CN113094996A - 基于dda域自适应机制的智能故障迁移诊断方法 - Google Patents

Abstract

本发明涉及一种基于DDA域自适应机制的智能故障迁移诊断方法，属于机械故障诊断技术领域。该方法包括：S1：采集故障的振动信号，并进行预处理；S2：将预处理后的样本数据集分为包括相等的无标签目标域样本和有标签源域样本的训练集，以及包括目标域样本的测试集；S3：利用DDA域自适应机制构建深度迁移学习模型；S4：将训练集输入到DDA模型中，利用有标签源域样本分类误差和分布对齐损失对DDA模型进行迭代更新训练；S5：将训练好的DDA模型用于故障迁移诊断。本发明解决了故障数据集偏差和知识迁移的问题，通过增强域自适应能力和减少超参数选择，从而提高故障迁移诊断准确率。

Description

基于DDA域自适应机制的智能故障迁移诊断方法

技术领域

本发明属于机械故障诊断技术领域，涉及一种基于DDA域自适应机制的智能故障迁移诊断方法。

背景技术

行星齿轮箱作为机械设备的核心零部件，持续受到多变的冲击力和载荷所影响，在恶劣工况下易在不同的部位出现不同程度故障。行星齿轮一旦损坏，导致机械设备停止运转，维修成本高以及时间长，造成机械设备的可靠性及经济性下降。因此通过对机械设备状态监测、故障诊断和寿命预测，在设备发生故障或即将发生故障时对设备进行维护，对于提高机械设备的可靠性以及经济性具有重要意义。

在大量的标签故障数据和各数据集服从同一分布的条件下，基于深度学习的故障诊断模型取得了很大的成功。在实际工业应用中，数据集偏差往往存在于训练数据集和测试数据集中，因此，基于域自适应机制的深度模型被提出来解决数据集偏差和知识迁移问题。然而现存的域自适应方法在一些迁移任务下没有取得很好的分类效果，另外，其中一些域自适应方法带来的超参数需要凭借经验去选取。为了进一步增强域自适应能力和减少超参数选择，亟需提出一种新的域自适应机制。

发明内容

有鉴于此，本发明的目的在于提供一种基于DDA域自适应机制的智能故障迁移诊断方法，解决故障数据集偏差和知识迁移的问题，通过增强域自适应能力和减少超参数选择，从而提高故障迁移诊断准确率。

为达到上述目的，本发明提供如下技术方案：

一种基于DDA域自适应机制的智能故障迁移诊断方法，包括以下步骤：

S1：采集故障的振动信号，然后将其进行预处理获得样本数据集；

S2：将步骤S1获得的样本数据集分为训练集和测试集，其中，训练集包括相等的无标签目标域样本和有标签源域样本，测试集包括目标域样本；

S3：利用DDA域自适应机制构建深度迁移学习模型，即构建形成深度分布对齐域自适应(Deep distribution alignment,DDA)模型；

S4：将训练集输入到DDA模型中，利用有标签源域样本分类误差L_C和分布对齐损失L_DA对DDA模型进行迭代更新训练。

S5：在DDA模型训练完成后，用于故障迁移诊断。

进一步，步骤S1中，利用滑动采样技术对采集的故障的振动信号进行维度划分处理。

进一步，步骤S3中，构建的DDA模型包括特征提取器、顶层分类器和域自适应模块三个部分。特征提取器共包含五个Conv1D块，S-Conv1D和T-Conv1D共用同样的网络参数；每个Conv1D块包含一个一维卷积层、一个非线性ReLU激活函数、一个BN层和一个最大池化层。考虑到特征提取器输出后的特征已经具有可分性，顶层分类器仅包含两个全连接层，一个ReLU和Softmax激活函数。域自适应模块(一个全连接层，无激活函数)由m个域自适应单元

构成，DDA模型的详细结构参数列举在表1中。

表1 DDA模型的详细结构参数

进一步，步骤S3中，DDA域自适应机制通过将特征提取器作为概率模型学习输入数据的后验分布，然后利用KL散度将学习到的后验分布向特定的中间分布拉近；通过源域和目标域的输入数据分别进行分布对齐过程，DDA模型最终实现域混淆；对齐过程的多目标优化函数为：

