CN115374820A - 一种基于多源子域适应网络的旋转机械跨域故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多源子域适应网络的旋转机械跨域故障诊断方法，包括：获取故障轴承振动信号；对振动信号进行小波包变换；引入深度卷积生成对抗网络对目标域数据进行扩充；通过预训练的深度残差网络获取多源域的共享特征；应用多分支并联结构，使用局部最大均值差异对齐每个源域和目标域的子域；根据局部均值差异度量损失的大小设置加权模块；采取损失最小，距离最近的选取准则，实现多源域联合诊断。本发明适用于多工况样本少的旋转机械故障诊断，整体上可有效提高不同工况下的小样本轴承故障诊断的稳定性及可靠性。

Description

一种基于多源子域适应网络的旋转机械跨域故障诊断方法

技术领域

本发明属于小样本振动信号处理及旋转机械跨域故障诊断领域，具体涉及一种基于多源子域适应网络的旋转机械跨域故障诊断方法。

背景技术

旋转机械广泛应用于发动机、风机、柴油机等动力装置中，且由于动力装置恶劣的运行工况(低速重载工况、超负荷运转、交变冲击及载荷)导致旋转机械极易发生故障。研究表明轴承、齿轮等旋转部件引发的故障占机械故障总数的四成以上，这一数据说明旋转机械相较于其他部件更易发生故障。同时，由于旋转机械的复杂工况条件，导致其采样困难。因此，开展旋转机械小样本振动信号故障诊断研究，能够有效改善传统故障诊断依赖人工经验的局限性。

振动信号往往伴随故障出现，且信号中包含丰富的故障特征。近年来，由于深度学习算法的快速发展，越来越多的深度学习方法也被嫁接到故障诊断领域。然而，在实际的设备工作应用场景下，标签样本的获取是困难且昂贵的。因此获取足够的标签数据用于深度学习训练是难的。这使得基于大量数据训练的深度学习方法就不再适用了。因此，亟需开发一种基于稀缺样本的旋转机械故障诊断方法，以实现旋转机械在样本稀缺条件下的振动信号的特征提取和故障诊断。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于多源子域适应网络的旋转机械跨域故障诊断方法，适用于样本稀缺条件下的旋转机械跨域故障诊断。

技术方案：为实现上述目的，本发明提供一种基于多源子域适应网络的旋转机械跨域故障诊断方法，包括如下步骤：

S1：获取旋转机械不同转速工况下的振动信号；

S2：引入深度卷积生成对抗网络作为样本生成器对步骤S1获取的小样本振动信号进行数据扩充；

S3：将训练好的深度残差网络作为共享特征提取器对步骤S2扩充后的振动信号和多个源域振动信号数据集进行共享特征提取；

S4：应用多分支并联结构作为域特定特征提取器和域特定特征分类器，使用局部最大均值差异对齐每个源域和目标域的子域；

S5：根据局部均值差异度量损失的大小设置加权模块；

S6：采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，判断故障类型。

进一步地，所述步骤S1中振动信号的获取方式为：

采用加速度传感器采集旋转机械的振动信号x1(t)、x2(t)、x3(t)、x4(t)；

进一步地，所述步骤S2中深度卷积生成对抗网络样本扩充的过程为：

A1：将生成信号与真实信号传入判别器，通过判别器区分真实与生成信号，即最大化目标函数V(D，G)；

A2：将生成信号打上真实标签传入训练判别器，要求生成数据能欺骗判别器，即最小化目标函数V(D，G)，V(D，G)的上升与下降形成对抗，网络通过寻找二者之间的平衡，生成更为相似的信号数据；

A3：需要优化的目标函数为：

式中：D(x)为判别器判断真实数据是否真实的概率；D[G(Z)]为判别器判断生成信号是否真实的概率；P_data为真实样本分布；P_G为向量Z的先验分布。

进一步地，所述步骤S3中共享特征提取的方式为：

由于浅层特征的可迁移性较好，可通过预训练后冻结，然后再作微调。将主要的计算资源都集中在域特定特征的提取，从而提高训练的效率。此部分可以将VggNet和ResNet作为骨干网络，通过调整输入输出层即可。

