多工况分布对齐的旋转机械健康诊断方法

1.本发明涉及机械设备状态监测与健康评估技术领域，尤其是一种多工况分布对齐的旋转机械健康诊断方法。


背景技术：

2.旋转机械被广泛应用于航空、航天、汽车等工业领域，但其在长期运行中无法避免故障，从而导致灾难性损失。旋转机械的健康监测作为故障预测与健康管理(phm)的重要组成部分，能够确保准确诊断机器的当前健康状态，使其安全可靠持续运行。因此，采用phm技术可以根据设备的历史数据对其相应诊断，从而可以定制维护计划，并缩短不必要的停机时间，降低成本，并提高机械系统可靠性。
3.现有的故障诊断方法可分为基于模型方法和数据驱动模型。基于模型方法通常需要先验知识支撑和解释，无法有效的对高阶次系统进行建模模拟，进而不能够准确的诊断复杂系统的健康状态。相反，基于数据驱动模型能够有效的处理机械信号，并提取其中隐藏的故障特征，从而建立特征与故障行为的精确映射，提供准确的诊断结果。因对专家知识的要求较低，它们变得越来越有吸引力。近年来，因其非线性表征和数据挖掘能力，深度学习在处理时间序列问题上表现出显著的优势。因此，深度学习能够从大量的机械信号中自动学习故障特征表示，从而避免了人为特征构造。
4.然而，这些方法是在源域和目标域数据来自独立同分布的数据空间的假设下开发的。这个假设对于实际的工业场景来说是不切实际的。因为机械运行至故障过程往往承受着时变和复杂工况，无法保证所采集的数据来自相同的分布，即它们具有明显的分布差异。在假设下，预训练模型能够在当前工况下实现最佳的诊断性能，当工况改变时，就无法有效工作。通常需要重新进行模型训练，重构新的特征映射。这显然不是一个可行的解决方案。由于不同工况的数据可能是具有明显的分布差异，即域转移，这会限制模型的域泛化，从而限制模型的性能。


技术实现要素：

5.针对现有技术的不足，本发明提供一种多工况分布对齐的旋转机械健康诊断方法，以解决了传统方法无法进行跨工况诊断的技术问题，旨在实现较高精度的机械健康诊断。
6.本发明采用的技术方案如下：
7.一种多工况分布对齐的旋转机械健康诊断方法，包括：
8.采集n种不同工况下旋转机械在不同故障运行中的振动信号，将n种不同工况所对应的振动信号随机划分为n-1个源数据集和一个目标数据集，每个数据集对应一种工况；获取振动信号对应的时频图，并对源数据集的时频图进行故障类型标记；将各个源数据集分别和目标数据集组合，构成n-1个源与目标数据集；
9.构建多源适应模型，包括一个公共特征提取器，n-1个特定域特征提取器和n-1个
特定域分类器；
10.训练多源适应模型，包括：
11.将n-1个源与目标数据集输入公共特征提取器，提取各个源与目标数据集的公共机械故障特征；
12.将各个源与目标数据集的公共机械故障特征分别对应输入n-1个特定域特征提取器，提取各个源与目标数据集的特定机械故障特征，并最小化各特定机械故障特征之间的最大均值差异，以对齐各源与目标数据集的特定机械故障特征的分布；
13.将各个源与目标数据集的特定机械故障特征分别对应输入n-1个特定域分类器，预测源域数据的故障类型，并对齐各特定域分类器的决策边界；
14.其中n为大于等于2的整数；
15.将训练好的多源适应模型预测测试数据的故障类型，实现任意工况下的旋转机械健康诊断。
16.进一步技术方案为：
17.所述特定域特征提取器由上、下两层结构相同的多尺度注意网络堆叠组成；
18.每层多尺度注意网络包括第一子层和第二子层，第一子层是多头注意网络，第二子层是两层的全连接网络；
19.对于单个特定域特征提取器的上、下两层多头注意网络的输入，分别进行相对位置编码，对于上层多头注意网络的输入，采用正弦函数sin(
·
)进行相对位置编码，表达式如下：
[0020][0021][0022]
其中，pe
(pos，2i)
是位置编码输出，pos是位置，i是维度；d
modle
表示模型的维度和；表示上层多头注意网络的输入，x表示矩阵和。
[0023]
上层多头注意网络的输入与输出通过残差连接，层规范化后，作为第二子层的输入；第二子层的输入与输出也通过残差连接，层规范化后，作为下层多头注意网络的输入；
[0024]
对于下层多头注意网络的输入，采用三个不同的感受野的1d卷积进行相对位置编码，表达式如下：
