CN114580284A - 旋转机械变工况故障诊断方法及系统 - Google Patents

旋转机械变工况故障诊断方法及系统 Download PDF

Info

Publication number
CN114580284A
CN114580284A CN202210215200.3A CN202210215200A CN114580284A CN 114580284 A CN114580284 A CN 114580284A CN 202210215200 A CN202210215200 A CN 202210215200A CN 114580284 A CN114580284 A CN 114580284A
Authority
CN
China
Prior art keywords
network
domain
classification
data
domain data
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
Application number
CN202210215200.3A
Other languages
English (en)
Other versions
CN114580284B (zh
Inventor
余文念
陈子旭
林正宇
张路
孔程程
章朝栋
邵毅敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202210215200.3A priority Critical patent/CN114580284B/zh
Publication of CN114580284A publication Critical patent/CN114580284A/zh
Application granted granted Critical
Publication of CN114580284B publication Critical patent/CN114580284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提出了一种旋转机械变工况故障诊断方法及系统。该方法为：采集旋转机械的源域数据和目标域数据；构建域适配网络，其包括特征提取网络、成对正交分类网络和动态加权域鉴别网络；特征提取网络提取源域数据和目标域数据的特征；成对正交分类网络对故障进行分类，并计算成对正交分类网络中两个分类网络输出的相似度，得到动态权重；在动态加权域鉴别网络中根据动态权重调整加权域鉴别网络与特征提取网络之间的对抗程度；采用源域数据和目标域数据对特征提取网络、成对正交分类网络训练，采用将提取的源域数据和目标域数据的特征以及动态权重对动态加权域鉴别网络训练。该方法处理对象无需满足训练数据与测试数据服从同一分布的要求。

Description

旋转机械变工况故障诊断方法及系统
技术领域
本发明涉及旋转机械故障诊断领域，具体涉及一种旋转机械变工况故障诊断方法及系统。
背景技术
随着工业4.0的不断深入，机械装备正朝着大型化、自动化、集成化、智能化方向发展。旋转机械作为机械设备的重要子部件，越来越多地应用于航空航天、汽车制造、船舶制造、轨道交通和风力发电等各个行业。考虑旋转机械的状态监测和故障诊断，对于保证设备稳定健康运行，避免重大安全事故的发生具有至关重要的意义。
随着数据采样技术的进步和人工智能的创新，数据驱动的方法在故障诊断领域引起了广泛关注。数据驱动的故障诊断方法的典型模式总是包括数据预处理、特征提取和故障分类3个步骤。然而，传统的数据驱动的故障诊断方法主要基于训练数据(源域)和目标数据(目标域)应该具有相同数据分布的假设。然而，这种假设在实际场景中很难成立，特别是在工业应用中，主要包含以下原因：(1)旋转机械的多变工况使得难以收集覆盖全工况的数据；(2)在役机械设备通常处于正常工作状态，人工获取故障样本成本高,导致常规状态监测数据中的故障样本密度较低；(3)不同工况下的振动信号具有不同的数据分布。以上原因均限制了传统的机器学习方法在变工况故障诊断中的应用。为了解决传统机器学习方法的不足，域适配思想被提出。常用的域适配方法包括：基于预训练网络的域适配，基于统计矩的域适配，基于对抗网络的域适配。然而基于域训练网络的域适配方法只能用于有监督学习，并且容易导致过拟合问题；基于统计矩的域适配方法在不同工况下数据分布差距较大时，方法容易失效；基于对抗网络的域适配方法相比前两种方法有了较大提高，并且是一种无监督适配方法，但是现有该类方法的研究在适配条件分布对齐时存在困难，满足训练数据与测试数据服从同一分布要求，并且为了实现全局最优适配，通常会牺牲掉部分原始适配很好的数据，举个例子：现有域适配方法在进行故障诊断时，假如采用工况1下的数据进行算法的训练，那训练好的算法只适用于对工况1下的数据进行故障诊断，当工况2下没有充足的数据可供训练时，传统的机器学习方法就受到了限制。
发明内容
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旋转机械变工况故障诊断方法及系统。