深度残差网络提取特征主要包括三部分：局部感知、参数共享、池化；

局部感知即网络部分连通，每个神经元只与上一层的部分神经元相连，只感知局部，而不是整个信号；局部感知通过滑窗实现，信号相邻部分关系紧密，较远部分相关性弱。因此只需要局部感知，在更高层将局部的信息综合起来就得到了全局的信息。权值共享是从一个局部区域学习到的信息，应用到信号的其它地方去。即用一个相同的卷积核去卷积整个信号，相当于对信号做一个滤波。不同的特征靠多个不同的卷积核实现。池化比如最大池化，它是取一个区域的最大值。因此当信号发生平移、缩放等较小的变化时，依然很有可能在同一位置取到最大值，与变化前的响应相同，由此实现了仿射不变性。均值池化同理，发生较小的仿射变化后，均值可能依然不变。

进一步地，所述步骤S4具体为：

B1：针对各个源域设置特定的特征空间；只考虑单个网络分支，通过LMMD进行度量的损失为：

B2：对各特定特征空间的损失进行加权，通过LMMD进行度量的源域和目标域损失表示如下：

其中，ω_j为各源域对应的权重，G_j(·)为源特定特征提取器，通过给各源域加权可以得出重组源域和目标域的实际距离；

B3：域特定分类器通过接收域特定特征提取器的输出特征，并输出其概率分布，其分类损失为：

源域数据集为：

X^S＝{Z^S1,Z^S2,Z^S3,...Z^SL}

其中，Z^Sl为X^S的子类，L为子类别数；

B4：对源域和目标域相同子类进行映射后的距离度量：

B5：重组源域的数据集和分类损失为：

进一步地，所述步骤S5中根据局部均值差异度量损失的大小设置加权模块，其公式为：

权重分配器ω(Z)本质上是一个二分类判别器，依据每个源域和目标域的分布距离来判断子域的来源：

其中，源域序号j∈{1,2,3...N}，子领域序号l∈{1,2,3...L}。

进一步地，所述步骤S6中采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，其故障类型判断公式为：

进一步地，设置对象函数优化模块，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数实现最小化分类损失和域适应损失。

设置对象函数优化模块的方法为：

各个源域对于域特定特征提取器和域特定分类器的参数是独立的。权重分配器和任务分类器负责权重分配后的结果诊断。网络的总损失为LMMD域适应损失和分类损失：

L_total＝L_cls+λL_LMMD

函数优化模块目标就是最小化L_cls和L_LMMD，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数来实现整体损失的最小化，同时优化三者的参数显然是不现实的，我们需要固定其中两个参数不变来优化剩余的那个，其优化方式如下：

其中，θ_F，θ_G，θ_C分别是共享特征提取器、域特定特征提取器和域特定分类器的可优化参数，

是最终得到的最优参数。

本发明中使用SGD迭代法训练θ_F，θ_G，θ_C，通过随机梯度来逐渐逼近最优值，从而得到

本发明中深度卷积生成对抗网络对小样本目标域数据集进行扩充；其次，通过网络分支结构获取多源域的共享特征；再次，使用局部最大均值差异对齐每个源域和目标域的子领域；最后，采用加权模块实现全局损失的最小化，实现多源域联合诊断。

本发明针对旋转机械故障信号样本量少，源域目标域差异性大，目标域子域间距离小等问题，主要分为四个部分：深度卷积生成对抗网络数据扩充，网络分支结构获取多源域的共享特征，局部最大均值差异对齐每个源域和目标域的子领域以及采用加权模块实现全局损失的最小化，实现多源域联合诊断。深度卷积生成对抗网络作为样本生成器扩充目标域样本；网络分支结构作为共享特征提取器获取多源域的共享特征，同时减少了后面网络训练的复杂度，节省计算资源；域特定特征提取器和域特定分类器结合局部最大均值差异对齐每个源域和目标域的子领域，从而提高迁移信息的完整性；采用加权模块实现全局损失的最小化，实现多源域联合诊断。因此，本发明提出了一种多源子域迁移学习的故障诊断方法，以实现小样本振动信号的旋转机械跨域故障诊断。

