旋转机械故障迁移诊断方法及系统

本发明涉及机械状态监测与故障诊断，具体地，涉及一种旋转机械故障迁移诊断方法及系统，尤其是一种基于动态领域自适应集成的旋转机械故障迁移诊断方法及系统。

背景技术：

1、旋转机械是作为生产制造中的核心设备之一，得到了广泛的应用。开展旋转机械故障诊断研究、保障其安全可靠的运行，对企业生产效益的改善以及国民经济的安全保障具有重大现实意义。传统的旋转机械故障诊断方法往往基于时频域分析技术提取典型故障特征的模式，这类方法大多操作繁琐，对检测人员的专业要求较高。在当前海量监测数据的大背景下，已难以适应快速、实时、高效的诊断分析需求。进入人工智能时代以来，基于深度学习等人工智能技术的智能诊断方法得到了广泛应用。这些智能诊断方法凭借强大的特征提取和拟合能力在故障诊断领域不断取得新的研究进展。

2、虽然这些深度智能诊断方法有许多优点，但有两个原因限制了其在复杂现实场景中的应用。首先，这些深度学习模型要求训练和测试数据服从相同的数据分布，但是在实际应用中，采集的监测数据往往涵盖不同的工作条件甚至不同的机械设备。此外，监测信号数据并没有故障标签，而人工标注的成本十分昂贵，导致有标签的故障数据严重匮乏。随着相关技术的不断进步，迁移学习有望缓解对数据采集的要求，为上述挑战提供了一种可能的解决途径。迁移学习的目的是找到一种方法，将包含丰富信息数据的源域和缺少信息的目标域相结合，利用源域学习到的知识去应用于目标域中的相关任务。

3、公开号为cn113076834b的专利文献公开了一种旋转机械故障信息处理方法、处理系统、处理终端、介质，构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型，通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征；利用领域分类器来缩短两种数据分布之间的差别，利用状态预测器并引入领域适配约束，形成基于深度领域自适应对抗网络的故障诊断模型，并利用所述模型实现旋转机械的故障智能诊断。但是该专利文献仍然存在服从相同的数据分布，监测信号数据并没有故障标签的缺陷。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种旋转机械故障迁移诊断方法。

2、根据本发明提供的一种旋转机械故障迁移诊断方法，包括如下步骤：

3、步骤1：分别获取不同运行条件下的旋转部件有标记监测数据集和无标签监测数据集，组成源域数据集和目标域数据集；

4、步骤2：对源域数据集和目标域数据集进行相同的数据预处理，得到能够被集成网络算法识别的两个样本集；

5、步骤3：选定不同的深度迁移学习算法，按照集成迁移框架构造深度神经网络模型；

6、步骤4：输入带标签的源域数据，在构造的网络中通过前向传播得到输出的预测标签，将预测标签和真实标签进行对比得到损失函数；

7、步骤5：输入源域数据和目标域数据，利用选定的深度迁移学习算法计算来自两个域数据特征之间的损失；

8、步骤6：计算不同迁移方法的预测结果和真实结果之间的偏差，并以此为依据计算不同深度迁移学习方法在集成框架中对应的优化自适应因子；

9、步骤7：将上述损失进行梯度求导并优化；

10、步骤8：重复迭代进行步骤4～7，直到达到收敛条件后，停止训练，得到训练好的神经网络模型；

11、步骤9：将新的监测数据经过步骤2的数据预处理后，输入训练好的深度神经网络模型中，得到该数据样本的预测标签。

12、优选的，所述步骤1中，所述源域数据集表示为所述目标域数据集表示为其中，分别为源域数据集中的第i个样本的监测数据及其对应的健康状况标记，为目标域数据集中的第i个样本，n为最小批次的训练样本个数。

13、优选的，所述步骤6中，利用a-distance计算不同迁移方法的预测结果和真实结果之间的偏差。

14、优选的，所述步骤7中，利用反向传播算法将上述损失进行梯度求导并优化。

15、优选的，所述步骤2具体包括如下步骤：

16、步骤2.1：对旋转部件的原始振动信号进行异常值去除，使用拉依达法则去除异常值，公式如下：

17、

18、其中，表示信号片段的平均值，xi为信号样本中第i个样本点的数值；是标准偏差，n是信号段中采样点的总数；

19、步骤2.2：将消除异常值后的时间序列振动信号切片，每个片段包含4096个振动信号采样点，经过连续小波变换得到小波时频图样本作为网络模型的输入，连续小波变换公式如下：

