基于自适应图拓扑感知的小样本跨域故障诊断方法及系统

本发明涉及故障诊断，具体涉及一种基于自适应图拓扑感知的小样本跨域故障诊断方法及系统。

背景技术：

1、随着采集技术的发展和数据可获得性的提高，使得深度学习方法能通过处理海量的有监督数据解决实际工业场景下的诊断问题。相较于传统机器学习方法，基于深度学习的故障诊断方法不需要基于先验知识人为设计特征，而是将特征提取和故障状态分类融合到统一框架中，实现端到端的故障诊断。比较常用的深度学习模型包括卷积神经网络、图卷积神经网络、自编码器等。然而，现有大部分研究在机械故障诊断领域的成功应用都依赖于训练数据与测试数据满足同一分布的假设。而在实际场景下，机械设备的工况经常发生变化导致难以采集全工况数据，难以满足训练数据和测试数据满足同一分布的要求。并且，采集到的数据需要人为进行标签的标注，通常耗时耗力，使得可用的有监督数据非常少。因此，训练数据与测试数据分布不同，以及可用的有监督数据不充足这两个场景给故障诊断带来更大的挑战。

2、训练数据(源域)与测试数据(目标域)分布不同的现象被称为域偏移。在域偏移场景下，采用训练数据更新诊断模型，从而应用在测试数据上的任务被定义为跨域任务。且由于在工业场景下，在役机械设备大多运行在正常状态，对正常设备采取故障注入并采集信号的方式获取故障数据往往需要付出较大财力，甚至某些部件故障状态难以人为模拟，导致故障数据稀缺。并且设备运行信息可能会涉及某些行业机密，出于对数据安全性的考虑，可能并不会对外公布大量数据，因此能够得到的机械设备故障数据通常为小样本。因此，在以上两种场景下的机械设备故障诊断通常被称为小样本跨域故障诊断。

3、随着传感技术的发展，通过多通道传感器采集机械设备的运行数据已成为现阶段状态监测的一种常用手段。图数据作为一种非欧式空间数据，除了能提供常用的欧式特征(如一维信号、二维时频图等等)外，还能引入附加的相关信息特征，从而具有更强大的故障描述能力。因此，图神经网络成为机械故障诊断的有力工具之一。

4、将多通道传感器中的每个通道定义为一个节点，借助图建模方式构建的多通道交互图中包含各个通道原本的特征以及各通道之间的相关信息特征。现有基于图卷积网络(gcn)的故障诊断方法在进行多通道交互图建模时，大多通过提取各通道信号的特征(如时域特征、频域特征等)，计算各通道间的相似度，然后通过设定阈值确定图中节点之间的拓扑关系。这种图建模策略构建的图在训练过程中，其拓扑保持固定，然而图的拓扑可能也包含了域特定信息，固定的拓扑可能会阻碍网络通过更新获取域一致特征，并阻碍跨域诊断精度的提升；现有研究往往都是通过图卷积后的特征来隐式的表示图拓扑信息，有可能造成图拓扑中蕴含的故障信息的丢失；现有跨域诊断算法在小样本情形下往往存在过拟合的问题，使得方法的泛化性能不高。

技术实现思路

1、为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于自适应图拓扑感知的小样本跨域故障诊断方法及系统。

2、为了实现本发明的上述目的，本发明提供了一种基于自适应图拓扑感知的小样本跨域故障诊断方法，包括以下步骤：

3、获取机械设备发生故障时的多通道运行数据，将所述多通道运行数据按工况分为具有标签的源域数据和无标签的目标域数据；

4、根据源域数据和目标域数据生成源域完全图和目标域完全图；

5、构建故障诊断网络，所述故障诊断网络包括自适应拓扑感知模块、图卷积模块和跨域分类器；

6、对故障诊断网络进行训练：基于自适应拓扑感知模块分别构建源域完全图和目标域完全图的边分数矩阵，根据所述边分数矩阵分别自适应更新源域图拓扑和目标域图拓扑；基于图卷积模块分别获取拓扑更新后的源域图表征和目标域图表征；将源域图表征和目标域图表征分别输入基于全连接层构建的跨域分类器，更新故障诊断网络参数；