有益效果：本发明与现有技术相比，适用于小样本跨域振动信号的旋转机械故障诊断，主要分为四个部分：深度卷积生成对抗网络数据扩充，网络分支结构获取多源域共享特征，源域和目标域子领域对齐以及采用加权模块实现多源域联合诊断四部分。深度卷积生成对抗网络数据扩充，增加了小样本振动信号的数据量，可以有效防止模型训练过程中因样本量少导致的过拟合现象；网络分支结构获取多源域的共享特征，通过筛选出样本的共享特征，减少后续迁移过程中的计算复杂度；局部最大均值差异对齐每个源域和目标域的子领域，通过增加源域个数的方法，实现源域可迁移特征的扩展；采用加权模块，通过构造合适的损失函数，实现全局损失的最小化。使得本发明整体上可有效提高小样本旋转机械跨域故障诊断的稳定性及可靠性。

附图说明

图1为本发明的框架示意图；

图2为深度卷积生成对抗网络图；

图3为VALENIAN-PT500旋转机械试验台的结构图；

图4为本发明和各算法在CWRU数据集上的精度对比图；

图5为本发明和各算法在VP500数据集上的精度对比图；

图6为本发明在CWRU数据集上各类别识别精度混淆矩阵图；

图7为本发明在VP500数据集上各类别识别精度混淆矩阵图；

图8为本发明对CWRU数据集特征提取的t-sne可视化图；

图9为本发明对VP500数据集特征提取的t-sne可视化图；

图10为本发明和各算法在CWRU数据集上取不同比例目标域样本的精度对比图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供一种基于多源子域适应网络的旋转机械跨域故障诊断方法，如图1所示，包括如下步骤：

S1：获取旋转机械不同转速工况下的小样本振动信号；

S2：引入深度卷积生成对抗网络作为样本生成器对步骤S1获取的小样本振动信号进行数据扩充；

S3：将训练好的深度残差网络作为共享特征提取器对步骤S2扩充后的振动信号和多个源域振动信号数据集进行共享特征提取；

S4：应用多分支并联结构作为域特定特征提取器和域特定特征分类器，使用局部最大均值差异对齐每个源域和目标域的子域；

S5：根据局部均值差异度量损失的大小设置加权模块；

S6：采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，判断故障类型；

S7：设置对象函数优化模块，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数实现最小化分类损失和域适应损失。

基于上述方案，本实施例中将上述旋转机械故障诊断方法进行实例应用，具体如下：

本实例的实验数据来自CWRU公开数据集和VALENIAN-PT500旋转机械试验台，试验台如图3所示。实验齿轮1～7模数都为25，因此可以通过在良好齿轮和故障齿轮之间轻松滑动啮合任意齿轮来进行测试。齿轮箱的传动比为4.97:1，由两级齿轮组成，每级齿轮的齿数分别为58:25和60:28。通过沿中间轴滑动齿轮，中间轴上的正常齿轮可以与输入轴上的齿轮啮合，中间轴上的另一个齿轮也可以与输出轴上的齿轮啮合。实验轴承为旋转机械UC206常规型号，轴承结构参数见表1。

表1UC206旋转机械结构参数

实验中，通过变频器调整电动机转速，使齿轮箱在变转速下运行。实验时，通过振动加速度传感器采集齿轮和轴承的故障信号。采用Dewesoft进行振动信号采集，信号采样频率为10000Hz，采样时长为3s。

本实施例所采用的模拟故障类型为旋转机械内圈裂纹局部故障和齿轮磨损故障。

网络整体框架如图1所示，具体的诊断过程为：

1)振动信号的获取方式为：

采用加速度传感器采集旋转机械的振动信号x1(t)、x2(t)、x3(t)、x4(t)；

2)深度卷积生成对抗网络样本扩充，如图2所示，其过程为：

A1：将生成信号与真实信号传入判别器，要求判别器尽可能区分真实与生成信号，即最大化目标函数V(D，G)；

A2：将生成信号打上真实标签传入训练判别器，要求生成数据能欺骗判别器，即最小化目标函数V(D，G)。V(D，G)的上升与下降形成对抗，网络通过寻找二者之间的平衡，生成更为相似的信号数据；