其中，P(K_S|X_S)和P(K_T|X_T)分别为源域输入数据X_S和目标域输入数据X_T的后验分布；P(ε)为特定的中间分布；G_da(·)和G_fe(·)分别代表域自适应模块和特征提取器；θ_da和θ_fe为特征提取器和域自适应模块的可训练参数；D_KL为KL散度；另外，原始输入数据X、特征提取器输出Z和域自适应模块输出K之间的关系表达式为：

进一步，在DDA模型中，选择特定的中间分布P(ε)服从N(1，0)，其分布对齐损失L_DA定义为：

其中，n_S和n_T分别为源域数据和目标域数据输入批次大小，m为域自适应单元数，D_S和D_T分别代表有标签源域和无标签目标域，

为域自适应单元，u_j、

分别为域自适应单元中的均值和方差；然后，根据全概率公式得到P(K_S)＝P(K_T)；最后，利用正态分布的线性关系实现P(Z_S)＝P(Z_T)，从而学习到来自于特征提取器输出的域不变特征；再结合有标签源域样本分类误差，特征提取器学习到的特征在拥有域不变性的同时具有可分性，其分类误差L_C为：

其中，q为故障类别，

为顶层分类器的输出的第j个Softmax值，y_i为第i个样本的标签；I(·)是指示函数，当y_i＝j时I＝1。

进一步，DDA模型的总优化目标函数为：

其中λ为权衡参数，可通过离散化网格搜索方法获得最优值。

本发明的有益效果在于：本发明通过DDA域自适应机制构建深度迁移学习模型，增强域自适应能力和减少超参数选择，从而解决了故障数据集偏差和知识迁移的问题，提高故障迁移诊断准确率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为DDA模型结构示意图；

图2为行星齿轮故障模拟试验台示意图；

图3为m＝2时批次大小对测试准确率的影响效果图；

图4为在批次大小为256时超参数m对测试准确率的影响效果图；

图5为现有CNN、DDC、DAN、DANN、DDA模型与本发明DDA模型的特征t-SNE图，分别对应于图5(a)～图5(e)。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图5，本实施例设计了一种基于DDA域自适应机制的行星齿轮箱故障迁移诊断方法，具体包括以下步骤：

1)通过加速度传感器采集行星齿轮箱中故障的振动信号。然后，将采集到的原始振动信号利用滑动采样技术划分维度为3072的样本。

2)按照各个测点和通道将相应的样本划分为训练集和测试集，其训练集包括相等的无标签目标域样本和标签源域样本，而测试集仅包含目标域样本。

3)利用DDA域自适应机制构建深度迁移学习模型，即构建形成DDA模型，如图1所示。

4)将划分好的的训练样本输入到DDA模型中，利用源域有标签样本分类误差L_C和分布对齐损失L_DA对DDA模型进行迭代更新训练。其中，

为DDA的总优化目标函数。

5)经过多次迭代训练，误差曲线趋于稳定，DDA模型训练完成。

6)将训练好的DDA模型用于跨通道和跨测点的行星齿轮箱行星轮故障迁移诊断。

模拟实验：

本实验采用的齿轮故障数据来自行星齿轮故障模拟试验台，该试验台如图2所示。行星齿轮故障模拟试验台由一个电机、一个测试行星齿轮箱、一个磁粉制动器和两个联轴器组成。共有五个加速度传感器去收集齿轮故障信号。其中传感器A、B、C为三通道传感器(径向、切向和轴向)，传感器D和E为径向单通道传感器，它们依次放置于输入轴轴承处、内齿圈处、输出轴轴承处、与测点B-90°分布的内齿圈位置和与测点B+90°分布的内齿圈位置。用于行星齿轮的测试故障信息包括五种：正常、表面磨损、齿根破裂、轮齿缺损、轮齿折断。五个传感器采样频率都为16384Hz，行星齿轮箱的输入转速为1200rpm。每个样本包含的数据点数为3072个。

基于上述收集到的数据，可以建立两种故障迁移实例去验证提出的DDA域自适应机制的有效性：测点迁移任务和通道迁移任务。例如B_1→B_2代表测点B的径向迁移到切向，A_1→B_3代表测点A径向迁移到测点B轴向。以测点迁移任务A_1→C_1为例，讨论超参数——批次大小和域自适应单元数m的确定准则。如图3所示，测试准确率随批次大小的减小而增加，但是小的批次会导致模型的收敛时间大幅增加。如图4所示，在m＝256之前随着m的增大而增大，因为当m＝256一个输入样本刚好对应与一个域自适应单元，实现了物理意义上的最大分布对齐。因此，DDA的域自适应超参数的选择准则为：在保证模型较快的训练速度下，选择较小的批次大小，域自适应单元数m和批次大小相等。