7、将待测试数据输入训练完成的故障诊断网络中进行跨域故障诊断。

8、本方法采用小样本量的有标签源域数据和无标签目标域数据对故障诊断网络进行训练，实现在目标域测试数据上的有效故障诊断，能利用易出现域偏移问题且小样本量的机械设备故障数据实现跨域故障诊断。

9、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，构建源域完全图、目标域完全图的边分数矩阵的步骤为：

10、用邻接矩阵表示源域完全图/目标域完全图的拓扑；

11、连接源域完全图/目标域完全图中所有互相连接的节点对的节点特征作为两节点之间边的边特征；将边特征输入一个多层感知机，计算每条边的重要分数，构成源域完全图/目标域完全图的边分数矩阵。

12、该可选方案通过学习边分数，用于表示图拓扑信息，在训练中自动更新源域数据、目标域数据的拓扑结构，实现了从图卷积特征中将图拓扑解耦出来，有利于促进诊断算法获取域一致特征及拓扑，提升跨域诊断的性能。

13、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，更新源域图拓扑、目标域图拓扑的步骤为：

14、采用一个和源域完全图/目标域完全图的边分数矩阵尺寸相同的全1矩阵与源域完全图/目标域完全图的边分数矩阵做差，得到辅助矩阵；生成一个尺寸与源域完全图/目标域完全图的边分数矩阵相同的随机数矩阵，随机数矩阵中的每个元素值都是从0到1之间的均匀分布u(0，1)中随机采样得到；

15、比较辅助矩阵和随机数矩阵对应元素的大小，更新辅助矩阵得到新辅助矩阵；

16、计算新辅助矩阵与所述邻接矩阵的哈达玛积，得到更新后的邻接矩阵，完成对源域图拓扑/目标域图拓扑的自适应更新。

17、该可选方案中采用一个和边分数矩阵尺寸相同的全1矩阵与边分数矩阵做差，原本重要的边在新辅助矩阵对应位置处的值越小，采用随机数矩阵与新辅助矩阵比较时，越重要的在新辅助矩阵对应位置处的值越容易被置为1，而越不重要的边在新辅助矩阵对应位置处的值越容易被置为0。相比现有技术中基于得到的边分数，通过设定阈值或根据top-k准则筛选前k条边，进行拓扑结构的更新方式，该可选方案的拓扑更新方法是无参数化的，能够自适应地更新图的拓扑结构，并且，以往的方法通过阈值或保留确定个数的边时，会限制图拓扑更新时的多样性，当训练样本稀缺时，这种方式仍不可避免过拟合的问题。而本发明采用从[0,1]之间的均匀分布u(0，1)随机取值，结合学习到的边分数进行不确定性的舍弃或保留边的方式，实现图数据的增强，有利于提升方法的泛化性能。

18、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，获取拓扑更新后的源域图表征、目标域图表征的步骤为：

19、将更新后的源域图拓扑/目标域图拓扑、源域节点特征/目标域节点特征输入图卷积模块，利用图卷积模块进行特征提取，计算提取到的特征中每个特征维度的均值和最大值，得到源域图表征/目标域图表征。

20、根据以下公式进行特征提取：

21、

22、

23、其中，z表示源域数据或目标域数据初始的节点特征矩阵，表示更新后的源域图拓扑或目标域图拓扑的邻接矩阵，w1和w2分别表示第一层和第二层图卷积层的卷积核，z1表示第一层图卷积后的特征矩阵，z2表示第二层图卷积后的特征矩阵，即提取到的特征，z2∈rn×d，n为节点个数，d为每个节点特征的维度，relu表示非线性激活单元；

24、计算z2的每个特征维度的均值和最大值，得到源域图表征/目标域图表征。

25、该可选方案通过计算图数据每个特征维度的均值和最大值的连接向量作为源域图表征/目标域图表征，能在获取图数据最显著特征以及整体信息的同时，有效降低整个图数据的特征维度，使得通过图卷积后的特征便于输入分类网络进行后续处理。

