CN114254677A - 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 - Google Patents
基于多任务对抗判别域自适应的跨域故障诊断系统及方法 Download PDFInfo
- Publication number
- CN114254677A CN114254677A CN202111578320.1A CN202111578320A CN114254677A CN 114254677 A CN114254677 A CN 114254677A CN 202111578320 A CN202111578320 A CN 202111578320A CN 114254677 A CN114254677 A CN 114254677A
- Authority
- CN
- China
- Prior art keywords
- domain
- discriminator
- data
- fault diagnosis
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多任务对抗判别域自适应的跨域故障诊断系统及方法，该系统包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块；所述故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，所述特征生成器和领域鉴别器构成一个博弈，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，实现类级对齐。通过本发明提高故障诊断的准确性。
Description
技术领域
本发明属于机械设备故障诊断技术领域，特别涉及基于多任务对抗判别域自适应的跨域故障诊断系统及方法。
背景技术
早期滚动轴承故障诊断的方法主要采用小波变换、希尔伯特-黄变换等数学工具提取故障特征，并采用人工干预来判断轴承是否发生故障。传统方法主要面临的问题是没有考虑特定的类别信息，导致故障分类精度不够高，这是由于领域对抗算法只在全局上对齐源域和目标域特征，类别特征的匹配非常局限。因此，引入跨域故障诊断方法，跨域故障诊断利用迁移机制，通过某种映射方法将目标域和源域特征映射至同一空间。跨域故障诊断包括两个关键过程，其一，在单一域中开展特征工程，获得高质量的源域故障特征嵌入；其二，利用迁移机制，根据某种映射规则将源域特征与目标域特征进行匹配。
其中，Jiao等人提出了一种无监督的基于分类器差异的对抗性域适配方法，包括特征生成和特征迁移两个模块，该方法的优势在于能够减少领域差异并完成未标记目标域的故障诊断任务，但是，该方法存在以下问题：
第一，故障分类的性能过于依赖源分类器的精度。例如虽然当前方法通过类对齐实现了领域自适应诊断，但最终分类结果很大程度上还是依赖于源分类器的精度。当领域差距较大时，基于L1距离的分类器差异度量在实际应用中效果较差，容易引起准确率将严重下降。
第二，不具备非参数性质。例如，当前方法在进行特征迁移时可能会隐式的对输入分布进行参数假设，所以对样本所对应的总体分布有比较严格的要求，这样就限制了它的适用范围，当数据中非稳态噪声较大时数据呈偏态分布，当前方法的准确率将严重下降。
发明内容
针对现有技术存在的不足，本发明提供一种基于多任务对抗判别域自适应的跨域故障诊断系统及方法，在进行领域对齐时，建模两组极大极小博弈，执行域对齐和类对齐两个子任务，提升领域表征对齐的全面性；在优化目标域特征嵌入时，使用非参数化的基于三元组损失和中心磁体损失的架构，提升目标域特征嵌入的规则性。
为了解决上述技术问题，本发明采用的技术方案是：
首先，本发明提供一种基于多任务对抗判别域自适应的跨域故障诊断系统，包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块；所述信号采集模块用于采集实时信号数据并存储于数据库中，所述信号处理模块用于从数据库中调取信号数据并经过快速傅里叶变换后输入故障诊断模块；所述故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，
其中特征生成器用于从源域和目标域中挖掘输入信号的特征表示并生成特征图，且源域和目标域共享特征生成器的参数；领域鉴别器用于区分特征生成器提取的特征是来自源域还是来自目标域，通过博弈对齐两者的边缘特征分布；差异鉴别器包括两个分类器，用于检测远离源域特征的目标样本，以实现特征对齐；
