一种特种车辆动力装置故障诊断系统及故障诊断方法与流程

本发明属于特种车辆动力装置故障诊断,具体涉及一种基于联邦迁移学习的特种车辆动力装置故障诊断系统及故障诊断方法。

背景技术：

1、特种车辆动力装置长时间工作在高速、高温的条件下，各种零部件会发生不同程度的磨损，当磨损超过一定限度将产生故障隐患。为了防止特种车辆在执行任务时动力装置产生故障，需要对动力装置进行故障诊断，以免造成经济损失。通过对动力装置的状态监测信号进行时频分析，深度学习方法对时频信号进行特征提取，可以实现对特种车辆动力装置的故障诊断。但是，庞大且高质量的标签数据才能训练出高性能的深度学习模型，然并且深度学习方法只有在训练集和测试集有相同特征分布时才能较高性能。实际应用动力装置的运行工况多变,传感器采集到的振动信号特征分布存在偏差，从而对故障诊断的精度造成一定影响。

2、迁移学习可以利用带故障标签的源域数据对目标域数据进行故障划分,提取源域和目标域之间的域不变特征，并减少特征分布的差异。在此基础上，联邦迁移学习可以充分利用多辆特种车辆的协同训练，既能实现特种车辆的数据不离开本地，有效保护特种车辆动力装置参数的数据隐私，又能高效地对需要进行健康监测的特种车辆动力装置进行故障诊断。

技术实现思路

1、本发明的目的在于针对特种车辆动力装置故障诊断中存在的跨域类不平衡和样本不足的问题，提供一种特种车辆动力装置故障诊断系统及方法，本发明将拥有标签数据的特种车辆作为源客户端，将只拥有未标记数据的特种车辆作为目标客户端，通过联邦迁移学习对目标域的动力装置故障类别进行划分。

2、为实现上述目的，本发明提出了一种特种车辆动力装置故障诊断系统，包括：中心服务器、目标客户端和源客户端，源客户端包括特征提取模块、域分类模块、故障诊断模块；源客户端和目标客户端都具有数据处理模块，用于对现场采集的数据进行预处理；所述中心服务器负责聚合多个源客户端的特征参数；所述特征提取模块负责对经过预处理的数据进行特征提取，并将源客户端样本和目标客户端样本进行映射；所述域分类模块负责判断特征提取的信息来自源客户端还是目标客户端；所述故障诊断模块根据特征提取模块提取的信息对样本进行故障分类。

3、进一步地，每个源客户端都具备相同的网络结构，中心服务器对所有参与训练的源客户端进行参数初始化，以降低过拟合风险。

4、进一步地，源客户端和目标客户端的数据库分别存储有源域数据和目标域数据，进行故障诊断的特种车辆数据为目标域，目标域数据对应的故障类型未知，其他参与联邦迁移学习的各辆特种车辆数据为源域，源域数据对应的故障类型已知；将所述目标域数据划分为训练集和测试集，将全部源域数据作为训练集；目标域数据的训练集和源域数据进行联邦对抗训练，目标域的测试集用于测试故障诊断模型的性能。

5、本发明还提出一种特种车辆动力装置故障诊断方法，包括以下步骤：

6、步骤1：构建特种车辆动力装置故障诊断系统，该系统包括中心服务器、目标客户端和源客户端，源客户端包括特征提取模块、域分类模块、故障诊断模块；源客户端和目标客户端都具有数据处理模块，用于对现场采集的数据进行预处理；所述中心服务器负责聚合多个源客户端的特征参数；所述特征提取模块负责对经过预处理的数据进行特征提取，并将源客户端样本和目标客户端样本进行映射；所述域分类模块负责判断特征提取的信息来自源客户端还是目标客户端；所述故障诊断模块根据特征提取模块提取的信息对样本进行故障分类；