为了实现本发明的上述目的，本发明提供了一种旋转机械变工况故障诊断方法,包括以下步骤：
采集旋转机械在两种不同工况下的振动信号作为样本，并将两种不同工况下的振动信号分为源域数据和目标域数据；
构建域适配网络，所述域适配网络包括特征提取网络、成对正交分类网络和动态加权域鉴别网络；
所述特征提取网络提取源域数据和目标域数据的特征；
所述成对正交分类网络对故障进行分类，得到每个故障类别的概率，并计算成对正交分类网络中两个分类网络输出的相似度，得到每个样本的动态权重；
在所述动态加权域鉴别网络中根据所述动态权重调整加权域鉴别网络与特征提取网络之间的对抗程度；
对域适配网络进行训练：采用所述源域数据和目标域数据对所述特征提取网络、成对正交分类网络进行训练，采用提取的源域数据和目标域数据的特征以及所述动态权重对动态加权域鉴别网络进行训练,实现源域数据与目标域数据的适配；
待训练完成网络收敛后，以成对正交分类网络的最终输出作为目标域数据的故障分类结果。
该旋转机械变工况故障诊断方法在协同学习、对抗网络技术基础之上提出了域适配网络，该域适配网络通过设置成对正交分类网络，根据两个分类网络的输出计算每个样本的动态权重，并将该权重赋予对抗学习中的动态加权域鉴别网络，处理对象无需满足训练数据与测试数据服从同一分布的要求，解决了现有基于对抗网络的域适配方法的不足。
该旋转机械变工况故障诊断方法的优选方案，对特征提取网络、成对正交分类网络的训练包括如下步骤：
初始化特征提取网络参数以及超参数；
利用源域数据对特征提取网络、成对正交分类网络进行预训练；
将源域数据和目标域数据分别随机分成m份，并利用其对预训练后的特征提取网络、成对正交分类网络进行训练。
该旋转机械变工况故障诊断方法的优选方案，所述成对正交分类网络的正交损失函数
Figure BDA0003534141020000041
其中，
Figure BDA0003534141020000042
为成对正交分类网络中一个分类网络的网络参数打平后的一维向量，
Figure BDA0003534141020000043
为成对正交分类网络中另一个分类网络的网络参数打平后的一维向量。
该正交损失函数能够实现两个分类网络的网络参数的正交约束，从而使得两个分类网络能够从不同的角度对提取的特征进行分类。
该旋转机械变工况故障诊断方法的优选方案，所述成对正交分类网络的分类损失函数
Figure BDA0003534141020000044
其中
Figure BDA0003534141020000045
为成对正交分类网络中一个分类网络输出的第i个样本为故障类别c的概率，
Figure BDA0003534141020000046
为成对正交分类网络中另一个分类网络输出的第i个样本为故障类别c的概率，C为故障类别集合，Ns为源域数据个数，
Figure BDA0003534141020000047
指源域数据中第i个样本为故障类别c的概率。
该分类损失函数借助源域数据对特征提取网络和成对正交分类网络进行有监督的训练，约束特征提取网络提取源域较好的分类特征，以及约束成对正交分类网络较好地分类所提特征，实现网络在源域数据上较好的分类性能。
该旋转机械变工况故障诊断方法的优选方案，所述动态加权域鉴别网络的损失函数
Figure BDA0003534141020000048
Ns为源域数据个数，Nt为目标域数据个数，Ds为源域数据，Dt为目标域数据，λi指第i个样本的动态权重，di指域标签，当数据来自源域时，di＝1，当数据来自目标域时，di＝0，xi指输入的第i个样本，Gd指动态加权域鉴别网络，Gf指特征提取网络。
该动态加权域鉴别网络的损失函数通过对成对正交分类网络输出的动态权重的引入，能够动态地指导动态加权域鉴别网络与特征提取网络的对抗程度，从而实现源域数据与目标域数据的条件分布对齐，并且能够在不牺牲原始对齐数据的前提下实现全局最优数据对齐。
该旋转机械变工况故障诊断方法的优选方案，所述特征提取网络Gf更新后的网络参数为
Figure BDA0003534141020000051
Ly为成对正交分类网络的分类损失函数，Ld是动态加权域鉴别网络的损失函数，θf为特征提取网络的网络参数；
所述成对正交分类网络Gy更新后的网络参数为
Figure BDA0003534141020000052
Lc为成对正交分类网络的正交损失函数，θy为成对正交分类网络的网络参数；
所述动态加权域鉴别网络Gd更新后的网络参数为
Figure BDA0003534141020000053
Ld为动态加权域鉴别网络的损失函数，θd为动态加权域鉴别网络的网络参数。
本发明还提出了一种旋转机械变工况故障诊断系统，包括数据采集模块、处理模块和存储模块，所述数据采集模块采集旋转机械在两种不同工况下的振动信号，其输出端连接至所述处理模块信号输入端，所述处理模块与存储模块相互通信连接，所述存储模块用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的旋转机械变工况故障诊断方法对应的操作。