所述特征生成器和领域鉴别器构成一个博弈，特征生成器从源域和目标域中挖掘输入振动信号的特征表示并欺骗领域鉴别器，领域鉴别器区分提取的特征是来自源域还是来自目标域，二者通过最小化域预测损失进行训练，当领域鉴别器无法判断特征生成器生成的特征来源时，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，特征生成器通过训练来欺骗差异鉴别器，使得差异鉴别器无法鉴别两个分类器的输出差异，差异鉴别器通过最大化两个分类器的输出差异来检测模糊目标样本，从而进行类级对齐。
进一步的，所述信号采集模块包括传感器、采样频率设置、采样数据传输及存储，其中在采样频率设置中，若轴承振动信号的最高频率为f,则采样频率为2f；在采样数据传输及存储中，传感器按设置好的采样频率向数据库输送实时信号数据；所述信号处理模块包括采样数据读取、快速傅里叶变换、数据输入，该模块用于从数据库中调取信号数据，经过快速傅里叶变换后输入故障诊断模块。
进一步的，所述故障结果输出模块包括故障信号波形图显示、故障类型输出，用于将故障信号的波形进行突出显示，同时输出该波形的故障类型。
进一步的，所述特征生成器包括若干个卷积-池化模块；领域鉴别器包括三个全连接层，其中每两层中间使用drop out和批归一化。
然后，本发明提供一种基于多任务对抗判别域自适应的跨域故障诊断方法，具体包括以下步骤：
步骤1、信号采集：首先将传感器实时数据按设置好的采样频率存储至信号数据库；
步骤2、信号处理：从信号数据库中提取数据并做快速傅里叶变换，将信号从时域转换到频域中进行表示后输入故障诊断模块；
步骤3、故障诊断：利用所输入的频域数据对特征生成器和两个分类器进行预训练，选择SGD优化算法进行训练以提取源域特征并正确分类源域样本；然后执行两个对齐子任务：
(1)执行子任务领域级对齐，其中训练领域鉴别器来区分提取的特征是来自源域还是来自目标域，训练特征生成器旨在匹配源域和目标域之间的分布并欺骗鉴别器，使其无法分辨特征来源；
(2)执行子任务类级对齐，其中两个分类器使用目标域数据训练最大化两者之间的分类差异，训练特征生成器使得生成的特征在两个分类器的输出结果相近，通过堆土机距离衡量两个分类器的输出结果，并通过度量损失将目标域数据的嵌入牵引到最近的聚类中心；
步骤4、故障输出：将目标域数据输入训练好的故障诊断模块，取两个分类器的平均分类结果作为最终的目标域故障诊断结果。
进一步的，在训练故障诊断模块时，所述特征生成器和两个分类器通过以下三元组损失函数在源数据集上进行训练：
其中，ak是随机采样的嵌入锚，pk是与ak具有相同标签的锚，而nk是具有与ak不同标签的锚，fθ是特征生成器及分类器的组合，θ是特征生成器及分类器中所有待优化的参数；最小化公式(1)的标签使得ak的嵌入更接近于pk而不是nk，边界值为b，如果总体结果小于边界值b，则损失将为零；通过优化三元组损失使具有相同标签的特征聚类，具有不同标签的特征彼此远离。
进一步的，在进行领域级对齐时，博弈的损失函数公式为：
其中Ms是源域表示映射，Mt是目标域表示映射，Xs是源域数据集合，Xt是目标域数据集合，D(Ms(xs))、D(Mt(xt))是领域判别器的输出，
分别是对源域和目标域判别结果的期望值。
进一步的，在进行类级对齐时，博弈的损失函数公式为：
其中p1(y|xt)和p1(y|xt)分别是分类器C1和C2的预测结果分布，
是目标域样本对距离的期望值，dis(·)表示推土机距离，公式如下：
其中Π(p1，p2)是某分布p1和某分布p2组合起来的所有可能的联合分布的集合，对于每一个可能的联合分布γ而言可以从中采样(x，y)～γ得到一个真实样本x和一个生成样本y，并算出这对样本的距离||x-y||，所以可以计算该联合分布γ下样本对距离的期望值E(x，y)～γ[||x-y||]；在所有可能的联合分布中能够对这个期望值取到的下界
定义为堆土机距离。
进一步的，优化目标域特征生成时加入以下度量损失，最小化该度量损失将Xt的嵌入牵引到最近的聚类中心，该损失函数公式为：
其中，xt～Xt代表目标域数据集合，p1(y|xt)和p2(y|xt)分别是分类器C1和C2的预测结果分布，Centerk是故障类型k的聚类中心。
与现有技术相比，本发明优点在于：
(1)全面考虑了域级和类级的分布对齐。本发明由三个参与者来执行两个极大极小博弈：一个特征提取器、一个域鉴别器和一个由两个分类器组成的差异鉴别器。在第一个博弈中特征提取器通过训练来欺骗域鉴别器，域鉴别器通过最小化域预测损失进行域级分布对齐；在第二个博弈中，特征提取器通过训练来欺骗差异鉴别器，差异鉴别器通过最大化两个标签预测器的输出差异来检测模糊目标样本，从而进行类级对齐。实现了更全面的领域分布对齐，提升了跨域故障诊断的准确率。