20、

21、其中，φ(t)是小波母函数，τ是时移系数，a是尺度系数，且a≠0。

22、优选的，所述步骤3中，所述深度神经网络模型为基于ddae的神经网络ddaenn；

23、所述基于ddae的神经网络ddaenn包括特征提取器gf、域鉴别器gd以及标签预测器gl；

24、所述基于ddae的神经网络ddaenn采用域对抗技术和基于mmd的域自适应技术。

25、优选的，所述步骤4中，训练深度神经网络对源域带标签数据的分类精度，使用交叉熵损失，损失函数如下：

26、

27、其中，wy和by是由标签预测器gl进行线性变换后得到的矩阵向量对，f表示由特征提取器gf提取的特征，f(·)表示softmax函数，i{·}表示指示函数，k为源域第i个样本对应的真实样本标签；

28、所述步骤5中，对于域对抗技术，其损失函数表示为：

29、

30、其中，φ表示sigmod函数，wd和bd是用于领域分类器的线性变换矩阵向量对，di代表第i个训练样本的域标签，fs和ft分别表示由特征提取器gf提取的源域和目标域特征，m为一个训练批次内的样本总数；

31、对于基于mmd的域自适应技术，其损失函数表示为：

32、

33、其中，ns和nt分别表示来自源域和目标域的批量训练样本数，和表示深度特征提取器输出的两个域的领域不变特征，是一个具有k个特征核的再生核hilbert空间。

34、优选的，所述步骤6具体包括如下步骤：

35、步骤6.1：计算使用不同迁移技术后的a-distance，其计算公式为：

36、

37、

38、其中，xj表示第j个样本，gc(xj)是分类器gc针对样本xj的输出，表示指示函数，n′为两个不同域数据集ds和dt的样本量大小，erri(gc)表示第i个领域自适应方法中两种不同领域的数据在分类器gc上的误差；为使用第i个领域自适应方法后两个领域ds和dt间的a-distance；

39、步骤6.2：对于使用的第i种领域自适应方法，分别计算其对应的优化自适应因子αi，其计算公式为：

40、

41、

42、其中，是第i个领域自适应方法的a-distance参数与所有a-distance参数之和的比值，用来表示该迁移技术所占的权重，为第j个领域自适应方法所占的权重；

43、步骤6.3：将得到的优化自适应因子αi与步骤5中选定的领域自适应方法的损失函数相结合，得到迁移方法的总损失函数，表示为：

44、

45、优选的，所述步骤9具体包括如下步骤：

46、步骤9.1：通过传感器采集实际旋转机械的在线监测数据，并将该监测数据经过步骤2的数据预处理后规整成为合适的小波时频图样本；

47、步骤9.2：将得到的时频图样本依次输入步骤8获得的训练好的神经网络模型中，得到对应样本的预测标签，根据标签的预测结果评估当前设备的运行状态。

48、本发明还提供一种旋转机械故障迁移诊断系统，包括如下步骤：

49、模块m1：分别获取不同运行条件下的旋转部件有标记监测数据集和无标签监测数据集，组成源域数据集和目标域数据集，其中、分别为源域数据集中的第i个样本的监测数据及其对应的健康状况标记，为目标域数据集中的第i个样本，n为最小批次的训练样本个数；

50、模块m2：对源域数据集和目标域数据集进行相同的数据预处理，得到能够被集成网络算法识别的两个样本集；

51、模块m3：选定不同的深度迁移学习算法，按照集成迁移框架构造深度神经网络模型；

52、模块m4：输入带标签的源域数据，在构造的网络中通过前向传播得到输出的预测标签，将预测标签和真实标签进行对比得到损失函数；

53、模块m5：输入源域数据和目标域数据，利用选定的深度迁移学习算法计算来自两个域数据特征之间的损失；

54、模块m6：利用a-distance计算不同迁移方法的预测结果和真实结果之间的偏差，并以此为依据计算不同深度迁移学习方法在集成框架中对应的优化自适应因子；

55、模块m7：利用反向传播算法将上述损失进行梯度求导并优化；

56、模块m8：重复触发模块m4～m7执行迭代，直到达到收敛条件后，停止训练，得到训练好的神经网络模型；

57、模块m9：将新的监测数据经过模块2的数据预处理后，输入训练好的深度神经网络模型中，得到该数据样本的预测标签。

58、与现有技术相比，本发明具有如下的有益效果：

59、1、本发明综合了迁移学习和集成学习相关思想，通过构建一种自适应集成框架，实现不同领域自适应方法在算法层面的集成；

60、2、本发明通过引入最优适应因子α，实现了不同领域自适应方法在算法级的集成，基于提出的集成学习框架，设计了一个可行的基于ddae的神经网络(ddae neuralnetwork,ddaenn)模型和基于ddaenn的故障诊断流程；

61、3、本发明的ddaenn包括三个特定模块：特征提取器、领域分类器和标签自适应预测器，采用了两种域自适应技术，即域对抗技术和基于最大均值差的分布自适应技术，实现了两种域自适应技术的集成诊断。