基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法

本发明属于信息技术服务，尤其涉及一种基于icoral-mmd(improvedcorrelation alignment joint maximum mean discrepancy)和对抗迁移学习的轴承故障诊断方法。

背景技术：

1、旋转机械在大型机械装备中是非常常见的，作为机械设备的关键部件，其故障诊断在现代工业中发挥着重要作用。随着智能制造的发展，可以更快地收集数据，这给行业带来了新的视角和挑战。数据驱动故障诊断作为一种典型的故障诊断，近年来吸引了许多研究。因此，为避免旋转机械发生灾难性故障，寻找更有效的数据驱动故障诊断方法至关重要。

2、机器学习技术已经应用于数据驱动的故障诊断。在传统的机器学习方法中，应预先进行人工特征提取，并且已经证明，这些人工提取特征定义了机器学习方法的上限性能。但是预先设计好人工制作的功能是困难的。近年来，深度学习成为机器学习领域的一个新领域，它可以自动提取原始数据的深度表征特征。利用这一优势，可以避免人工提取特征的影响，在故障诊断方面显示出良好的前景。然而，传统的机器学习方法在一般假设下工作良好：训练数据和测试数据应来自相同的分布。当分布不同时，这些方法的性能会下降，深度方法也存在上述问题。由于设备、环境工况等不同，实验室和实际场景数据分布往往是不同的，这些方法大多不能直接处理场景切换后的故障诊断问题。为了解决这个问题，领域自适应是一种流行的迁移学习方法，它在实验室理想数据集上执行学习任务(称为源域问题)，然后在实际场景相关分布的测试数据集上执行相同的任务(称为目标域问题)。深度迁移学习是使用深度学习执行迁移学习的范例。与浅层结构相比，深度迁移学习在提取从源问题转移到目标问题的高级特征方面提供了更大的灵活性，并且已被证明在各种科学和工程问题中得到了推广。

3、通过上述分析，现有技术存在的问题及缺陷为：现有技术大都在实验室采集的大量有标签数据中训练及测试，无法对实际场景监测数据进行有效训练及诊断；且由于设备、环境工况等不同，实验室和实际场景数据分布往往是不同的，这些方法大多不能直接处理场景切换后的故障诊断问题。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种串联芯片间的数据同步优化方法、系统、设备及终端。

2、本发明是这样实现的，一种基于icoral-mmd和对抗迁移学习的轴承故障诊断方法，首先，对采集到轴承振动数据进行预处理及频域信号转变；其次，搭建基础诊断模型并使用大量有标签数据对模型进行训练；然后，使用上述得到的预训练模型，结合改进coral-mmd自适应(icoral-mmd)和对抗方法，将模型迁移到监测数据上，使能够实现故障诊断。

3、进一步，基于icoral-mmd和对抗迁移学习的轴承故障诊断方法包括：

4、步骤一，采集轴承在a、b工况下的振动信号；

5、步骤二，工况a、b下的信号分别作为源域、目标域样本数据，经预处理后基于快速傅里叶变换将时域信号转为频域信号，按比例划分训练集和测试集；

6、步骤三，建立初始源域1dcnn故障诊断模型，通过源域数据进行训练，得到源域预训练模型；

7、步骤四，将源域故障诊断模型参数共享给目标域故障诊断模型用以初始化，建立初始域判别器，通过特征信号对域判别器进行训练；

8、步骤五，使用icoral-mmd对目标域初始故障诊断模型进行训练，得到域判别器和目标域特征提取器；

9、步骤六，将源域分类器与目标域特征提取器组合，得到目标域的故障诊断模型。

10、进一步，所述步骤二包括：

11、将工况a数据作为源域信号包括n种健康状态；

12、将工况b数据作为目标域信号包括n种健康状态；

13、将振动信号进行归一化处理，生成归一化信号；

14、将归一化信号进行傅里叶变换，生成频域信号。

15、进一步，一维时序信号进行归一化处理具体为：

16、

17、式中，xi为第i时刻的归一化信号，为一维时序信号中第i时刻的时序信号，max(x)为一维时序信号中的最大值，min(x)为一维时序信号中的最小值。

18、进一步，将源域样本和目标域样本进行快速傅里叶变换得到频域信号，具体为：

19、

20、其中，振动信号xn经fft变换得到xk，xk的形式为复数。

21、进一步，故障诊断模型以交叉熵作为损失函数为：

22、

23、其中，表示分类器中最后一层的网络输出向量的第j个元素，以第i个源域样本作为输入。表示相应的传动部件状态标签，以及n是相关部件状态的编号。

24、进一步，源域故障诊断模型预训练具体为：

25、

26、其中，θs表示源域故障诊断网络模型涉及参数，δ表示学习率。

27、进一步，域判别模型及其训练具体为：

28、域判别模型采用的是全连接层，以softmax为激活函数输出结果为源域或者目标域，其损失为：

29、

30、其中，和2分别表示域鉴别器中最后一层的输出向量的第一和第二元素，将第i个源域样本作为输入，和是第i个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域，参数随机梯度下降更新如下：

