CN110186680A - 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，构建模型框架；模型学习；其中，所述模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器；所述构建模型框架的步骤包括：获取机械振动源域数据和目标域数据；输入源域样本集和源域标签集；建立对抗判别故障诊断模型；构建故障诊断损失函数；其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数，本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率。

Description

一种对抗判别域适应一维卷积神经网络智能故障诊断方法

技术领域

本发明涉及的机械故障诊断技术领域，尤其涉及一种对抗判别域适应一维卷积神经网络智能故障诊断方法。

背景技术

近年来，随着深度学习的发展，机械旋转零部件的智能故障诊断性能得到显著提高，传统的滚动轴承智能故障诊断一般假设在同一分布中提取标记训练数据和未标记测试数据，然而，在许多实际应用中，这种假设并不成立，比如工作环境发生变化(转速变化、负载变化等)、机器噪声等，使得故障诊断系统存在较大的性能退化，现有方法或者将特征表示从一个域映射到另一个域，或者学习提取域不变特征，这些方法忽略了每个域各自的特征。

对抗性学习方法是一种很有前途的训练鲁棒的深度网络的方法，可以在不同的领域生成复杂的样本，存在域转移或数据集偏差的情况下，可以提高识别能力，最近的无监督域适应对抗方法通过最小化源域或目标域特征分布之间的差异来指导特征学习，从而提高了泛化性能，一方面生成式对抗网络(GANs)显示出引人注目的可视化效果，但它们在判别任务上不是最优的，而且可能仅限于较小的迁移；另一方面，判别方法可以处理更大的域转移，但需对模型施加较多约束权重，而且不能利用Gan的损失，进而导致机械故障诊断的效率低。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有对抗判别域适应一维卷积神经网络智能故障诊断方法存在的机械故障诊断的效率低问题，提出了本发明。

因此，本发明目的是提供一种对抗判别域适应一维卷积神经网络智能故障诊断方法。

为解决上述技术问题，本发明提供如下技术方案：一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，

构建模型框架；

模型学习；

其中，所述模型框架包括源特征提取器、目标特征提取器、标签分类器和域分类器。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述构建模型框架的步骤包括：

获取机械振动源域数据和目标域数据；

输入源域样本集和源域标签集；

建立对抗判别故障诊断模型；

构建故障诊断损失函数；

其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述源域数据D_s为：

其表示每个源域样本，构成的源域样本集为 表示相应的类标签，构成的标签集为N_s是源域数据D_s的样本数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述目标域数据D_t为：

其中，为每个目标域样本，构成的目标域样本集表示为X^t，N_t是目标域数据D_t中的样本数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述源域分类损失函数L_y为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，j表示分类类别数，k表示类别的最大值，N_s表示源域数据D_s的样本数，θ_y表示标签分类器E_y的参数，θ_s为源特征提取器E_s的参数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述域分类损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，θ_d表示域分类器E_d的参数，θ_s为源特征提取器E_s的参数，θ_t表示目标特征提取器E_t的参数，N_t是目标域数据D_t中的样本数，N_s是源域数据D_s的样本数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述对抗损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，N_t是目标域数据D_t中的样本数，θ_t表示目标特征提取器E_t的参数，θ_d表示域分类器E_d的参数。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述模型学习的步骤包括：

预训练阶段；

对抗自适应阶段；

测试阶段。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述预训练阶段使用源域数据训练源特征提取器E_s和标签分类器E_y进行监督训练并优化损失函数L_y。

作为本发明所述对抗判别域适应一维卷积神经网络智能故障诊断方法的一种优选方案，其中：所述对抗自适应阶段采用基于BP的随机梯度下降法(SGD)来更新参数θ_d,θ_t。

本发明的有益效果：本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法的整体流程图。

图2为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法所述的构建模型框架流程图。

图3为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法的模型框架示意图。

图4为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法所述的模型学习流程图。

图5为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法所述的预训练阶段结构示意图。

图6为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法所述的对抗自适应阶段结构示意图。

图7为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法所述的测试阶段结构示意图。

图8为本发明对抗判别域适应一维卷积神经网络智能故障诊断方法整体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