对比实验：

为了充分的证明提出的DDA域自适应机制的优越性、有效性和鲁棒性，现存的一些经典域自适应方法(CNN、DDC、DAN、DANN、DDA)与本发明方法(DDA)进行对比实验，实验结果如表2、表3和图5(a)～图5(e)所示，在跨通道实验任务中，DDA在所有迁移任务为最高的诊断准确率，其平均准确率达到93.32％；在跨测点迁移任务中，DDA平均准确率更高地达到了94.27％。

表2通道迁移任务实验结果

表3测点迁移任务实验结果

图5的t-SNE图反映了DDA可以显著的拉近源域和目标域的分布距离，提高源域和目标域特征之间的相似性，从而有效增加故障迁移诊断准确率。

最后说明的是，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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于DDA域自适应机制的智能故障迁移诊断方法，其特征在于，该方法包括以下步骤：

S1：采集故障的振动信号，然后将其进行预处理获得样本数据集；

S2：将步骤S1获得的样本数据集分为训练集和测试集，其中，训练集包括相等的无标签目标域样本和有标签源域样本，测试集包括目标域样本；

S3：利用DDA域自适应机制构建深度迁移学习模型，即构建形成DDA模型；所述DDA模型是深度分布对齐域自适应模型；

S4：将训练集输入到DDA模型中，利用有标签源域样本分类误差L_C和分布对齐损失L_DA对DDA模型进行迭代更新训练。

2.根据权利要求1所述的智能故障迁移诊断方法，其特征在于，步骤S3中，构建的DDA模型包括特征提取器、顶层分类器和域自适应模块三个部分；

所述特征提取器共包含五个Conv1D块，每个Conv1D块包含一个一维卷积层、一个非线性ReLU激活函数、一个BN层和一个最大池化层；

所述顶层分类器包含两个全连接层，一个ReLU和Softmax激活函数；

所述域自适应模块包含一个全连接层，由m个域自适应单元构成。

3.根据权利要求1或2所述的智能故障迁移诊断方法，其特征在于，步骤S3中，DDA域自适应机制通过将特征提取器作为概率模型学习输入数据的后验分布，然后利用KL散度将学习到的后验分布向特定的中间分布拉近；通过源域和目标域的输入数据分别进行分布对齐过程；对齐过程的多目标优化函数为：

其中，P(K_S|X_S)和P(K_T|X_T)分别为源域输入数据X_S和目标域输入数据X_T的后验分布；P(ε)为特定的中间分布；G_da(·)和G_fe(·)分别代表域自适应模块和特征提取器；θ_da和θ_fe为特征提取器和域自适应模块的可训练参数；D_KL为KL散度；另外，原始输入数据X、特征提取器输出Z和域自适应模块输出K之间的关系表达式为：

4.根据权利要求3所述的智能故障迁移诊断方法，其特征在于，在DDA模型中，选择特定的中间分布P(ε)服从N(1,0)，其分布对齐损失L_DA定义为：

其中，n_S和n_T分别为源域数据和目标域数据输入批次大小，m为域自适应单元数，D_S和D_T分别代表有标签源域和无标签目标域，

为域自适应单元，u_j、

分别为域自适应单元中的均值和方差；然后，根据全概率公式得到P(K_S)＝P(K_T)；最后，利用正态分布的线性关系实现P(Z_S)＝P(Z_T)，从而学习到来自于特征提取器输出的域不变特征；再结合有标签源域样本分类误差，特征提取器学习到的特征在拥有域不变性的同时具有可分性，其分类误差L_C为：

其中，q为故障类别，

为顶层分类器的输出的第j个Softmax值，y_i为第i个样本的标签；I(·)是指示函数。

5.根据权利要求4所述的智能故障迁移诊断方法，其特征在于，DDA模型的总优化目标函数为：

其中λ为权衡参数。

6.根据权利要求1所述的智能故障迁移诊断方法，其特征在于，步骤S1中，利用滑动采样技术对采集的故障的振动信号进行维度划分处理。

7.根据权利要求1所述的智能故障迁移诊断方法，其特征在于，该方法在DDA模型训练完成后，用于故障迁移诊断。

Images