一种基于多尺度多源域自适应轴承故障诊断方法

本发明属于轴承故障诊断领域，具体涉及一种基于多尺度多源域自适应轴承故障诊断方法。

背景技术：

1、近年来，工业设施的复杂化和机械化程度呈高速增高，轴承作为旋转机械的重要组成部分，在工业设施中作为基础设备被广泛应用。因此能够快速准确的发现轴承故障对机械系统的安全运行和人身财产安全是至关重要的。在实际生产当中，轴承的工作环境是多变的，得到的往往是没有标签的数据且分布不一，而对数据进行标注是十分耗费精力和经济成本。

2、在这种背景下，领域自适应(da)技术近来备受研究者的关注，它通过在标记的源域数据中学习目标域中故障诊断相关知识，从而在目标域无标记的情况下建立对目标域故障诊断的模型。然而目前da技术大多数是从标记的单源域数据到未标记的目标域数据的单源域自适应(sda)。sda方法一方面忽略了多源领域中丰富的可迁移诊断信息；另一方面容易导致引起负迁移。通过增加源域的多源域自适应方法(msda)，丰富了可迁移诊断知识可以提高单源域数据训练的模型诊断能力。但由于源域之间和源域和目标域之间都存在数据偏移，导致这种提高并不显著。同时msda方法大多仅利用单一尺度的深层次特征对特征进行对齐和分类。

3、现有技术无法充分利用各域数据中的可迁移故障知识，在变工况或目标域缺乏标记的条件下建立有效的故障诊断模型。

技术实现思路

1、针对现有技术存在的不足，本发明提供了一种基于多尺度多源域自适应轴承故障诊断方法，可有效解决上述问题。

2、本发明采用的技术方案如下：

3、本发明提供一种基于多尺度多源域自适应的轴承故障诊断方法，包括以下步骤：

4、步骤1是构建多源域自适应轴承故障诊断模型；

5、步骤2是获取训练数据集；

6、步骤3是对所述多源域自适应轴承故障诊断模型进行训练；

7、步骤4是采用训练完成的多源域自适应轴承故障诊断分类预测模型，对用于测试的目标域进行轴承故障诊断分类预测。

8、具体地，所述步骤1包括：

9、所述多源域自适应轴承故障诊断模型包括多尺度特征提取网络、域特定特征提取网络、多尺度特征融合网络和域特定分类预测网络；所述域特定特征提取网络包括ns个并行不共享的域特定特征提取子网络ed；所述域特定分类预测网络包括ns个并行不共享的域特定分类预测子网络r；所述多尺度特征提取网络f的输出端，分别与各个所述特征提取提取网络子网络ed的输入端连接；每个所述特征提取网络子网络ed的输出端连接到一个所述多尺度特征融合网络f的输入端，所述多尺度特征融合网络f的输出端连接到每个所述域特定分类预测子网络r的输入端。

10、具体地，所述步骤2包括：

11、所述训练数据集包括1个目标域和ns个源域。

12、具体地，所述步骤3包括：

13、步骤3.1，所述目标域和ns个源域输入到所述多尺度特征提取网络，所述多尺度特征提取网络g(·)，分别对所述目标域和ns个源域进行多尺度的潜在公共特征提取，得到与所述目标域对应的目标域多尺度特征矩阵，与每个源域对应的源域多尺度特征矩阵，由此得到1个目标域多尺度特征矩阵和ns个源域多尺度特征矩阵；

14、步骤3.2，所述目标域多尺度特征矩阵与每个源域多尺度特征矩阵输入到所述多尺度特征融合网络f(·)，所述多尺度特征融合网络对不同尺度的源域-目标域特征矩阵对融合为相同尺度的源域-目标域特征矩阵对，由此共得到ns个源域-目标域特征矩阵对；

15、对于第j个源域-目标域特征矩阵对，其中，j＝1,2,...,ns，均执行步骤3.2.1到步骤3.2.4；

16、步骤3.2.1，将第j个源域-目标域特征矩阵对，输入到第j个域特定特征提取子网络edj，第j个域特定特征提取子网络edj对齐得到目标域的目标域特征矩阵，以及提取得到第j个源域的第j个源域特征矩阵；