进一步的，所述处理模块包括特征提取器、成对正交分类器和动态加权域鉴别器；
所述特征提取器读取来自源域与目标域的振动信号，并进行特征提取；
所述成对正交分类器包括两个结构相同的分类器，两个所述分类器的输入为所述特征提取器提取的特征，输出为每个故障类别的概率；所述成对正交分类器计算两个分类器输出的相似度，得到动态权重；
所述动态加权域鉴别器根据动态权重以及特征提取器提取的特征，对故障进行诊断。
该旋转机械变工况故障诊断系统具备上述旋转机械变工况故障诊断方法的全部优点。
本发明的有益效果是：本发明构建包括特征提取网络、成对正交分类网络和动态加权域鉴别网络的域适配网络，并设计了三种损失函数用于整体网络的训练，其中，基于协同训练的思想，设计了成对正交分类网络的正交损失函数，并且，该损失函数与成对正交分类网络的分类损失函数、动态加权域鉴别网络的损失函数共同作用下，能够约束特征提取网络提取域不变特征。本发明处理对象无需满足训练数据与测试数据服从同一分布的要求，提高了旋转机械变工况故障诊断时的效果。
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。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本文所提基于成对正交分类器的域适配网络示意图；
图2是动态权重计算示意图；
图3是本发明所提方法在轴承数据集上，进行变工况故障诊断的结果。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种旋转机械变工况故障诊断方法,其基于对正交分类器适配策略，在协同学习、对抗网络技术基础之上创新性地提出的一种域适配网络，如图1所示，以用于旋转机械变工况条件下的故障诊断任务。
本实施例以轴承的变工况故障诊断为例，以本方法进行具体说明。步骤如下：
采集轴承在两种不同工况下的振动信号，并将两种不同工况下的振动信号分为源域数据和目标域数据。
具体实施时，可将两种不同工况定义为：工况1，工况2，工况1为源域，工况1下的轴承振动数据为已知数据，具有故障标签，工况2为目标域，工况2下的轴承振动数据为待诊断数据，无故障标签。
将源域数据记为
Figure BDA0003534141020000071
目标域数据记为
Figure BDA0003534141020000072
s指源域，t指目标域，Ns为源域数据个数，Nt为目标域数据个数，
Figure BDA0003534141020000073
为源域第i个样本，
Figure BDA0003534141020000074
为源域第i个样本的标签，
Figure BDA0003534141020000075
为目标域第i个样本，
Figure BDA0003534141020000076
为目标域第i个样本的标签。
构建域适配网络，该域适配网络包括特征提取网络Gf、成对正交分类网络Gy和动态加权域鉴别网络Gd。
特征提取网络Gf提取源域数据Ds和目标域数据Dt的特征。
本实施例中，特征提取网络Gf的网络结构优选但不限于如下表所示：
表1特征提取网络Gf的网络结构
Figure BDA0003534141020000081
成对正交分类网络Gy对故障进行分类并得到每个故障类别的概率，并计算成对正交分类网络Gy中两个分类网络输出的相似度，得到每个样本的动态权重，这里所提到的两个分类网络为结构相同的分类网络，两个分类网络的输入为特征提取网络Gf提取的特征，输出为每个故障类别的概率。
本实施例中，成对正交分类网络Gy的网络结构优选但不限于如下表所示：
表2成对正交分类网络Gy的网络结构
Figure BDA0003534141020000082
Figure BDA0003534141020000091
这里第i个样本的动态权重
Figure BDA0003534141020000092
其中σ表示Sigmoid函数，
Figure BDA0003534141020000093
为成对正交分类网络中一个分类网络输出的第i个样本为故障类别c的概率，
Figure BDA0003534141020000094
为成对正交分类网络中另一个分类网络输出的第i个样本为故障类别c的概率，其计算示意图如图2所示。
在动态加权域鉴别网络Gd中基于成对正交分类网络Gy得到的动态权重调整动态加权域鉴别网络Gd与特征提取网络Gf之间的对抗程度。
本实施例中，动态加权域鉴别网络Gd的网络结构优选但不限于如下表所示：
表2动态加权域鉴别网络Gd的网络结构
Figure BDA0003534141020000095
对域适配网络进行训练：采用所述源域数据Ds和目标域数据Dt对所述特征提取网络Gf、成对正交分类网络Gy进行训练，采用将提取的源域数据Ds和目标域数据Dt的特征以及所述动态权重λ对动态加权域鉴别网络Gd进行训练。
本实施例中，训练过程如下：
输入一维振动信号，包括源域数据Ds和目标域数据Dt。