实施例1

参照图1和图8，提供了一种对抗判别域适应一维卷积神经网络智能故障诊断方法的整体结构示意图，如图1，一种对抗判别域适应一维卷积神经网络智能故障诊断方法包括构建模型框架；模型学习；其中，模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器。

具体的，本发明主体结构包括构建模型框架；模型学习；其中，模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器，框架中的源特征提取器、目标特征提取器、类标签分类器和域分类器共同构成一个映射每个输入样本的深度前馈体系结构，训练网络对参数进行优化，使标签预测损失和域分类损失最小；本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率

进一步的，如图2所示，构建模型框架的步骤包括：

获取机械振动源域数据和目标域数据；

输入源域样本集和源域标签集；

建立对抗判别故障诊断模型；

构建故障诊断损失函数；其中，损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数。

需说明的是，源域数据D_s为：

其表示每个源域样本，构成的源域样本集为 表示相应的类标签，构成的标签集为N_s是源域数据D_s的样本数。

而目标域数据D_t为：

其中，为每个目标域样本，构成的目标域样本集表示为X^t，N_t是目标域数据D_t中的样本数，需强调的是，每个数据样本还有一个域标签d_i∈{0,1}，表示该样本是来自源域(d_i＝1)或是目标域(d_i＝0)。

其源域分类损失函数L_y为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，j表示分类类别数，k表示类别的最大值，N_s表示源域数据D_s的样本数，θ_y表示标签分类器E_y的参数，θ_s为源特征提取器E_s的参数；其中，域分类损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，θ_d表示域分类器E_d的参数，θ_s为源特征提取器E_s的参数，θ_t表示目标特征提取器E_t的参数，N_t是目标域数据D_t中的样本数，N_s是源域数据D_s的样本数；对抗损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，N_t是目标域数据D_t中的样本数，θ_t表示目标特征提取器E_t的参数，θ_d表示域分类器E_d的参数。

具体的，参考图3所示，源特征提取器E_s的参数为θ_s，源特征提取器E_s的输入是源域数据，输出表示为E_s(x_i；θ_s)，而标签分类器E_y的参数θ_y，其输入为特征提取器E_s的输出E_s(x_i；θ_s)，输出样本所属的分类标签，用来E_y(；θ_y)表示，因源域和目标域共用同一个标签分类器，因为模型假定目标域是无标签的，分类损失L_y应用于源域，最小化源域每个样本的负对数似然，如式子(1)所示：

而目标特征提取器E_t的参数为θ_t，其网络初始权值为源特征提取器训练好的网络权值，其输入是目标域数据，输出用E_t(x_j；θ_t)表示，其域分类器E_d的参数为θ_d，其输入为源域数据进入源特征提取器的输出E_i(x_i；θ_s)和目标域数据进入目标特征提取器的输出E_t(x_j；θ_t)，输出样本所属的域标签，用E_d(；θ_d)来表示，在此借鉴Gan网络的思想，定义域分类器损失分为两部分，分别是和如式(2)(3)所示，两个目标函数交替优化，是优化域分类器E_d的目标函数，E_d的训练目标是能尽量分类出得到的特征来自源域还是目标域，的理想结果是1，的理想结果是0，因此最小化便可以正确实现域分类；得到域分类器E_d后，通过训练E_t，希望E_d尽可能区分不出特征来自源域和目标域，便可实现此目标，将目标域的标签设为1，希望的输出接近1，即越小越好。

实施例2

参照图4和图8，该实施例不同于以上实施例的是：模型学习的步骤包括：预训练阶段；对抗自适应阶段；测试阶段，通过模型学习增强模型的领域适应能力。具体的，模型学习分为三步骤进行：