7、步骤2：振动传感器采集特种车辆动力装置的振动信号；

8、步骤3：源客户端和目标客户端的数据处理模块对步骤2采集的数据进行预处理；

9、步骤4：中心服务器对所有参与训练的源客户端进行参数初始化；

10、步骤5：源客户端和目标客户端进行对抗迁移学习，当总损失函数收敛时，得到最终的故障诊断模型；

11、步骤6：将目标客户端的测试样本输入到故障诊断模型中，得到目标客户端的故障诊断结果。

12、进一步地，步骤2中，振动传感器安装在特种车辆动力装置的缸盖上，需要进行故障诊断的特种车辆数据为目标域，目标域数据对应的故障类型未知，其他参与联邦迁移学习的特种车辆数据为源域，源域特种车辆数量用k表示，源域数据对应的故障类型已知，故障类型数量用m表示；将所述目标域数据划分为训练集和测试集，将全部源域数据作为训练集，目标域数据的训练集和源域数据进行联邦对抗训练，目标域的测试集用作测试故障诊断模型的性能；在对抗域适应网络中，源域和目标域共享特征提取模块的模型参数。

13、进一步地，步骤3中，数据预处理将步骤2采集到的振动数据截取为多个采样点个数为n的样本；然后，采用小波包分解对样本进行预处理，处理完成后每个样本分解为q层的小波包分解树，第q层分解树分解后可得到2q个节点，每个节点都有n/2q个小波包系数，每个小波包系数的采样点个数为n/2q，得到大小的二维时频图；其中，q>1，n是2的幂次方且n>2q。

14、进一步地，步骤5中，源客户端和目标客户端进行对抗迁移学习的方法为：

15、步骤5.1、源客户端和目标客户端以步骤4的初始化参数为起点，在本地进行预训练，并将预训练得到的网络参数、判别结果和预测标签上传至中心服务器；

16、步骤5.2、中心服务器计算k个源客户端和1个目标客户端的损失函数；

17、首先分别对第k个源客户端的带标签数据进行特征提取和分类，并计算其分类损失函数，1≤k≤k：

18、

19、其中，表示第k个源客户端的交叉熵分类损失函数，s表示源域，c表示分类器；ns,k表示第k个源客户端参与训练的标签样本个数；m表示故障类型数量，当预测的故障标签等于实际故障标签时，yj,c＝1，否则yj,c＝0；表示第k个源客户端上以第j个标签样本为输入，在最后一层分类器上得到的第c个逻辑单元值；

20、然后根据源客户端和目标客户端的交叉熵分类损失函数计算域分类的损失函数：

21、

22、其中，nt表示目标客户端参与训练的标签样本个数，t表示目标域；其中，预测的域标签为实际域标签时，dj,c＝1；预测的域标签错误时，dj,c＝0；xj,i表示第j个样本作为输入时，在鉴别器最后一层的第i个输出；

23、由于源分类器具有不同参数，预测一致性能够提高模型的泛化能力，降低过拟合风险，预测一致性的计算公式为：

24、

25、

26、其中，lp表示预测一致性的损失函数，表示目标客户端上的第j个样本，cs,k(·)表示第k个源客户端的故障诊断模块，ft(·)表示目标客户端的特征提取模块，表示目标客户端在源客户端故障诊断模块上计算得到的平均预测值，表示目标客户端的第j个样本在第k个源客户端故障诊断模块上的预测值；

27、最后，得到总损失函数

28、

29、步骤5.3、采用小批量随机梯度下降法优化模型参数：

30、

31、

32、

33、θd分别表示源客户端和目标客户端的特征提取模块最优参数、源客户端的故障诊断模块最优参数、域分类模块最优参数；当总损失函数收敛时，得到最终的故障诊断模型。

34、本发明的优点是：对于数据库中故障数据稀缺、数据质量差的特种车辆目标域客户端，通过与其他特种车辆源域客户端的联邦迁移学习，充分提取源域和目标域之间的特征，能有效解决跨域类不平衡和样本不足的问题。另一方面，由于联邦迁移学习上传的是源域和目标域的高级特征，特种车辆动力装置的故障数据仍保存在本地，在源域和目标域进行联邦通信的同时也有效避免了数据隐私泄露的风险。