随机初始化特征提取网络Gf的网络参数θf、成对正交分类网络Gy的网络参数θy、动态加权域鉴别网络Gd的网络参数θd以及超参数，其中超参数包括：学习率η，批量的尺寸m，每次迭代中动态加权域鉴别网络Gd更新的次数N。
利用源域数据Ds对特征提取网络Gf、成对正交分类网络Gy进行预训练。
将源域数据Ds和目标域数据Dt分别进行随机分批得到
Figure BDA0003534141020000101
和
Figure BDA0003534141020000102
每一批(batch)样本数量为
Figure BDA0003534141020000103
和
Figure BDA0003534141020000104
(源域数据Ds和目标域数据Dt分别被平均分成m份)，并利用随机分批得到的
Figure BDA0003534141020000105
和
Figure BDA0003534141020000106
对预训练后的特征提取网络Gf、成对正交分类网络Gy进行训练。
成对正交分类网络Gy的正交损失函数
Figure BDA0003534141020000107
其中，
Figure BDA0003534141020000108
为成对正交分类网络中一个分类网络Gy1的网络参数打平后的一维向量，
Figure BDA0003534141020000109
为成对正交分类网络Gy中另一个分类网络Gy2的网络参数打平后的一维向量。这里的网络参数打平后的一维向量的意思指把一个网络模型中的所有参数提取出来，展开成一个一维向量。
成对正交分类网络Gy的分类损失函数
Figure BDA00035341410200001010
其中
Figure BDA00035341410200001011
为成对正交分类网络Gy中一个分类网络Gy1输出的第i个样本为故障类别c的概率，
Figure BDA00035341410200001012
为成对正交分类网络Gy中另一个分类网络Gy2输出的第i个样本为故障类别c的概率，C为故障类别集合，Ns为源域数据个数，
Figure BDA00035341410200001013
指源域数据中第i个样本为故障类别c的概率。
成对正交分类网络Gy更新后的网络参数为
Figure BDA0003534141020000111
根据该公式更新成对正交分类网络Gy的网络参数θy。
特征提取网络Gf更新后的网络参数为
Figure BDA0003534141020000112
Ld是动态加权域鉴别网络Gd的损失函数、
Figure BDA0003534141020000113
是指更新后的动态加权域鉴别网络Gd的网络参数，根据该公式更新特征提取网络Gf的网络参数θf。
采用提取的源域数据Ds和目标域数据Dt的特征以及所述动态权重λ对动态加权域鉴别网络Gd进行训练。
该动态加权域鉴别网络Gd的损失函数
Figure BDA0003534141020000114
Ns为源域数据个数，Nt为目标域数据个数，di指域标签，当数据来自源域时，di＝1，当数据来自目标域时，di＝0，xi指输入的第i个样本，根据该公式计算动态加权域鉴别网络Gd的损失。
动态加权域鉴别网络Gd更新后的网络参数为
Figure BDA0003534141020000115
根据该公式更新动态加权域鉴别网络Gd的网络参数θd。
等网络收敛或达到最大迭代次数时，停止迭代。
待训练完成网络收敛时，将成对正交分类网络的输出作为目标域数据的故障分类结果，此时目标域数据存在了故障类别标签；或向训练好的域适配网络输入目标域数据，成对正交分类网络的输出为目标域数据的故障类别标签，完成目标域数据的故障诊断。
本实施例基于上述域适配网络从带标签的源域数据中学习到有关故障分类知识，通过成对正交分类网络Gy、动态加权域鉴别网络Gd和特征提取网络Gf实现了输入的源域数据与目标域数据的分布对齐，从而将从源域数据学习到的故障诊断知识迁移到目标域数据上，最终完成对目标域数据的故障分类，通俗的讲就是就是对目标域数据贴上标签，标签代表数据的故障类别。
本实施例采用的源域数据和目标域数据来自江南大学公开的轴承数据集，该数据集包含三种转速(600RPM，800RPM，1000RPM)下，测得的轴承振动信号，故障类型共有四种：正常、内圈故障、外圈故障、滚动体故障。本实施例将600RPM下的数据作为源域，1000RPM下的数据作为目标域，如图3所示，该图展示了经过本方法处理前后的特征分布以及故障分类的混淆矩阵，标签{1，2，3，4}分别代表源域数据中的故障类型{内圈故障，正常，外圈故障，滚动体故障}，标签{1'，2'，3'，4'}代表目标域数据中的故障类型{内圈故障，正常，外圈故障，滚动体故障}，从图中可以看出，经过本方法处理后，源域与目标域的特征的边缘分布和条件分布得到了很好的适配，并且在不牺牲原始适配较好数据的前提下，实现了全局最优对齐。故障的分类准确率达到了98.9％。
本申请还提出了一种旋转机械变工况故障诊断系统的实施例，其包括数据采集模块、处理模块和存储模块，所述数据采集模块采集旋转机械在两种不同工况下的振动信号，其输出端连接至所述处理模块信号输入端，所述处理模块与存储模块相互通信连接，所述存储模块用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的旋转机械变工况故障诊断方法对应的操作。