[0025][0026]
其中，分别是第二子层的输出和下层多头注意网络的输入，w1，b1是感受野为1的1d卷积的权重和偏值，w2，b2是感受野为3的1d卷积的权重和偏值，w3，b3是感受野为5的1d卷积的权重和偏值，relu为激活函数。
[0027]
所述特定域分类器包括两层多层感知器，特定域分类器通过嵌入softmax函数，以计算给定任何输入样本的每个故障类型的概率，概率通过下式计算：
[0028]
[0029]
其中，yi是数据标签，k是故障类型的编号，xi是目标特定机械故障特征，p(yi＝k|xi|)是xi所预测是k类故障的概率，exp为指数函数，ck为softmax函数生成的第k个故障类型的输出值，fc是多层感知器的输出。
[0030]
采用交叉熵作为特定域分类器的分类损失：
[0031][0032]
其中，是分类损失，是第j个源特定机械故障特征的数量，log为对数函数，ci表示第i个特定域分类器，是第j个源特定机械故障特征和是第j个源数据的标签。
[0033]
采用任意两个不同特定域分类器输出之间的均方误差作为对齐不同特定域分类器的决策边界的距离损失
[0034][0035]
其中，n-1表示特定域分类器的数量，n
t
表示目标特定机械故障特征的数量，x
t
是目标特定机械故障特征，cb、ca分别表示第b个特定域分类器和第a个特定域分类器。
[0036]
将所述各特定机械故障特征之间的最大均值差异，作为适应特定域机械故障特征之间分布差异的差异损失
[0037][0038]
其中，表示第j个源特定机械故障特征，x
t
表示目标特定机械故障特征，为与x
t
的最大均值差异，n-1表示源特定机械故障特征的总数。
[0039]
所述训练好的多源适应模型通过最小化总体损失来更新模型参数，最小化总体损失的定义如下：
[0040][0041]
其中，为总体损失，分别为特定域分类器的分类损失、适应特定域机械故障特征之间分布差异的差异损失、对齐不同特定域分类器的决策边界的距离损失；λ和γ均为折衷系数。
[0042]
本发明的有益效果如下：
[0043]
本发明通过将多个工况信息引入到特征提取方法中，并巧妙地结合多个工况信息来进行跨工况自适应学习，解决了传统方法无法进行跨工况诊断的问题。
[0044]
本发明提出了半监督特征对齐的解决方法，即采用最大均值差异损失度量特定域机械故障特征之间的分布差异，使模型学习不变的退化特征，并采用分类器距离损失度量分类器的决策边界，从而提高了故障诊断性能。
[0045]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0046]
图1为本发明实施例的流程图。
[0047]
图2为本发明实施例采集的水平方向的振动信号图。
[0048]
图3为本发明实施例采集的水平方向的振动信号时频图。
[0049]
图4为本发明实施例的多源适应模型结构图。
[0050]
图5为本发明实施例所得的预测结果。
具体实施方式
[0051]
以下结合附图说明本发明的具体实施方式。
[0052]
本技术的一种多工况分布对齐的旋转机械健康诊断方法，包括：
[0053]
采集n种不同工况下旋转机械在不同故障运行中的振动信号，将n种不同工况所对应的振动信号随机划分为n-1个源数据集和一个目标数据集，每个数据集对应一种工况；获取振动信号对应的时频图，并对源数据集的时频图进行故障类型标记；将各个源数据集分别和目标数据集组合，构成n-1个源与目标数据集；
[0054]
构建多源适应模型，包括一个公共特征提取器，n-1个特定域特征提取器和n-1个特定域分类器；
[0055]
训练多源适应模型，包括：
[0056]
将n-1个源与目标数据集输入公共特征提取器，提取各个源与目标数据集的公共机械故障特征；
[0057]
将各个源与目标数据集的公共机械故障特征分别对应输入n-1个特定域特征提取器，提取各个源与目标数据集的特定机械故障特征，并最小化各特定机械故障特征之间的最大均值差异，以对齐各源与目标数据集的特定机械故障特征之间的分布；
[0058]
将各个源与目标数据集的特定机械故障特征分别对应输入n-1个特定域分类器，预测源域数据的故障类型，并对齐分类器的决策边界；