(2)充分发挥了本方法的非参数性质。本方法使用的非参数化的损失函数三元组损失在源数据集上进行训练；在优化目标域特征生成时，根据目标域数据分布散乱的特点，加入一个度量损失，可以将目标域数据的嵌入规则化并促使目标域数据形成聚类，以完成领域自适应任务，不会隐式的对输入分布进行参数假设，它通过最小化每个目标示例嵌入与其对应于源嵌入的最近聚类中心之间的距离来训练网络，提升目标域特征嵌入的规则性，从而提高特征提取的准确度和对故障信息分类的清晰度。解决了现有技术在进行特征迁移时可能会隐式的对输入分布进行参数假设的问题。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的网络架构图；
图2为本发明的跨域故障诊断方法流程示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
实施例1
结合图2所示，基于多任务对抗判别域自适应的跨域故障诊断系统，包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块。所述信号采集模块用于采集实时信号数据并存储于数据库中，所述信号处理模块用于从数据库中调取信号数据并经过快速傅里叶变换后输入故障诊断模块。
故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，其中特征生成器包括若干个卷积-池化模块，用于从源域和目标域中挖掘输入振动信号的特征表示并生成特征图，且源域和目标域共享特征生成器的参数。
领域鉴别器包括三个全连接层，其中每两层中间使用drop out和批归一化。领域鉴别器用于区分特征生成器提取的特征是来自源域还是来自目标域，通过博弈对齐两者的边缘特征分布；差异鉴别器包括两个分类器，用于检测远离源域特征的目标样本，以实现更好的特征对齐；所述特征生成器和领域鉴别器构成一个博弈，特征生成器从源域和目标域中挖掘输入振动信号的特征表示并欺骗领域鉴别器，领域鉴别器区分提取的特征是来自源域还是来自目标域，二者通过最小化域预测损失进行训练，当领域鉴别器无法判断特征生成器生成的特征来源时，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，特征生成器通过训练来欺骗差异鉴别器，使得差异鉴别器无法鉴别两个分类器的输出差异，差异鉴别器通过最大化两个分类器的输出差异来检测模糊目标样本，从而进行类级对齐。
作为本实施例优选的是，信号采集模块包括传感器、采样频率设置、采样数据传输及存储，其中在采样频率设置中，若轴承振动信号的最高频率为f,则采样频率为2f；在采样数据传输及存储中，传感器按设置好的采样频率向数据库输送实时信号数据；所述信号处理模块包括采样数据读取、快速傅里叶变换、数据输入，该模块用于从数据库中调取信号数据，经过快速傅里叶变换后输入故障诊断模块。
作为本实施例优选的是，故障结果输出模块包括故障信号波形图显示、故障类型输出，用于将故障信号的波形进行突出显示，同时输出该波形的故障类型。
其中需要说明的是，本系统模型/模块的训练在实施例2部分做详细介绍，主要是使用堆土机距离衡量两分类器预测结果的差异，能够很自然地度量离散分布和连续分布之间的距离，并且考虑了概率空间的基本几何特征；特征生成器和两个分类器的训练还使用了三元组损失在源数据集上进行训练，并在优化目标域特征生成时加入中心磁体损失；在进行领域级对齐时，领域鉴别器和特征生成器构成了一个极大极小博弈，在进行类级对齐时，特征生成器和差异鉴别器构成一个博弈，通过博弈的损失优化，此处不再赘述。
实施例2
结合图2所示，基于多任务对抗判别域自适应的跨域故障诊断方法，具体包括以下步骤：
步骤1、信号采集：首先将传感器实时数据按设置好的采样频率存储至信号数据库；
步骤2、信号处理：从信号数据库中提取数据并做快速傅里叶变换，将信号从时域转换到频域中进行表示后输入故障诊断模块；
步骤3、故障诊断：利用所输入的频域数据对特征生成器和两个分类器进行预训练，选择SGD优化算法进行训练以提取源域特征并正确分类源域样本；然后执行两个对齐子任务：
(1)执行子任务领域级对齐，其中训练领域鉴别器来区分提取的特征是来自源域还是来自目标域，训练特征生成器旨在匹配源域和目标域之间的分布并欺骗鉴别器，使其无法分辨特征来源；
(2)执行子任务类级对齐，其中两个分类器使用目标域数据训练最大化两者之间的分类差异，训练特征生成器使得生成的特征在两个分类器的输出结果相近，通过堆土机距离衡量两个分类器的输出结果，并通过度量损失将目标域数据的嵌入牵引到最近的聚类中心；
步骤4、故障输出：将目标域数据输入训练好的故障诊断模块，取两个分类器的平均分类结果作为最终的目标域故障诊断结果。
损失函数：
首先，特征生成器和两个分类器通过以下三元组损失函数在源数据集上进行训练：