具体地，所述处理模块包括特征提取器、成对正交分类器和动态加权域鉴别器；所述特征提取器读取来自源域与目标域的振动信号，并进行特征提取；所述成对正交分类器包括两个结构相同的分类器，两个所述分类器的输入为所述特征提取器提取的特征，输出为每个故障类别的概率；所述成对正交分类器计算两个分类器输出的相似度，得到动态权重；所述动态加权域鉴别器根据动态权重以及特征提取器提取的特征，对故障进行诊断。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种旋转机械变工况故障诊断方法,其特征在于，包括以下步骤：
采集旋转机械在两种不同工况下的振动信号作为样本，并将两种不同工况下的振动信号分为源域数据和目标域数据；
构建域适配网络，所述域适配网络包括特征提取网络、成对正交分类网络和动态加权域鉴别网络；
所述特征提取网络提取源域数据和目标域数据的特征；
所述成对正交分类网络对故障进行分类，得到每个故障类别的概率，并计算成对正交分类网络中两个分类网络输出的相似度，得到每个样本的动态权重；
在所述动态加权域鉴别网络中根据所述动态权重调整加权域鉴别网络与特征提取网络之间的对抗程度；
对域适配网络进行训练：采用所述源域数据和目标域数据对所述特征提取网络、成对正交分类网络进行训练，采用提取的源域数据和目标域数据的特征以及所述动态权重对动态加权域鉴别网络进行训练,实现源域数据与目标域数据的适配；
待训练完成网络收敛后，以成对正交分类网络的最终输出作为目标域数据的故障分类结果。
2.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述两个分类网络为结构相同的分类网络。
3.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，对特征提取网络、成对正交分类网络的训练包括如下步骤：
初始化特征提取网络参数以及超参数；
利用源域数据对特征提取网络、成对正交分类网络进行预训练；
将源域数据和目标域数据分别随机分成m份，并利用其对预训练后的特征提取网络、成对正交分类网络进行训练。
4.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述成对正交分类网络的正交损失函数
Figure FDA0003534141010000021
其中，
Figure FDA0003534141010000022
为成对正交分类网络中一个分类网络的网络参数打平后的一维向量，
Figure FDA0003534141010000023
为成对正交分类网络中另一个分类网络的网络参数打平后的一维向量。
5.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述成对正交分类网络的分类损失函数
Figure FDA0003534141010000024
其中
Figure FDA0003534141010000025
为成对正交分类网络中一个分类网络输出的第i个样本为故障类别c的概率，
Figure FDA0003534141010000026
为成对正交分类网络中另一个分类网络输出的第i个样本为故障类别c的概率，C为故障类别集合，Ns为源域数据个数，
Figure FDA0003534141010000027
指源域数据中第i个样本为故障类别c的概率。
6.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述动态加权域鉴别网络的损失函数
Figure FDA0003534141010000028
Ns为源域数据个数，Nt为目标域数据个数，Ds为源域数据，Dt为目标域数据，λi指第i个样本的动态权重，di指域标签，当数据来自源域时，di＝1，当数据来自目标域时，di＝0，xi指输入的第i个样本，Gd指动态加权域鉴别网络，Gf指特征提取网络。
7.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，第i个样本的动态权重
Figure FDA0003534141010000031
其中σ表示Sigmoid函数，
Figure FDA0003534141010000032
为成对正交分类网络中一个分类网络输出的第i个样本为故障类别c的概率，
Figure FDA0003534141010000033
为成对正交分类网络中另一个分类网络输出的第i个样本为故障类别c的概率。
8.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，
所述特征提取网络Gf更新后的网络参数为
Figure FDA0003534141010000034
Ly为成对正交分类网络的分类损失函数，Ld是动态加权域鉴别网络的损失函数，θf为特征提取网络的网络参数；
所述成对正交分类网络Gy更新后的网络参数为