17、步骤3.2.2，计算目标域和第j个源域的多尺度特征矩阵对之间的距离作为总的mmd损失lmmd；

18、步骤3.2.3，将目标域特征矩阵和第j个源域特征矩阵，输入到域特定分类预测网络的第j个域特定分类预测子网络rj，第j个域特定分类预测子网络rj根据第j个源域特征矩阵和目标域特征矩阵，预测得到基于第j个源域的目标域分类结果cj；

19、计算基于第j个源域的目标域分类结果cj和目标域样本的真实标签之间交叉熵损失函数作为分类损失lcls；

20、步骤3.2.4，由于共有ns个源域，因此，得到ns个分别与每个源域对应的目标域分类预测结果，表示为：基于第1个源域的目标域分类预测概率值c1，基于第2个源域的目标域分类预测值概率值c2,…,基于第ns个源域的目标域分类概率值

21、对ns个目标域分类网络对目标样本的概率输出之差的绝对值作为差异损失ldisc；

22、步骤3.3，采用下式，计算总损失ltotal：

23、ltotal＝lcls+λlmmd+γldisc

24、其中：λ和γ分别是lmmd和ldisc的惩罚系数；

25、通过最小化分类预测结果cj的交叉熵损失lcls，可以准确地对源域进行分类预测；

26、通过最小化mmd损失lmmd，学习域变量表征，得到每个源域和目标域对的域特定不变特征，具体的，mmd损失lmmd最小化，用于拉近目标域特征矩阵和第j个源域特征矩阵之间的距离，使目标域特征矩阵和第j个源域特征矩阵的数据分布更接近，用于实现第一阶段域特定分布对齐；

27、通过最小化差异损失ldisc，进行第二阶段域特定分类预测对齐，减少各个域特定分类预测子网络输出之间的距离；

28、步骤3.4，因此，对于串联的多尺度特征提取网络、第j个域特定特征提取子网络edj和第j个域特定分类预测子网络rj，均得到一个总损失ltotal，以总损失ltotal最小化为优化目标，反馈调节多尺度特征提取网络、第j个域特定特征提取子网络edj和第j个域特定分类预测子网络rj的网络参数，实现对多尺度特征提取网络、第j个域特定特征提取子网络edj和第j个域特定分类预测子网络rj的网络训练，直到满足训练终止条件，得到训练完成的多源域自适应轴承故障诊断分类预测模型。

29、优选的，所述源域，为对轴承进行人工加工各种故障前后采集到的监测数据；所述目标域，为轴承运行到故障时采集到的监测数据。

30、优选的，所述源域和所述目标域的数据分布不相同，各个所述源域之间的数据分布不相同。

31、优选的，所述源域，具有轴承故障类别作为标签；所述目标域不具有轴承故障类别标签。

32、优选的，所述多尺度特征提取网络，为基于cnn卷积的多尺度特征提取网络。

33、优选的，所述域特定特征提取网络，为cnn卷积模型。

34、优选的，所述域特定分类预测网络，为基于全连接模型的域特定分类预测网络。

35、本发明提供的一种基于多尺度多源域自适应的轴承故障诊断方法具有以下优点：

36、本发明提出一种基于多尺度多源域自适应轴承故障诊断方法，能够从多个尺度提取和利用多源域特征对目标域进行故障诊断知识迁移。同时提出了一个多尺度特征融合网络，对多尺度特征提取网络输出的不同尺度的源域和目标域特征对融合得到相同尺度的源域和目标域特征集。在第一个阶段进行多尺度特征提取，对每对源域和目标域在不同尺度的特征映射到公共空间进行特征对齐，减小每对源域和目标域之间的数据差异。在第二阶段利用每对域不变的多尺度特征输入到多尺度特征融合模块融合为相同尺度的特征集。第三阶段利用域特定分类预测网络进行故障分类预测，对齐分类预测网络的输出，因此，本发明能够更为准确的实现对目标域故障诊断的分类预测。