(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 202111677774.4 (22)申请日 2021.12.31 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 沈长青　陈博戬　孔林　陈良　 丁传仓　申永军　庄国龙　张艳华　 李林　张爱文　祁玉梅　石娟娟　 江星星　黄伟国　朱忠奎　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 代理人 朱振德 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01) (54)发明名称 基于终身学习的齿轮箱增量故障诊断方法 及系统 (57)摘要 本发明公开了一种基于终身学习的齿轮箱 增量故障诊断方法及系统， 包括以下步骤： S101： 采集齿轮箱振动数据构建增量健康状态数据集， 划分为不同阶段的故障诊断任务； S102： 利用原 始ResNet ‑32网络学习初始阶段的故障诊断任 务， 构建初始阶段诊断模型； S103： 利用初始阶段 诊断模型初始化ResNet ‑32双分支聚合网络， 并 根据新增的故障类型数量增加分类层神经元数 量； S104： 通过选取的典例和一阶段的故障诊断 任务数据共同训练该阶段诊断模型， 训练完成 后， 选取该阶段 故障诊断任 务数据的典例； S105： 在后续增量阶段重复步骤S103 ‑S104， 得到最终 故障诊断模型， 进行故障诊断。 本发明以解决现 有基于深度学习和迁移学习的故障诊断模型不 能诊断实际的齿轮箱意外故障问题。 权利要求书3页 说明书9页 附图4页 CN 114429153 A 2022.05.03 CN 114429153 A 1.一种基于终身学习的齿轮箱增量故障诊断方法， 其特 征在于： 包括以下步骤： S101： 采集齿轮箱振动数据构建增量健康状态数据集， 划分为不同阶段的故障诊断任 务； S102： 利用原始ResNet ‑32网络学习初始阶段的故障诊断任务， 构建初始阶段诊断模 型， 并选取初始阶段故障诊断任务数据的典例； S103： 利用初始阶段诊断模型初始化ResNet ‑32双分支聚合网络， 所述ResNet ‑32双分 支聚合网络采用余弦标准 化分类器， 并根据新增的故障类型 数量增加分类层神经 元数量； S104： 通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型， 训练 完成后， 选取 该阶段故障诊断任务数据的典例； 其中， 训练过程中利用聚合权重表示不同残差块层的迁移能力， 结合知识蒸馏损 失函 数缩小新旧阶段诊断模型在旧阶段故障诊断任务数据上表现的差异， 并通过双层优化方案 优化聚合权 重和模型参数； S105： 在后续增量阶段重复步骤S10 3‑S104， 得到最终 故障诊断模型， 进行故障诊断。 2.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述步 骤S101具体包括以下步骤： 利用加速度传感器采集齿轮箱振动信号构建增量 健康状态数据集D； 若共有N+1个故障诊断任务， 则有N+1个学习阶段， 即初始阶段的故障诊断任务0和N个 增量阶段， 在此期间诊断任务的数量逐渐增 加； 在第n阶段， 任务n的训练数据为 其中， Pn是任务n的故障数据样本的数 量； 若Jn表示旧故障类C0:n‑1＝{C0,C1,…,Cn‑1}的数量， Kn表示新故障类Cn的数量， 那么Jn+1＝ Kn+Jn， 表示第i个样本， 3.如权利要求2所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述步 骤S102具体包括以下步骤： 利用任务0的数据 训练原始的ResNet ‑32学习故障类C0得到初始阶段诊 断 模 型 Θ0， 所 述 初 始阶 段 诊断 模 型 的 损失 函 数 为 分 类 交 叉 熵 损失 函 数 ： 其中， δ 是真实标签； 完成训练后， 利用分类层前的特 征提取器F0通过herdi ng算法选取一定数量的典例 ε0。 4.如权利要求3所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 利用分 类层前的特 征提取器F0通过herdi ng算法选取一定数量的典例， 包括： 用 表示故障类c的训练样本， 则c的类平均为 其中， Pc是类c 的训练样本的数量； 或选取的典例数量为t， 则每个典例通过 计 算得到 ε＝(e1,e2,…,et)。权　利　要　求　书 1/3 页 2 CN 114429153 A 25.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述步 骤S103具体包括以下步骤： 利用ResNet ‑32双分支聚合网络替换原始的ResNet ‑32网络， 其中， ResNet ‑32双分支聚 合网络包 含动态分支和稳态分支； 所述动态分支为常规参数级微调， 即用初始阶段诊断模型初始化增量阶段的动态分 支， 并用各阶段任务训练微调该参数α； 所述稳态分支为冻结初始阶段网络参数后的神经元级别的参数微调， 即赋予每个神经 元权重β 并用各阶段任务训练微调， 若稳态分支第k层卷积神经网络包含Q个神经元， 所述神 经元权重为初始模型冻 结的参数 则第k层卷积神经网络的输入为xk‑1， 输出为xk＝ (Wk⊙βk)xk‑1， 其中，⊙为哈达玛积； 所述增量阶段n的余弦标准化分类器通过 计算输入x为 类c的预测 概率， 其中， θn为增量阶段n的全连接分类层参数， hn为增量阶段n提取的特征， 表示l2范数， η是可学习缩放 参数， 通过 η控制余弦相似值的在[ ‑1,1]范围内； 针对故障类别增 加， 分类层神经 元数量增加至与故障类别数量 一致。 6.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述利 用聚合权 重表示不同残差块层的迁移能力包括： 利用所述初始阶段保留的典例 ε0和该阶段任务数据D0训练双分支聚合网络， 针对每个 残差块层的动态 残差块和稳态 残差块的迁移能力不同， 分别赋予自适应聚合权 重ω和 ξ； 所述故障训练数据x[0]通过双分支聚合网络提取特征， 在第m个残差块层， 动态残差块 提取的特 征为 稳态残差块提取的特 征为 所述第m个残差块层的聚合特 征为 其中， ω[m]+ξ[m]＝1。 7.如权利要求1所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述初 始阶段的损失函数为分类交叉熵损失 所述增量阶段的损失函数为分类交叉熵损失 和知识蒸馏损 失 其中， 和 分别为旧模型在旧故障类的软标签和新模型在旧故障类的硬标签， 温度T通常大 于1。 8.如权利要求7所述的基于终身学习的齿轮箱增量故障诊断方法， 其特征在于： 所述增 量阶段的损失函数为 其中， 0＜ λ≤1； 所述初始阶段的模型参数Θ0的更新过程 为常规的 所述增量阶段的未优化参数有模型参数Θn以及聚合权重ω和 ξ， 针对聚合权重ω和 ξ 的权　利　要　求　书 2/3 页 3 CN 114429153 A 3