Figure FDA0003534141010000035
Lc为成对正交分类网络的正交损失函数，θy为成对正交分类网络的网络参数；
所述动态加权域鉴别网络Gd更新后的网络参数为
Figure FDA0003534141010000036
Ld为动态加权域鉴别网络的损失函数，θd为动态加权域鉴别网络的网络参数。
9.一种旋转机械变工况故障诊断系统，其特征在于，包括数据采集模块、处理模块和存储模块，所述数据采集模块采集旋转机械在两种不同工况下的振动信号，其输出端连接至所述处理模块信号输入端，所述处理模块与存储模块相互通信连接，所述存储模块用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8任一项所述的旋转机械变工况故障诊断方法对应的操作。
10.根据权利要求9所述的旋转机械变工况故障诊断系统，其特征在于，所述处理模块包括特征提取器、成对正交分类器和动态加权域鉴别器；
所述特征提取器读取来自源域与目标域的振动信号，并进行特征提取；
所述成对正交分类器包括两个结构相同的分类器，两个所述分类器的输入为所述特征提取器提取的特征，输出为每个故障类别的概率；所述成对正交分类器计算两个分类器输出的相似度，得到动态权重；
所述动态加权域鉴别器根据动态权重以及特征提取器提取的特征，对故障进行诊断。
CN202210215200.3A 2022-03-07 2022-03-07 旋转机械变工况故障诊断方法及系统 Active CN114580284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210215200.3A CN114580284B (zh) 2022-03-07 2022-03-07 旋转机械变工况故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210215200.3A CN114580284B (zh) 2022-03-07 2022-03-07 旋转机械变工况故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114580284A true CN114580284A (zh) 2022-06-03
CN114580284B CN114580284B (zh) 2023-04-07

Family

ID=81778356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210215200.3A Active CN114580284B (zh) 2022-03-07 2022-03-07 旋转机械变工况故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114580284B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090319454A1 (en) * 2003-06-16 2009-12-24 Drexel University Automated learning of model classifications
CN112101085A (zh) * 2020-07-22 2020-12-18 西安交通大学 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN112883994A (zh) * 2020-12-28 2021-06-01 重庆邮电大学 一种均衡分布适配的旋转机械变工况故障诊断方法
CN113032929A (zh) * 2021-04-01 2021-06-25 温州大学 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法
CN113065581A (zh) * 2021-03-18 2021-07-02 重庆大学 基于参数共享对抗域自适应网络的振动故障迁移诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090319454A1 (en) * 2003-06-16 2009-12-24 Drexel University Automated learning of model classifications
CN112101085A (zh) * 2020-07-22 2020-12-18 西安交通大学 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN112883994A (zh) * 2020-12-28 2021-06-01 重庆邮电大学 一种均衡分布适配的旋转机械变工况故障诊断方法
CN113065581A (zh) * 2021-03-18 2021-07-02 重庆大学 基于参数共享对抗域自适应网络的振动故障迁移诊断方法