26、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，更新故障诊断网络参数的步骤为：

27、将跨域分类器的倒数第二层全连接层的源域数据、目标域数据的隐藏特征分别与其各自的边分数矩阵相连，并将该相连结果作为域表征计算域损失；

28、根据跨域分类器的倒数第二层全连接层的源域数据的隐藏特征计算对比损失；

29、基于跨域分类器对源域数据及其标签的输出结果，计算分类损失；

30、基于得到的对比损失、域损失和分类损失更新故障诊断网络参数。

31、该可选方案通过域损失、对比损失、分类损失对诊断模型的训练，提高了跨域诊断的性能。

32、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，根据公式h＝concat(s,x)将跨域分类器的倒数第二层全连接层的源域数据、目标域数据的隐藏特征分别与其各自的边分数矩阵相连，其中，h为域表征，concat表示特征连接操作，x表示跨域分类器的倒数第二层全连接层的源域数据或目标域数据的隐藏特征，s表示源域数据或目标域数据的边分数；

33、根据公式

34、

35、计算域损失，其中，hs，h′s表示从源域中采样的一对样本，经过自适应拓扑感知模块、图卷积模块和跨域分类器，由跨域分类器倒数第二层输出特征和边分数相连得到的向量；ht，h′t表示从目标域中采样的一对样本，经过自适应拓扑感知模块、图卷积模块和跨域分类器，由跨域分类器倒数第二层输出特征和边分数相连得到的向量；k表示高斯核函数e(·)表示期望；和分别表示源域和目标域。

36、该可选方案通过跨域分类器的倒数第二层全连接层的源域数据、目标域数据的隐藏特征分别与其各自的边分数矩阵相连，分别得到源域和目标域的与表征，相比以往方法仅采用源域数据、目标域数据的隐藏特征作为域表征的方式，边分数矩阵的引入从图拓扑的角度为域表征提供了更丰富的域特定信息。该域表征借助域损失能够约束整体网络在训练时获取域一致拓扑，从而进一步促进域一致特征的获取，提升整体网络的跨域诊断性能。

37、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，根据公式

38、计算源域数据的隐藏特征来计算对比损失，其中，c表示故障类别个数，ci表示第i个类别簇，cj表示第j个类别簇，ni表示第i个类别簇内的样本数,nj表示第j个类别簇内的样本数,dist(·)表示余弦距离，x1和x2表示从源域中采样得到的两个样本经过跨域分类器倒数第二层之前的所有模块后，得到的跨域分类器倒数第二层输出的特征向量。

39、该可选方案约束了来自源域数据的特征及边分数，具有较高的类内相似度和类间不相似度，用于约束自适应拓扑感知模块学习与分类性能正相关的边分数矩阵，并约束经过不确定性边扰动方式获得的增强数据具有紧凑的类别边界。

40、在该基于自适应图拓扑感知的小样本跨域故障诊断方法的一种可选方案中，根据公式计算分类损失，其中，ns表示源域样本数，yi表示源域第i个样本的真实类别概率，pi表示分类器预测的第i个样本的类别概率。

41、该可选方案基于源域样本及其标签，可监督地训练故障诊断网络学习，能够区分不同类别的特征和分类知识，使诊断网络具备故障诊断知识。

42、本发明还提出了一种小样本跨域故障诊断系统，包括数据获取模块、控制模块和存储模块，所述数据获取模块获取源域数据和目标域数据，其信号输出端连接所述处理模块对应输入端，向所述处理模块发送源域数据和目标域数据，所述处理模块和存储模块通信连接，所述存储模块用于存放至少一个可执行指令，所述可执行指令使所述处理模块执行如上述基于自适应图拓扑感知的小样本跨域故障诊断方法对应的操作，实现小样本跨域故障诊断。

43、本发明的有益效果是：本发明能够采用数据稀缺的有标签源域数据和数据稀缺的无标签目标域数据对故障诊断网络进行训练，实现在目标域测试数据上的有效故障诊断。由于工业场景下可用数据稀缺和域偏移问题是两个非常常见的问题，因此本发明具有较好的现实意义。

44、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。