A3：需要优化的目标函数为：

式中：D(x)为判别器判断真实数据是否真实的概率；D[G(Z)]为判别器判断生成信号是否真实的概率；P_data为真实样本分布；P_G为向量Z的先验分布。

3)将训练好的深度残差网络作为共享特征提取器对降噪后的多源振动信号进行共享特征提取：

深度残差网络提取特征主要包括三部分：局部感知、参数共享、池化；

局部感知即网络部分连通，每个神经元只与上一层的部分神经元相连，只感知局部，而不是整个信号；局部感知通过滑窗实现，信号相邻部分关系紧密，较远部分相关性弱。因此只需要局部感知，在更高层将局部的信息综合起来就得到了全局的信息。权值共享是从一个局部区域学习到的信息，应用到信号的其它地方去。即用一个相同的卷积核去卷积整个信号，相当于对信号做一个滤波。不同的特征靠多个不同的卷积核实现。池化比如最大池化，它是取一个区域的最大值。因此当信号发生平移、缩放等较小的变化时，依然很有可能在同一位置取到最大值，与变化前的响应相同，由此实现了仿射不变性。均值池化同理，发生较小的仿射变化后，均值可能依然不变

由于浅层特征的可迁移性较好，可通过预训练后冻结，然后再作微调。将主要的计算资源都集中在域特定特征的提取，从而提高训练的效率。此部分可以将VggNet和ResNet作为骨干网络，通过调整输入输出层即可。

4)应用多分支并联结构作为域特定特征提取器和域特定特征分类器：

B1：针对各个源域设置特定的特征空间是必要的。只考虑单个网络分支，通过LMMD进行度量的损失为：

B2：对各特定特征空间的损失进行加权，通过LMMD进行度量的源域和目标域损失表示如下：

其中，ω_j为各源域对应的权重，G_j(·)为源特定特征提取器，通过给各源域加权可以得出重组源域和目标域的实际距离；

B3：域特定分类器通过接收域特定特征提取器的输出特征，并输出其概率分布，其分类损失为：

源域数据集为：

X^S＝{Z^S1,Z^S2,Z^S3,...Z^SL}

其中，Z^Sl为X^S的子类，L为子类别数；

B4：对源域和目标域相同子类进行映射后的距离度量：

B5：重组源域的数据集和分类损失为：

5)根据局部均值差异度量损失的大小设置加权模块：

权重分配器ω(Z)本质上是一个二分类判别器，依据每个源域和目标域的分布距离来判断子域的来源：

其中，源域序号j∈{1,2,3...N},子领域序号l∈{1,2,3...L}。

6)采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断：

7)设置对象函数优化模块：

各个源域对于域特定特征提取器和域特定分类器的参数是独立的。权重分配器和任务分类器负责权重分配后的结果诊断。网络的总损失为LMMD域适应损失和分类损失：

L_total＝L_cls+λL_LMMD

函数优化模块目标就是最小化L_cls和L_LMMD，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数来实现整体损失的最小化，同时优化三者的参数显然是不现实的，需要固定其中两个参数不变来优化剩余的那个，其优化方式如下：

θ_F，θ_G，θ_C分别是共享特征提取器、域特定特征提取器和域特定分类器的可优化参数，

是最终得到的最优参数。本实施例中使用SGD迭代法训练θ_F，θ_G，θ_C，通过随机梯度来逐渐逼近最优值，从而得到

为了验证本发明提出的多源子域适应网络的效果，本实施例在CWRU公开数据集和搭建试验平台测得的VP500数据集上进行测试，并与多种域适应方法进行精度对比。其在CWRU数据集和VP500数据集上的测试精度见图4和图5，从图中可以看出，本发明所提方法的精度在两数据集上的测试精度皆高于现在的单源域试验网络；在两数据集上各类别的具体精度见图6和图7。为清晰的展示网络特征映射的特征表示，对网络的最后输出特征做应用t分布随机邻域嵌入(TSNE)可视化分析，如图8和图9所示，其中目标域和源域投影重合度高，边界清晰，具有极高的识别度，证明了本发明所提方法在不同数据集上的出色泛化能力。由图10可以看出其他的域适应方法在样本数量少到一定程度时，识别正确率下降明显，说明出现了过拟合现象。可见在数据不足时，所提方法可以最大限度的利用有限的标签数据。