[0059]
其中n为大于等于2的整数；
[0060]
将训练好的多源适应模型预测测试数据的故障类型，实现任意工况下的旋转机械健康诊断。
[0061]
本技术将所有数据集划分为分别对应一种工况。所有数据集被重新组合成n-1组，即n-1个源与目标数据集，每个源与目标数据集中包括一个源数据集和一个目标数据集，从而满足多源适应模型的后续输入。本技术采用通过将多个工况信息引入到特征提取方法中，并巧妙地结合多个工况信息来进行跨工况自适应学习。能够较好的解决传统方法无法进行跨工况诊断的问题。
[0062]
以下通过具体实施例进一步说明本技术的技术方案。
[0063]
参见图1，本实施例的一种多工况分布对齐的旋转机械健康诊断方法，包括：
[0064]
步骤1：采用三轴加速度传感器采集n种不同工况下旋转机械在不同故障运行中的水平振动信号，并将所有工况所对应的振动信号随机划分为n-1个源数据集和1个目标数据集，其中每个数据集对应一种工况数据，同时采用同步压缩小波变换对每个数据集的振动信号进行预处理以获取所对应的时频图，对源数据集的时频图进行相应故障类型标记；
[0065]
其中，采集的水平信号图参见图2，对振动信号预处理得到的时频图参见图3；
[0066]
为满足多源适应模型后续输入，所有数据集被重新组合成n-1个源与目标数据集(每个源与目标数据集中包括一个源数据集，一个目标数据集)。
[0067]
步骤2：构建多源适应模型，参见图4，包括一个公共特征提取器，n-1特定域特征提取器和n-1特定域分类器；
[0068]
其中，公共特征提取器用以提取各个源与目标数据集的公共机械故障特征，特定域特征提取器用以从各公共机械故障特征中提取特定机械故障特征，特定域分类器用以对特定机械故障特征进行故障预测。
[0069]
其中，公共特征提取器是两层的时间卷积网络；特定域分类器是两层的多层感知器；
[0070]
每个特定域特征提取器是上、下两层结构相同的多尺度注意网络堆叠组成，每层多尺度注意网络包括第一子层和第二子层，第一子层是多头注意网络，第二子层是两层的全连接网络；
[0071]
在每个子层网络使用残差连接，并应用层规范化。每个子层的输出都是注意网络或者全连接网络的输出与该子层输入的层规范化矩阵和。
[0072]
对于单个特定域特征提取器的上、下两层多头注意网络的输入，分别进行相对位置编码，以有利于多头注意力网络提取更鲁棒的故障特征。
[0073]
为了利于多头注意力网络提取更鲁棒的故障特征，对于上层多头注意网络的输入，采用正弦函数sin(
·
)进行相对位置编码，表达式如下：
[0074][0075][0076]
其中，pe
(pos，2i)
是位置编码输出，pos是位置，i是维度，是原始输入；d
modle
表示模型的维度和；表示上层多头注意网络的输入，x表示矩阵和。
[0077]
由此，可以获得三组线性矩阵，分别为和其中wq，wk和wv分别为对应的权重。
[0078]
在softmax函数中生成注意矩阵生成注意矩阵attention(q，k，v)：
[0079][0080]
其中，是尺度因子和t表示矩阵的转置。相对于单一的注意矩阵变换，多头注意网络采用了j次不同的注意矩阵attentionj(qj，kj，vj)变换，并最后将j个注意矩阵进行矩阵求和操作，进而获得最终值
[0081][0082]
headj＝attentionj(qj，kj，vj)
[0083]
其中，concat代表将各注意矩阵求和，wo表示串联j个注意矩阵的权重，qj，kj，vj表示第j次生成注意矩阵的三个线性矩阵；
[0084]
上层多头注意网络的输入与输出通过残差连接，经层规范化layernorm(
·
)后，作为第二子层(全连接网络)的输入：
[0085][0086]
其中，代表第一子层的输出，即第二子层(全连接网络)的输入；
[0087]
全连接网络是由两层组成，并由relu激活函数实现非线性变换：
[0088][0089]
其中，f(
·
)指的是全连接网络，和是第一层全连接网络的权重和偏值，和是第二层全连接网络的权重矩阵和偏值；
[0090]
第二子层内的两个全连接网络的输入与输出也是通过残差连接的，经层规范化layernorm后输出：