31、

32、其中，θd表示域判别模型涉及参数，δ表示学习率。

33、进一步，对目标域特征提取器网络输出特征分布差异进行衡量，并且最小化差异对目标域特征提取器网络进行更新具体为：

34、在全连接层的fc1和fc2中引入域自适应学习模块，计算源域和目标域fc1和fc2处特征的协方差距离并且使用mmd衡量分布差异，定义为icoral-mmd loss，表示为lg；coral是一种有效且简单的无监督自适应方法，广泛用于测量模型识别中源域和目标域的差异，例如通过探索源域和目标域的二阶统计来对齐它们的输入特征分布；因此，它需要的唯一计算是计算每个域中的协方差统计；mmd直接测量fs和ft之间的分布差异距离，通过减少从不同域学习到的特征之间的分布差异距离实现域自适应；与mmd相比，不同之处在于基于mmd的方法通常对源域和目标域应用相同的转换，其不对称变换更灵活，并且二者结合应用为域适应任务产生更好的性能；

35、计算公式如下：

36、

37、λ1和λ2分别为coral损失和mmd损失的系数，是矩阵的frobenius范数，ns是来自源域的训练样本数，nt是来自目标域的训练样本数，fsi是源域经过全连接层fc的输出数据，ftj是目标域经过全连接层fc的输出数据||·||h是一个再生核希尔伯特空间。cs和ct是源域和目标域的协方差矩阵，计算公式如下：

38、

39、其中1是元素为1的列向量，fs是源域经过全连接层fc的输出数据，ft是目标域经过全连接层fc的输出数据，ns和nt分别为分别为源域和目标域的样本数，梯度计算如下：

40、

41、特征提取器网络参数进行更新为：

42、

43、其中，θd表示目标域特征提取器所涉及参数，δ表示学习率。

44、进一步，基于icoral-mmd和深度卷积对抗迁移学习网络目标域故障诊断模型采用的总损失函数为：

45、lt＝lg-ld；

46、相关参数：

47、

48、

49、本发明的另一目的在于提供一种应用所述的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法的基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统，基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断系统包括输入层、至少一层卷积层、至少一层池化层、至少一层全连接层以及输出层；

50、卷积层包括多个3×3的卷积核，卷积步长为1，卷积层的激活函数为leakyrelu函数；

51、池化层的池化方式为最大池化，池化步长为2，池化层的窗口大小为2×2；

52、全连接层的激活函数为leakyrelu函数，leakyrelu函数为：

53、

54、式中，f(x)为leakyrelu函数；x为上一层的输入向量；

55、分类器全连接输出层的激活函数为softmax函数，softmax函数为：

56、

57、式中，zi为第i个节点的输出值；zj为单个节点的总输出值；n为输出节点的个数；e为自然常数。

58、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

59、第一，该方法通过引入icoral-mmd和深度卷积对抗迁移学习，提高了轴承故障诊断的准确性，并且可以自适应不同工况下的轴承故障诊断，降低了模型训练成本。同时，该方法具有较好的通用性和扩展性，适用于不同类型的轴承故障诊断场景，并且可以实时监测和诊断轴承故障，有助于及时发现和处理潜在问题，降低设备故障率和维修成本。

60、大多数基于域自适应的诊断方法都是在源域标签集与目标域标签集相同的假设下，只采用对抗网络或者是最大均值差异(mmd)度量等某一域适应方法对源域与目标域进行匹配。在本发明中基于一维卷积神经网络提出了对抗网络与相关对齐度量(coral)、最大均值差异(mmd)联合域适应的方法，以增强模型对旋转机械在不同工况下的故障诊断能力。

61、第二，本发明提供的基于深度卷积域对抗迁移学习的故障诊断方法，在所发明的icoral-mmd-dcat中，利用深度卷积特征提取器进行高层特征提取能够避免icoral-mmd-dcat训练过程中梯度消失、梯度发散等梯度问题，可改善icoral-mmd-dcat的非线性拟合能力；在域判别器中利用梯度反转进行源域与目标域之间进行域对抗训练，通过源域有标签样本和目标域无标签样本的特征分布进行域对抗训练可增强源域有标签样本对目标域的域适应能力，同时还通过icoral-mmd对目标域和源域的深度特征分布进行度量减小其差距,从而学习得到源域与目标域的域不变特征，改进icoral-mmd-dcat的迁移性能；基于最小化icoral-mmd-dcat的域适应总体损失函数的特征迁移和分类可提高迁移后的诊断精度。icoral-mmd-dcat的以上优势使得基于icoral-mmd-dcat的故障诊断方法在轴承当前工况下的目标域有标签样本不存在情况下，可利用源域有标签样本对旋转机械当前待测样本进行高精度故障诊断。

62、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

63、(1)本发明的技术方案转化后的预期收益和商业价值为：

64、在智能交通和建筑机械等各种现代工业领域，巨大的机械设备在高温、极端压力和长期过载等恶劣条件下运行，这增加了故障的可能性。轴承和齿轮箱等关键旋转部件的偏差可能导致机械故障或潜在的灾难性事故，从而强调了设备故障检测和维护的重要性，准确的故障诊断可以提高设备的可预测性和可维护性。基于icoral-mmd和深度卷积对抗迁移学习的轴承故障诊断方法及系统作为一种安全可靠的诊断技术，可以有效填补传统同一工况下故障诊断的缺陷。

65、(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

66、本发明技术方案通过实验室大量有标签数据进行训练缓解了实际数据数量不足的问题，进一步地，提出icoral-mmd联合对抗的迁移方法使有关但分布不同的数据之间实现迁移。

67、(3)本发明的技术方案是否克服了技术偏见：

68、在实际工程应用中，往往仍在使用传统信号处理方法进行诊断，深度学习的可解释性仍然是个待研究的问题，但其在本发明技术方案特征提取及分类中表现出来的优异性能经过实验得到证实。此外，面对实际无标签的监测数据，联合coral和mmd进行迁移学习在不同分布数据的情况中得到了很好的应用。