本发明属于机械系统故障诊断领域，具体是一种基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法。
背景技术：
1、谐波齿轮传动常用于工业机器人、航天航空、风力发电、军用设备等领域中，具有传动比大、承载能力强、传动精度高、传递效率高、运动平稳、结构简单、零件数量少、安装方便、体积小、重量轻、可以向密闭空间传递运动的优点。在一些复杂的工况下，谐波减速器容易出现各种故障，如波发生器错位、波发生器偏心、柔轮断齿、刚轮断齿、柔轮疲劳破裂、柔性轴承磨损、柔性轴承断裂等，这些故障可能同时或者先后出现，形成复杂的耦合关系，从而导致谐波减速器出现异常振动，产生噪声，严重时还可能会造成设备停机，造成严重的经济损失。
2、近年来，随着人工智能的不断发展，基于深度学习的故障诊断方法得到了广泛应用。但是目前大部分故障诊断算法都存在以下问题：（1）大部分故障诊断模型都将复合故障作为单独的一种故障类型，难以识别其中具体的故障类型。（2）大多智能复合故障诊断模型，只使用单一故障数据对模型进行训练，模型只能提取不同类别的单一故障特征，导致模型中并没有存在复合故障信息，当复合故障中两类故障的差异特征不明显时，模型无法识别。（3）复合故障特征并不是简单的两个单一故障特征的叠加，由于耦合关系，其单一故障信息也发生了相应的特征变形，只进行单一故障数据训练，模型也将很难识别这些变形后的特征。
技术实现思路
1、本发明为了解决上述问题，提供一种基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法。
2、本发明采取以下技术方案：一种基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，包括：
3、s100：通过安装在试验台上的加速度传感器，分别获取双圆弧谐波减速器单一故障和复合故障多种健康状态下的振动信号；
4、s200：将单一故障的原始一维振动信号转变为二维时频图作为源域数据；将复合故障的原始一维振动信号转变为二维时频图作为目标域数据；
5、s300：利用单一故障状态下的源域数据对神经网络进行预训练，并将预训练的神经网络模型参数进行保存，使其能够根据输入的时频图去预测源域中每种单一故障的概率；
6、s400：利用目标域数据对神经网络模型进行进一步训练，微调模型参数；
7、s500：使用目标域中的测试数据对模型进行测试，获取谐波减速器最终的诊断结果，验证模型的解耦分类性能, 将复合故障解耦为多个单一故障。
8、在一些实施例中，步骤s100中，
9、双圆弧谐波减速器单一故障下采集的振动信号包括：双圆弧谐波减速器钢轮断齿、柔性轴承磨损、柔轮断齿和正常在四种转速和四种负载条件下的振动信号；
10、双圆弧谐波减速器复合故障下采集的振动信号包括：钢轮断齿+柔性轴承磨损，以及柔轮断齿+柔性轴承磨损两种复合故障四种负载和转速下的振动信号。
11、在一些实施例中，步骤s2包括：
12、s201：对单一故障和复合故障下的一维振动信号进行分别归一化处理，并分别划分训练集和测试集；
13、s202：进行连续小波变换，通过母小波对原始振动信号最左端开始进行平移内积运算后分解为一系列小波变换系数，进而将时域的振动信号转换成时频域的二维时频图；
14、s203：对二维时频图归一化处理，将数据变换到[-1,1]之间。
15、在一些实施例中，步骤s202中，信号样本进行连续小波变换的包括：
16、
17、其中，为小波基函数的共轭运算。
18、小波基函数的表达式如下：
19、
20、式中，代表平移参数，s代表尺度参数。
21、在一些实施例中，将二维时频图，通过归一化将数据变换到[-1,1]之间，具体计算过程为：
22、
23、其中， x是原始图像数据， mean是均值， std是标准差。
24、在一些实施例中，步骤s300中的神经网络包括：
25、cnn二维卷积模块，所述cnn二维卷积模块由三个卷积层堆叠而成，每个卷积层都由一个卷积层，一个最大池化层和relu层组成；
26、transformer编码器，所述transformer编码器包括位置编码层和4个transformer编码器层，每个transformer编码器层包括一个多头自注意力机制、两个线性层、两个dropout层以及两个归一化层；
27、transformer编码器的输出特征经过全连接层输入到sigmoid分类器中，对每种故障进行概率预测。
28、在一些实施例中，多头自注意力机制由n个并行的自注意头组成，每个自注意头都有一组线性变换操作和一个点积注意操作；
29、计算过程为：
30、
31、
32、其中是一个可训练的权重矩阵，是值矩阵v的维度，是嵌入向量的维度，n表示注意力头的数量。
33、在一些实施例中，步骤s400包括：将步骤s300中与训练好的模型参数进行保存，将模型迁移到目标域，并冻结其卷积层参数，采用目标域中训练集的复合故障对模型进行训练，微调模型参数。
34、与现有技术相比，本发明具有以下有益效果：
35、本发明建立了一种基于transformer的双圆弧谐波减速器复合故障解耦分类方法，并使用迁移学习策略来提高模型的训练效率。可以在使用有限数量复合故障训练样本的情况下，将复合故障解耦为多个单一故障，实现复合故障的解耦分类。
1.一种基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，包括：
2.根据权利要求1所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述步骤s100中，
3.根据权利要求1所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述步骤s2包括：
4.根据权利要求3所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述步骤s202中，信号样本进行连续小波变换的包括：
5.根据权利要求3所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，将二维时频图，通过归一化将数据变换到[-1,1]之间，具体计算过程为：
6.根据权利要求1所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述步骤s300中的神经网络包括：
7.根据权利要求6所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述多头自注意力机制由n个并行的自注意头组成，每个自注意头都有一组线性变换操作和一个点积注意操作；
8.根据权利要求1所述的基于迁移学习的双圆弧谐波减速器复合故障解耦分类方法，其特征在于，所述步骤s400包括：将步骤s300中与训练好的模型参数进行保存，将模型迁移到目标域，并冻结其卷积层参数，采用目标域中训练集的复合故障对模型进行训练，微调模型参数。