[0091][0092]
其中，为第二子层的输出。
[0093]
对于下层多头注意网络的输入，采用三个不同的感受野的1d卷积进行相对位置编码，表达式如下：
[0094][0095]
其中，是下层多头注意网络的输入，w1，b1是感受野为1的1d卷积的权重和偏值，w2，b2是感受野为3的1d卷积的权重和偏值，w3，b3是感受野为5的1d卷积的权重和偏值，relu为激活函数。
[0096]
因为特定域特征提取器是上、下两层结构，因此，下层的计算方式同上层。
[0097]
对于下层多头注意网络的输入采用和上层多头注意网络的输入不一样的相对位置编码方式，可获得不一样的信息标记，以构造多尺度，最终使所提取的故障特征更具有泛化性。
[0098]
步骤3：将n-1对源与目标数据集分别输入至公共特征提取器中，提取源和目标的公共机械故障特征。
[0099]
步骤4：每对源和目标的公共机械故障特征分别输入至对应的特定域特征提取器，分别提取每对源和目标的特定机械故障特征，并最小化每对源和目标的特定机械故障特征之间的最大均值差异，从而对其对齐每对源和目标的特定机械故障特征之间的分布，具体的：
[0100]
将各特定机械故障特征之间的最大均值差异，作为适应特定域机械故障特征之间分布差异的差异损失
[0101][0102]
其中，表示第j个源特定机械故障特征，x
t
表示目标特定机械故障特征，为与x
t
的最大均值差异，n-1表示源特定机械故障特征的总数。
[0103]
步骤5，将每对源和目标的特定机械故障特征分布输入至对应的特定域分类器，预测源域数据的故障类型，并对齐分类器的决策边界，具体的：
[0104]
特定域分类器包括两层多层感知器，特定域分类器通过嵌入softmax函数，以计算
给定任何输入样本的每个故障类型的概率，概率通过下式计算：
[0105][0106][0107]
其中，yi是数据标签，k是故障类型的编号，xi是目标特定机械故障特征，p(yi＝k|xi|)是xi所预测是k类故障的概率，exp为指数函数，ck为softmax函数生成的第k个故障类型的输出值，fc是多层感知器的输出，gelu为激活函数，分别为第一层的权重和偏值，和分别为第二层的权重和偏值。
[0108]
并且，采用交叉熵作为特定域分类器的分类损失，以充分挖掘每个源特定机械故障特征中的监督信息，分类损失为：
[0109][0110]
其中，是第j个源特定机械故障特征的数量，log为对数函数，ci表示第i个特定域分类器，是第j个源特定机械故障特征和是第j个源数据的标签。
[0111]
同时，为了消除不同特定域分类器的差异，并保证不同特定域分类器对一个目标特定机械故障特征的输出与目标样本一致，采用任意两个不同特定域分类器输出之间的均方误差作为对齐不同特定域分类器的决策边界的距离损失
[0112][0113]
其中，n-1表示特定域分类器的数量，n
t
表示目标特定机械故障特征的数量，x
t
是目标特定机械故障特征，cb、ca分别表示第b个特定域分类器和第a个特定域分类器。
[0114]
步骤6，将训练好的多源适应模型用以预测测试数据的故障类型，从而实现任意工况下的旋转机械健康诊断，具体的：
[0115]
训练好的多源适应模型通过最小化总体损失来更新模型参数，最小化总体损失的定义如下：
[0116][0117]
其中，为总体损失，分别为上述的特定域分类器的分类损失、适应特定域机械故障特征之间分布差异的差异损失、对齐不同特定域分类器的决策边界的距离损失。λ和γ分别是系数，都是平衡训练过程中不同项目贡献的折衷系数。
[0118]
通过组合优化的特征提取器和优化的回归器，结合测试数据从而完成相应的旋转机械健康诊断任务。
[0119]
如图5所示，为利用实施例训练好的多源适应模型预测测试数据的故障类型所获得测试结果。图5中不同形状的点表示不同类型的故障特征，不同类别故障远离，相同类别故障靠近，具有明显的可分性。结果表明，本技术的方法正确预测了机械故障类型，验证了本技术所提的方法在旋转机械健康诊断的有效性。
[0120]
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。