CN113032929A (zh) * 2021-04-01 2021-06-25 温州大学 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法

Also Published As

Publication number Publication date
CN114580284B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Zhao et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains
Zhu et al. A new multiple source domain adaptation fault diagnosis method between different rotating machines
CN109580215B (zh) 一种基于深度生成对抗网络的风电传动系统故障诊断方法
Duan et al. Deep learning enabled intelligent fault diagnosis: Overview and applications
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
Pu et al. A one-class generative adversarial detection framework for multifunctional fault diagnoses
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN114358124B (zh) 基于深度对抗卷积神经网络的旋转机械新故障诊断方法
CN112964469A (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
Joshuva et al. A study of various blade fault conditions on a wind turbine using vibration signals through histogram features
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
Saberi et al. LightGBM-based fault diagnosis of rotating machinery under changing working conditions using modified recursive feature elimination
CN116754230A (zh) 基于深度卷积生成对抗网络的轴承异常检测和故障诊断方法
Su et al. Generative adversarial networks for gearbox of wind turbine with unbalanced data sets in fault diagnosis
CN116522110A (zh) 基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统
CN115456082A (zh) 一种应用于风机故障检测的迁移学习框架
Zhang et al. Fault diagnosis using unsupervised transfer learning based on adversarial network
CN118094218A (zh) 一种自适应深度迁移故障诊断方法、系统、装置及介质
Lyu et al. A novel multiview sampling-based meta self-paced learning approach for class-imbalanced intelligent fault diagnosis
CN112016597B (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
CN114580284B (zh) 旋转机械变工况故障诊断方法及系统
Chen et al. Silhouette Coefficient Regularization Based Adversarial Domain Adaptation Network for Fault Diagnosis of Rotating Machinery
Wang et al. Wind turbine blade icing fault prediction based on SCADA data by XGBoost
Zhang et al. Bearing Fault diagnosis based on improved DBN combining attention mechanism

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
GR01 Patent grant