其中，ak是随机采样的嵌入锚，pk是与ak具有相同标签的锚，而nk是具有与ak不同标签的锚，fθ是特征生成器及分类器的组合，θ是特征生成器及分类器中所有待优化的参数；最小化公式(1)的标签使得ak的嵌入更接近于pk而不是nk，边界值为b，如果总体结果小于边界值b，则损失将为零。
优化三元组损失将导致具有相同标签的特征聚类，并且具有不同标签的特征彼此远离。因此，具有相同标签的特征形成单个聚类，这有助于我们有效地对轴承故障进行分类。
然后，进行领域级对齐时，域鉴别器和特征生成器构成了一个极大极小博弈，博弈的损失函数公式为：
其中，Ms是源域表示映射，Mt是目标域表示映射，Xs是源域数据集合，Xt是目标域数据集合，D(Ms(xs))、D(Mt(xt))是领域判别器的输出，
分别是对源域和目标域判别结果的期望值。
在在进行类级对齐时，训练双分类器C1和C2作为第二个极大极小博弈中的鉴别器，以使用目标域数据最大化差异。另外，基于这个操作，两个分类器可以避免非常相似。然后训练特征生成器来欺骗判别器，即通过最小化两个分类器的输出差异，优化目标域特征的生成。这样使得源域和目标域对齐的同时也考虑了判别信息。博弈的损失函数公式为：
其中，p1(y|xt)和p2(y|xt)分别是分类器C1和C2的预测结果分布，
是目标域样本对距离的期望值，dis(·)表示堆土机距离。
本发明使用推土机距离衡量两分类器预测结果的差异，能够很自然地度量离散分布和连续分布之间的距离，并且考虑了概率空间的基本几何特征，推土机距离公式如下：
其中，Π(p1，p2)是某分布p1和某分布p2组合起来的所有可能的联合分布的集合，对于每一个可能的联合分布γ而言可以从中采样(x，y)～γ得到一个真实样本x和一个生成样本y，并算出这对样本的距离||x-y||，所以可以计算该联合分布γ下样本对距离的期望值E(x，y)～γ[||x-y||]；在所有可能的联合分布中能够对这个期望值取到的下界
定义为堆土机距离。
最后，优化目标域特征生成时加入一个度量损失，最小化该度量损失将Xt的嵌入牵引到最近的聚类中心，而聚类中心是由获取属于该类别的所有样本的欧几里德平均值得到。该损失函数公式为：
其中，xt～Xt代表目标域数据集合，p1(y|xt)和p2(y|xt)分别是分类器C1和C2的预测结果分布，Centerk是故障类型k的聚类中心。
需要说明的是，本实施例的跨域推荐方法可直接基于实施例1记载的跨域推荐系统进行，关于该系统的介绍此处不再赘述。
实施例3
本实施例使用前述的故障诊断方法进行轴承故障诊断。本例使用的数据来自美国凯斯西储大学的公共轴承实验数据。数据集包含4个健康状况，即正常(N)、内圈故障(IRF)、外圈故障(ORF)和滚子故障(RF)。同时，每种类型的故障都包含不同程度的损坏，分别为0.007、0.014和0.021英寸。因此，可以得到四种不同工况下的10种健康状况类别，包括0马力/1797转/分(C0)、1马力/1772转/分(C1),2马力/1750转/分(C2)和3马力/1730转/分(C3)。本实施例使用的数据包括正常运行状态数据、三个外环故障数据、三个内环故障数据和三个滚动体故障数据，共十个状态运行数据。实验样本信息见表1。采样频率为12KHz。每类数据的样本数为100个，每个样本有1024个数据点，共1000个样本。所有样本经过信号处理模块预处理和变换后，随机选取700个样本作为训练数据，其余300个样本作为测试数据。
表1实验样本信息
为了更好地研究本发明使用的网络的有效性，本实施例将处理过的数据输入故障诊断系统，并根据输出诊断结果的准确率评估了不同迁移方法的性能，包括无迁移方法的基本卷积网络(CNN)、条件对抗域自适应方法(CDAN)、深度相关对齐方法(DCORAL)、深度域混淆方法(DDC)、自适应批量归一化方法(AdaBN)和联合适应方法(JAN)。
表2展示了几种方法在每个诊断案例中的准确度和标准偏差。使用了迁移方法的平均诊断准确率达到了90％以上，本方法取得了最好的平均结果，总体平均准确率为97.66％，表明该方法在变化工况的条件下具有较好的泛化诊断能力。而且，该方法在多次实验中具有最小的标准偏差，比其他方法更加稳定。
表2实验对比
综上所述，本发明在跨域故障诊断进行领域对齐时，建模两组极大极小博弈，执行域对齐和类对齐两个子任务，提升领域表征对齐的全面性。
在优化目标域特征嵌入时，使用非参数化的基于三元组损失和中心磁体损失的架构，提升目标域特征嵌入的规则性。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。
Claims (10)
1.基于多任务对抗判别域自适应的跨域故障诊断系统，其特征在于，包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块；所述信号采集模块用于采集实时信号数据并存储于数据库中，所述信号处理模块用于从数据库中调取信号数据并经过快速傅里叶变换后输入故障诊断模块；所述故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，