预训练阶段，其中，如图5所示，首先使用有标记的源域数据训练源提取器E_s和类标签分类器E_y进行监督训练，优化损失函数L_y；

对抗自适应阶段，进一步的，如图6所示，对抗自适应阶段：固定源编码器E_s，并将E_s的网络权重作为目标域编码器E_t的初始权重，使用目标域数据和源域数据对目标域映射网络E_t和域分类器E_d进行对抗训练，采用基于BP的随机梯度下降法(SGD)来更新参数θ_d,θ_t，如式(4-5)所示，交替优化函数和

其中u是学习率，训练过程直至式子(2-3)的值小于预设阈值或训练时间超过预设时间；

如图7所示，在测试阶段，优化后的特征分类器E_t和类标签分类器E_y构成了鲁棒的故障诊断自适应模型，输入目标域样本，输出预测故障诊断结果。

实施例3

本实施例所提出的对抗判别域适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、1DCNN+AdaBN、1DCNN+ADDA进行对比实验，通过本发明的方法：对抗判别域适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、1DCNN+AdaBN和1DCNN+ADDA的实验结果比较分析，我方针对故障特征提取性能显著优于JDA、1DCNN、1DCNN+AdaBN和1DCNN+ADDA方法，需要说明的是：本方法仅列举几类进行实验举例说明，在实际应用中，可以根据需要而将上述方法运用于不同的地方进行实验分析。

具体的，本对比实验采用的主要评价指标是准确率(Accuracy)、精度(Precision)、召回率(Recall)和F值，其精度也称为查准率，召回率也成为查全率，其定义分别为：Accuracy＝模型所有类别预测正确的样本数/样本总数，其中，精度和召回率采集公式如下：

其中，TP表示模型预测出某样本类别与手工标定的样本类别相同的部分，FP表示手工标定的某样本类别被误检的部分，FN表示手工标定的某样本类别被漏检的部分。

定义F值作为诊断情况分析的参考，F值的计算方法如下：

F值表示查全率与查准率的几何加权平均，α为权重，将α置为1，表示查准率与查全率一样重要，其中，当α＞1时表示查准率比较重要，当α＜1时表示查全率比较重要；

本实施例中将α置为1，F值越接近1代表检测效果越好，既使用该评价方法考虑了查全率和查准率，解决了非同量级数值相加时代数与数值较大的数接近的影响。

按本实施例所提出的基于对抗判别域适应一维卷积神经网络智能故障诊断方法，在美国凯斯西储大学轴承数据集中进行实验，通过本发明的方法：对抗判别域适应一维卷积神经网络智能故障诊断方法与联合适应网络(Joint Adaptation Network，JDA)、一维卷积神经网络(1-Dimensional Convolutional Neural Networks，1DCNN)、1DCNN+AdaBN(Adaptive Batch Normalization)的实验结果比较分析，说明本发明在查全率、查准率和F1值上有较大提升，需要说明的是，上述故障诊断的方法，仅以上述基准数据集进行实验举例说明，实际应用中，可以根据需要而将上述方法运用于不同的场景进行实验分析。

本实施例中，实验使用的数据库采用美国凯斯西储大学轴承数据中心发布的滚动轴承故障测试数据库，电动机驱动端和风扇端的轴承座上各放置一个加速度传感器，试验装置包括一台发动机、一个扭矩传感器、一个功率测试计和电子控制器。试验采用的数据是通过在电机驱动端轴承座上方放置的加速度传感器采集得到，采样频率包括12KHz和48KHz两种，分别在4种不同的负荷(0-3hp)下采集得到。此轴承试验系统模拟了轴承的正常状态(N)、外圈故障(OF)、内圈故障(IF)和滚动体故障(RF)4种故障类型，且每种故障类型都有3种故障程度，包含损伤直径7mils(记作故障程度1)、14mils(记作故障程度2)、21mils(记作故障程度3)，于是得到10种健康状态，如表1所示。