Claims (10)

1.一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，包括如下步骤：

S1：获取旋转机械不同转速工况下的振动信号；

S2：引入深度卷积生成对抗网络作为样本生成器对步骤S1获取的小样本振动信号进行数据扩充；

S3：将训练好的深度残差网络作为共享特征提取器对步骤S2扩充后的振动信号和多个源域振动信号数据集进行共享特征提取；

S4：应用多分支并联结构作为域特定特征提取器和域特定特征分类器，使用局部最大均值差异对齐每个源域和目标域的子域；

S5：根据局部均值差异度量损失的大小设置加权模块；

S6：采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，判断故障类型。

2.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S1中振动信号的获取方式为：

采用加速度传感器采集旋转机械的振动信号x1(t)、x2(t)、x3(t)、x4(t)。

3.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S2中深度卷积生成对抗网络样本扩充的过程为：

A1：将生成信号与真实信号传入判别器，通过判别器区分真实与生成信号，即最大化目标函数V(D，G)；

A2：将生成信号打上真实标签传入训练判别器，要求生成数据能欺骗判别器，即最小化目标函数V(D，G)，V(D，G)的上升与下降形成对抗，网络通过寻找二者之间的平衡，生成更为相似的信号数据；

A3：需要优化的目标函数为：

式中：D(x)为判别器判断真实数据是否真实的概率；D[G(Z)]为判别器判断生成信号是否真实的概率；P_data为真实样本分布；P_G为向量Z的先验分布。

4.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S3中共享特征提取的方式为：

深度残差网络提取特征包括三部分：局部感知、参数共享、池化。

5.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S4具体为：

B1：针对各个源域设置特定的特征空间；只考虑单个网络分支，通过LMMD进行度量的损失为：

B2：对各特定特征空间的损失进行加权，通过LMMD进行度量的源域和目标域损失表示如下：

其中，ω_j为各源域对应的权重，G_j(·)为源特定特征提取器，通过给各源域加权可以得出重组源域和目标域的实际距离；

B3：域特定分类器通过接收域特定特征提取器的输出特征，并输出其概率分布，其分类损失为：

源域数据集为：

X^S＝{Z^S1,Z^S2,Z^S3,...Z^SL}

其中，Z^Sl为X^S的子类，L为子类别数；

B4：对源域和目标域相同子类进行映射后的距离度量：

B5：重组源域的数据集和分类损失为：

6.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S5中根据局部均值差异度量损失的大小设置加权模块，其公式为：

权重分配器ω(Z)本质上是一个二分类判别器，依据每个源域和目标域的分布距离来判断子域的来源：

其中，源域序号j∈{1,2,3...N}，子领域序号l∈{1,2,3...L}。

7.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S6中采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，其故障类型判断公式为：

8.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，设置对象函数优化模块，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数实现最小化分类损失和域适应损失。

9.根据权利要求8所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，设置对象函数优化模块的方法为：

网络的总损失为LMMD域适应损失和分类损失：

L_total＝L_cls+λL_LMMD

函数优化模块目标就是最小化L_cls和L_LMMD，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数来实现整体损失的最小化，优化方式如下：

其中，θ_F，θ_G，θ_C分别是共享特征提取器、域特定特征提取器和域特定分类器的可优化参数，

是最终得到的最优参数。

10.根据权利要求9所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，

的获取方法为：使用SGD迭代法训练θ_F，θ_G，θ_C，通过随机梯度来逐渐逼近最优值，从而得到

Images