其中特征生成器用于从源域和目标域中挖掘输入信号的特征表示并生成特征图，且源域和目标域共享特征生成器的参数；领域鉴别器用于区分特征生成器提取的特征是来自源域还是来自目标域，通过博弈对齐两者的边缘特征分布；差异鉴别器包括两个分类器，用于检测远离源域特征的目标样本，以实现特征对齐；
所述特征生成器和领域鉴别器构成一个博弈，特征生成器从源域和目标域中挖掘输入信号的特征表示并欺骗领域鉴别器，领域鉴别器区分提取的特征是来自源域还是来自目标域，二者通过最小化域预测损失进行训练，当领域鉴别器无法判断特征生成器生成的特征来源时，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，特征生成器通过训练来欺骗差异鉴别器，使得差异鉴别器无法鉴别两个分类器的输出差异，差异鉴别器通过最大化两个分类器的输出差异来检测模糊目标样本，从而进行类级对齐。
2.根据权利要求1所述的基于多任务对抗判别域自适应的跨域故障诊断系统，其特征在于，所述信号采集模块包括传感器、采样频率设置、采样数据传输及存储，其中在采样频率设置中，若轴承振动信号的最高频率为f，则采样频率为2f；在采样数据传输及存储中，传感器按设置好的采样频率向数据库输送实时信号数据；所述信号处理模块包括采样数据读取、快速傅里叶变换、数据输入，该模块用于从数据库中调取信号数据，经过快速傅里叶变换后输入故障诊断模块。
3.根据权利要求1所述的基于多任务对抗判别域自适应的跨域故障诊断系统，其特征在于，所述故障结果输出模块包括故障信号波形图显示、故障类型输出，用于将故障信号的波形进行突出显示，同时输出该波形的故障类型。
4.根据权利要求1所述的基于多任务对抗判别域自适应的跨域故障诊断系统，其特征在于，所述特征生成器包括若干个卷积-池化模块；领域鉴别器包括三个全连接层，其中每两层中间使用drop out和批归一化。
5.基于多任务对抗判别域自适应的跨域故障诊断方法，其特征在于，具体包括以下步骤：
步骤1、信号采集：首先将传感器实时数据按设置好的采样频率存储至信号数据库；
步骤2、信号处理：从信号数据库中提取数据并做快速傅里叶变换，将信号从时域转换到频域中进行表示后输入故障诊断模块；
步骤3、故障诊断：利用所输入的频域数据对特征生成器和两个分类器进行预训练，选择SGD优化算法进行训练以提取源域特征并正确分类源域样本；然后执行两个对齐子任务：
(1)执行子任务领域级对齐，其中训练领域鉴别器来区分提取的特征是来自源域还是来自目标域，训练特征生成器旨在匹配源域和目标域之间的分布并欺骗鉴别器，使其无法分辨特征来源；
(2)执行子任务类级对齐，其中两个分类器使用目标域数据训练最大化两者之间的分类差异，训练特征生成器使得生成的特征在两个分类器的输出结果相近，通过堆土机距离衡量两个分类器的输出结果，并通过度量损失将目标域数据的嵌入牵引到最近的聚类中心；
步骤4、故障输出：将目标域数据输入训练好的故障诊断模块，取两个分类器的平均分类结果作为最终的目标域故障诊断结果。
6.根据权利要求5所述的基于多任务对抗判别域自适应的跨域故障诊断系统，其特征在于，在训练故障诊断模块时，所述特征生成器和两个分类器通过以下三元组损失函数在源数据集上进行训练：
其中，ak是随机采样的嵌入锚，pk是与ak具有相同标签的锚，而nk是具有与ak不同标签的锚，fθ是特征生成器及分类器的组合，θ是特征生成器及分类器中所有待优化的参数；最小化公式(1)的标签使得ak的嵌入更接近于pk而不是nk，边界值为b，如果总体结果小于边界值b，则损失将为零；通过优化三元组损失使具有相同标签的特征聚类，具有不同标签的特征彼此远离。
7.根据权利要求5所述的基于多任务对抗判别域自适应的跨域故障诊断方法，其特征在于，在进行领域级对齐时，博弈的损失函数公式为：
其中Ms是源域表示映射，Mt是目标域表示映射，Xs是源域数据集合，Xt是目标域数据集合，D(Ms(xs))、D(Mt(xt))是领域判别器的输出，
分别是对源域和目标域判别结果的期望值。
8.根据权利要求5所述的基于多任务对抗判别域自适应的跨域故障诊断方法，其特征在于，在进行类级对齐时，博弈的损失函数公式为：
其中p1(y|xt)和p2(y|xt)分别是分类器C1和C2的预测结果分布，dis(·)表示推土机距离，Xt是目标域数据集合，
是目标域样本对距离的期望值。
9.根据权利要求8所述的基于多任务对抗判别域自适应的跨域故障诊断方法，其特征在于，所述推土机距离公式如下：
