套圈磨削烧伤识别基础模型，再使用采集到的其他的少量新型号轴承套圈磨削传感器信号数据对基础模型权重参数微调进行迁移学习，实现多型号轴承套圈的模型烧伤识别；具体如下：步骤S3.1：LSTM网络将LSTM网络用于轴承套圈烧伤识别；LSTM单元通过引入“门”机制改变贯穿隐藏层的细胞状态信息，从而实现了信息的长期记忆；“门”机制包括输入门、遗忘门和输出门；步骤S3.2：DAE-LSTM轴承套圈烧伤识别模型先提取轴承套圈磨削加工原始传感器信号的特征值，即声发射传感器的小波包能量特征和振动传感器的时域特征，再将特征值划分训练集、验证集后输入至DAE模型降维，把DAE模型的输出层去掉接入LSTM模型的输入层，在LSTM单元通过长短期记忆处理进行有用信息的筛选，全连接层的作用为特征联结与LSTM层相连，可以进一步提升模型LSTM模型的性能，分类概率层通过sigmoid函数计算；步骤S3.3：评价方法为了评价DAE-LSTM模型的性能，基于混淆矩阵来评估轴承套圈磨削烧伤识别模型的分类性能；对于二分类问题来说，根据模型预测的结果得到混淆矩阵，对角线元素显示每个类别的正确观测值，可有效衡量分类模型的混淆程度；步骤S3.4：迁移学习先用某一型号的轴承套圈大量磨削加工数据训练出一种基础模型，在面对新的轴承套圈型号时，迁移学习新的目标域模型，使用少量数据快速迁移模型以适应多种不同型号的轴承套圈磨削烧伤识别，省时高效完成多种不同型号轴承套圈磨削烧伤识别任务，基础模型训练完成后，保存源域基础模型进行迁移学习，迁移策略考虑划分为两种：第一种，微调模型的网络层权重参数，仅需少量目标域数据训练DAE-LSTM网络；第二种，适配冻结最佳DAE-LSTM网络层数，使用少量目标域数据对未冻结层权重参数微调，最后对比分析识别结果，选取最佳的迁移学习方案，构建出多种不同型号轴承套圈磨削烧伤识别模型；步骤S4：通过在实际轴承套圈生产车间进行大量磨削实验，对迁移学习后DAE-LSTM轴承套圈磨削烧伤识别模型的识别结果验证分析。

全文数据：

权利要求：

百度查询： 上海理工大学 一种基于深度迁移学习的轴承套圈磨削烧伤识别方法