本发明实验选用滚动轴承驱动端采样频率为48kHz的不同故障位置及不同健康状态振动信号进行试验研究，并定义了包含不同负载和不同转速的数据集，数据集的详细描述如表1所示；表1中数据集A由1马力、1772rpm转速下包含4种不同健康状态10个类别的2000个样本组成，数据B、C的组成与A类似；每种健康状态包含200个样本，每一个样本包含2400个数据点；对每个样本进行快速傅里叶变换得到2400个傅里叶系数，因系数是对称的，每个样本选择前1200个系数作为预处理后的样本；数据集D由包含10种不同健康状态和三种不同负载的6000个数据样本组成。

表1轴承数据集参数描述

为了测试本发明的域适应性能，A->B表示数据集A为源域，数据集B为目标域，其余以此类推，故对于数据集A、B、C来说，共有6种域适应问题。将本发明提出的算法和JDA、1DCNN、1DCNN+AdaBN进行对比实验，最终所得的准确率的实验结果如表2所示。

表2诊断结果方法对比

方法	A->B	A->C	B->C	B->A	C->A	C->B
							JDA	0.7825	0.7795	0.9720	0.7775	0.7830	0.9735
1DCNN	0.8935	0.8530	0.9910	0.8755	0.7875	0.9860
							CNN+AdaBN	0.8945	0.8685	0.9915	0.8845	0.8090	0.9885
CNN+ADDA	0.9380	0.9595	0.9930	0.9685	0.9580	0.9935

表4显示了各种方法的故障特征提取性能，本方法以0.15％-16.35％的比例显著优于所有以前的基线方法，可注意到，数据集B和数据集C无论哪个作为源域哪个作为目标域，几种方法的诊断结果都比较高，说明其所对应的两种环境，一种是功率2HP和转速1750rpm，另一种是功率3HP和转速1730rpm，这两种环境相似度较高，对测试振动信号的影响不太大，上述结果验证了本发明在处理故障分类问题时的有效性。

本发明在6种域适应问题中的精度、召回率和F1值如表3、表4、表5所示，可以看出本发明在精度、召回率和F1值方面较高。

表3所提方法在六种域适应问题的精度

表4所提方法在六个域适应问题的召回率

表5所提方法在六个域适应问题的F1值

重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，

构建模型框架；

模型学习。

2.如权利要求1所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述构建模型框架的步骤包括：

获取机械振动源域数据和目标域数据；

输入源域样本集和源域标签集；

建立对抗判别故障诊断模型；

构建故障诊断损失函数；

其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数。

3.如权利要求2所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述源域数据D_s为：

其表示每个源域样本，构成的源域样本集为 表示相应的类标签，构成的标签集为N_s是源域数据D_s的样本数。

4.如权利要求2或3所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述目标域数据D_t为：

其中，为每个目标域样本，构成的目标域样本集表示为X^t，N_t是目标域数据D_t中的样本数。

5.如权利要求4所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述源域分类损失函数L_y为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，j表示分类类别数，k表示类别的最大值，N_s表示源域数据D_s的样本数，θ_y表示标签分类器E_y的参数，θ_s为源特征提取器E_s的参数。

6.如权利要求2、3和5任一所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述域分类损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，θ_d表示域分类器E_d的参数，θ_s为源特征提取器E_s的参数，θ_t表示目标特征提取器E_t的参数，N_t是目标域数据D_t中的样本数，N_s是源域数据D_s的样本数。

7.如权利要求6所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述对抗损失函数为：

其中，X^s表示源域样本集，Y^s表示对应的类别标签集，N_t是目标域数据D_t中的样本数，θ_t表示目标特征提取器E_t的参数，θd_d表示域分类器E_d的参数。

8.如权利要求1～3、5和7任一所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述模型学习的步骤包括：

预训练阶段；

对抗自适应阶段；

测试阶段。

9.如权利要求8所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述预训练阶段使用源域数据训练源特征提取器E_s和标签分类器E_y进行监督训练并优化损失函数L_y。

10.如权利要求9所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述对抗自适应阶段采用基于BP的随机梯度下降法(SGD)来更新参数θ_d,θ_t。