其中p1(y|xt)是分类器C1的预测结果分布，p2(y|xt)是分类器C2的预测结果分布，Π(p1，p2)是某分布p1和某分布p2组合起来的所有可能的联合分布的集合，对于每一个可能的联合分布γ而言可以从中采样(x，y)～γ得到一个真实样本x和一个生成样本y，并算出这对样本的距离||x-y||，所以可以计算该联合分布γ下样本对距离的期望值E(x，y)～γ[||x-y||]；在所有可能的联合分布中能够对这个期望值取到的下界
定义为堆土机距离。
10.根据权利要求5所述的基于多任务对抗判别域自适应的跨域故障诊断方法，其特征在于，优化目标域特征生成时加入一个度量损失，最小化该度量损失，将Xt的嵌入牵引到最近的聚类中心，该损失函数公式为：
其中，xt～Xt代表目标域数据集合，p1(y|xt)和p2(y|xt)分别是分类器C1和C2的预测结果分布，Centerk是故障类型k的聚类中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578320.1A CN114254677B (zh) | 2021-12-22 | 2021-12-22 | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578320.1A CN114254677B (zh) | 2021-12-22 | 2021-12-22 | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114254677A true CN114254677A (zh) | 2022-03-29 |
| CN114254677B CN114254677B (zh) | 2024-10-29 |
Family
ID=80796605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111578320.1A Active CN114254677B (zh) | 2021-12-22 | 2021-12-22 | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114254677B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970744A (zh) * | 2022-06-16 | 2022-08-30 | 北京交通大学 | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 |
| CN115128455A (zh) * | 2022-05-16 | 2022-09-30 | 湖南师范大学 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
| CN116340833A (zh) * | 2023-05-25 | 2023-06-27 | 中国人民解放军海军工程大学 | 基于改进领域对抗式迁移网络的故障诊断方法 |
| CN118522083A (zh) * | 2024-07-18 | 2024-08-20 | 广汽埃安新能源汽车股份有限公司 | 一种汽车传动系统的故障诊断方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
| CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
-
2021
- 2021-12-22 CN CN202111578320.1A patent/CN114254677B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
| CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115128455A (zh) * | 2022-05-16 | 2022-09-30 | 湖南师范大学 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
| CN115128455B (zh) * | 2022-05-16 | 2024-06-07 | 湖南师范大学 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
| CN114970744A (zh) * | 2022-06-16 | 2022-08-30 | 北京交通大学 | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 |
| CN116340833A (zh) * | 2023-05-25 | 2023-06-27 | 中国人民解放军海军工程大学 | 基于改进领域对抗式迁移网络的故障诊断方法 |
| CN116340833B (zh) * | 2023-05-25 | 2023-10-13 | 中国人民解放军海军工程大学 | 基于改进领域对抗式迁移网络的故障诊断方法 |
| CN118522083A (zh) * | 2024-07-18 | 2024-08-20 | 广汽埃安新能源汽车股份有限公司 | 一种汽车传动系统的故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114254677B (zh) | 2024-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114254677A (zh) | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 | |
| WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
| CN112819093B (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| WO2008016109A1 (fr) | Procédé d'optimisation de jeu de données d'apprentissage pour dispositif d'identification du signal et dispositif d'identification du signal capable d'optimiser le jeu de données d'apprentissage | |
| CN114358125B (zh) | 一种基于多源信息深度融合的旋转机械故障自动识别方法 | |
| CN110796089A (zh) | 用于训练换脸模型的方法和设备 | |
| CN112955837A (zh) | 异常诊断装置、异常诊断方法、及程序 | |
| CN112597831A (zh) | 一种基于变分自编码器和对抗网络的信号异常检测方法 | |
| CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
| CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
| CN115905991A (zh) | 一种基于深度学习的时间序列数据多元异常检测方法 | |
| CN113542241A (zh) | 一种基于CNN-BiGRU混合模型的入侵检测方法及装置 | |
| Du et al. | A hybrid transfer learning method for fault diagnosis of machinery under variable operating conditions | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN114626335A (zh) | 文字生成方法、网络训练方法、装置、设备及存储介质 | |
| CN113033667B (zh) | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 | |
| Cogranne | A sequential method for online steganalysis | |
| CN115309948A (zh) | 一种基于运动轨迹自动识别的渔船作业方法 | |
| CN114992138A (zh) | 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 | |
| Qiu et al. | Fault diagnosis of bearings with adjusted vibration spectrum images | |
| CN110942089B (zh) | 一种基于多级决策的击键识别方法 | |
| CN106530199A (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
| Pan et al. | Generalized zero-shot learning fault diagnosis framework based on anomaly detection and contractive stacked autoencoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |