CN115587289A - 基于多源域自适应网络的航空发动机故障识别方法 - Google Patents
基于多源域自适应网络的航空发动机故障识别方法 Download PDFInfo
- Publication number
- CN115587289A CN115587289A CN202211109458.1A CN202211109458A CN115587289A CN 115587289 A CN115587289 A CN 115587289A CN 202211109458 A CN202211109458 A CN 202211109458A CN 115587289 A CN115587289 A CN 115587289A
- Authority
- CN
- China
- Prior art keywords
- loss
- source domain
- convolution
- module
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种基于多源域自适应网络的航空发动机故障识别方法,该方法通过在特征提取器中设计动态迁移模块来将多源域故障识别问题转化为单源域故障识别问题,进而促进不同域之间的数据分布对齐;然后将一种注意力机制嵌入到两个不同的分类器中,提高相关源域的影响力,进而充分利用多个源域所含有的知识来完成目标识别任务。本发明提出的方法操作简便,故障识别效果明显,可以为在数据分布差异明显条件下进行航空发动机故障识别提供可行的解决途径。
Description
技术领域
本发明属于航空发动机技术领域,具体涉及一种航空发动机故障识别方法。
背景技术
滚动轴承是航空发动机的重要部件,被广泛用于各种场景中。滚动轴承长期在变转速、变温度、变载荷、变强度等环境下工作,是航空发动机中易损伤的部件。当滚动轴承长期处于恶劣的环境中,轻则影响航空发动机工作效率造成经济损失,重则对人身安全构成隐患。因此对滚动轴承的故障研究一直以来都备受关注。
随着现代工业日益数字化和智能化,一些传统模型如人工神经网络、反向传播、支持向量机等由于依赖特征提取技术已经不能满足发展的需要。深度学习的出现克服了这些传统模型的不足,并不断被证实为是一种有效的基于数据驱动的轴承故障诊断方法。许多学者将深度学习应用到滚动轴承故障识别中,并通过大量的实验验证识别效果。有些学者使用长短期记忆网络来设计用于轴承故障诊断的识别模型,也有结合长短期记忆网络和残差学习对变速箱故障进行诊断,也有利用变分自动编码器来解决数据不平衡下的轴承故障识别问题,也有采用深度正则化变分自动编码器来解决故障诊断问题,也有将卷积神经网络与红外热成像技术相结合,实现故障诊断,也有基于带有自注意力模块的卷积神经网络进行了一系列轴承故障诊断实验。对于上面提到的这些深度诊断模型,当测试数据和训练数据满足相同的数据分布时,可以达到满意的识别水平。但在实际场景中,由于航空发动机运行工况复杂多变,采集到的训练数据和测试数据在数据分布上会有一定的差异,导致在训练数据上得到的模型识别能力在测试数据上明显退化。由于训练数据和测试数据不能满足相同的分布,训练一个域适应模型,该模型旨在将不同的数据分布映射到一个高维空间中以减少数据分布差异,进而提高模型的识别能力和泛化能力。
不考虑数据分布差异的典型深度学习模型并不适合这些实际场景。作为一种流行的迁移学习方法,域自适应致力于从源域和目标域中挖掘共享知识,以解决识别和检测等目标任务。目前对域自适应的研究主要包括两类:单源域域自适应和多源域域自适应。单源域域自适应方法致力于将在源域上训练的模型应用到目标域中。一种广泛使用的策略是最小化源域和目标域之间的分布距离。有学者应用联合最大平均差异来设计对抗性适应框架,以解决变转速下的识别问题。也有应用多个具有中心矩差异的密集块来构建轴承故障诊断模型。当不同域之间的数据分布差异很大时,这些单源域方法并不具有竞争力,因为它们只转移单个源域的相关知识来解决目标诊断任务,通常难以获得令人满意的识别结果。在一些实际场景中,可以从不同但相关的工况中获得具有不同数据分布的多源域,以弥补单源域识别知识的不足。多源域域自适应方法是通过使用具有各种数据分布的一系列源域来解决域自适应问题,也有使用最大均值差异来对齐每个源域和目标域之间的分布,以构建多源域自适应模型,也有设计了一种矩阵距离度量策略来构建一个基于多源域的域适应框架,也有应用多个子网络来对齐每个源域和目标域的数据分布以识别未知故障。上述研究均采用“静态”迁移模型,即参数不适应每个源域的不同数据分布而变化。然而,当不仅每个源域之间存在较大的分布差异时,每个源域与单个目标域之间也存在较大的分布差异,这些“静态”迁移模型很难充分利用每个源域的知识来完成目标识别任务,通常会影响适应性能并导致优化困难。
发明内容
为了克服现有技术的不足,本发明提供了一种基于多源域自适应网络的航空发动机故障识别方法,该方法通过在特征提取器中设计动态迁移模块来将多源域故障识别问题转化为单源域故障识别问题,进而促进不同域之间的数据分布对齐;然后将一种注意力机制嵌入到两个不同的分类器中,提高相关源域的影响力,进而充分利用多个源域所含有的知识来完成目标识别任务。本发明提出的方法操作简便,故障识别效果明显,可以为在数据分布差异明显条件下进行航空发动机故障识别提供可行的解决途径。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1:用传感器采集航空发动机部件的振动信号,根据航空发动机部件运行工况不同,获取多个不同的源域数据和单一的目标域数据;
步骤2:将采集到的多个不同的源域数据和单一目标域数据进行傅里叶变换,得到每个源域和单一目标域对应的频谱样本;
步骤3:构建带有动态迁移模块的特征提取器;所述动态迁移模块分为静态卷积模块和动态卷积模块;
步骤3-1:将动态迁移模块定义为:
H(x)=Hc(x)+△H(x) (1)
其中,Hc(x)是静态卷积模块的输出,△H(x)表示依赖于输入x的动态卷积模块的输出;H(x)代表动态迁移模块的输出;输入x为步骤2得到的频谱样本;
所述静态卷积模块由一个卷积层构成,所述动态卷积模块由W个相同但相互独立的卷积层构成,用公式(2)来描述,静态卷积模块和动态卷积模块的输入是相同的;
式中,avg(·)、fc1 ReLU(·)和fc2 Softmax{·}分别代表平均池化层、具有ReLU激活函数的第一个全连接层、具有Softmax激活函数的第二个全连接层;
步骤3-2:特征提取器G由第一个卷积层、第一个动态迁移模块、第一个池化层、第二个卷积层、第二个动态迁移模块和第二个池化层依次串行构成;第一个动态迁移模块和第二个动态迁移模块的结构相同;
步骤4:构建第一分类器和第二分类器,两个分类器均由三个全连接层和一个输出层组成;
步骤5:将每个源域数据先输入各自的带有动态迁移模块的特征提取器,再将特征提取器的输出分别输入到两个分类器中得到相应的分类损失;用losss1表示第一分类器在所有源域数据上的平均损失,用losss2表示第二分类器在所有源域数据上的平均损失;
注意力机制通过分别为losss1和losss2分配系数来自动减小由不同域引起的负面信息,即当losss1的值大于losss2的值,则将较小的系数分配给losss1,否则分配较大的系数;losss2和losss2的系数的获取过程分别如下公式:
式中,att1和att2分别是分配给losss2和losss2的系数,concat(losss1,losss2)表示根据水平连接的标准连接两个矩阵,dk代表矩阵的行数,Softmax(·)代表Softmax激活函数;
步骤6:使用多个源域数据训练特征提取器和两个分类器,训练完成后得到多源域自适应网络;再对单一目标域数据进行故障识别。
优选地,所述两个分类器的分类损失,在有两组源域数据时,第一个源域数据和第二个源域数据在两个分类器的损失分别如下所示:
其中,xs1和xs2分别代表第一个源域和第二个源域的所有输入样本,ys1和ys2分别代表xs1和xs2所对应的标签,G(xs1)和G(xs2)分别表示特征提取器在xs1和xs2上的输出,和分别是第一分类器和第二分类器在xs1上的交叉熵损失;和分别是第一分类器和第二分类器在xs2上的交叉熵损失,losss1和losss2分别是两个分类器在xs1和xs2上的的平均损失。
本发明的有益效果如下:
本发明通过引入了动态迁移模块使模型参数适应不同源域的不同数据分布,动态迁移模块打破了多源域的壁垒,将多源域识别问题转化为单源域识别问题,简化了每个源域和单个目标域之间的数据分布对齐,进而更有效的减小数据之间的分布差异。然后,在两个分类器中嵌入一种注意力机制,该注意力机制可以通过对不同源域赋予不同的权重来充分利用不同源域中的知识对齐数据分布,从而获得更好的故障识别结果。为了尽可能的说明所发明方法的有效性,本发明利用两组航空发动机故障数据构建一系列目标识别任务来验证发明方法的有效性和可行性。大量的实验结果证明,本发明提出的方法在识别航空发动机故障中比其他方法更有效,鲁棒性更好。
附图说明
图1为本发明的一种基于动态迁移多源域自适应网络的航空发动机关键部件故障识别流程图。
图2为本发明动态迁移模块结构图;
图3为本发明所构建的带有动态迁移模块的特征提取器结构图。
图4为本发明自适应网络的整体框架图。
图5为本发明实施例1卷积层数目的不同对识别结果的影响示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明首先通过在特征提取器中设计动态迁移模块来将多源域故障识别问题转化为单源域故障识别问题,进而促进不同域之间的数据分布对齐。然后将一种注意力机制嵌入到两个不同的分类器中,提高相关源域的影响力,进而充分利用多个源域所含有的诊断知识来完成目标识别任务。
一种基于多源域自适应网络的航空发动机故障识别方法,包括如下步骤:
步骤1:用传感器采集航空发动机部件的振动信号,根据航空发动机部件运行工况不同,获取多个不同的源域数据和单一的目标域数据;
步骤2:将采集到的多个不同的源域数据和单一目标域数据进行傅里叶变换,得到每个源域和单一目标域对应的频谱样本;
步骤3:构建带有动态迁移模块的特征提取器,其中动态迁移模块结构如图2所示;所述动态迁移模块分为静态卷积模块和动态卷积模块;
步骤3-1:将动态迁移模块定义为:
H(x)=Hc(x)+△H(x) (1)
其中,Hc(x)是静态卷积模块的输出,△H(x)表示依赖于输入x的动态卷积模块的输出;H(x)代表动态迁移模块的输出;输入x为步骤2得到的频谱样本;
所述静态卷积模块由一个卷积层构成,所述动态卷积模块由W个相同但相互独立的卷积层构成,用公式(2)来描述,静态卷积模块和动态卷积模块的输入是相同的;
式中,avg(·)、fc1 ReLU(·)和fc2 Softmax{·}分别代表平均池化层、具有ReLU激活函数的第一个全连接层、具有Softmax激活函数的第二个全连接层;
步骤3-2:将构建的动态迁移模块嵌入到特征提取器中,以对齐每个源域和单个目标域之间的数据分布;带有动态迁移模块的特征提取器的结构如图3所示,特征提取器G由第一个卷积层、第一个动态迁移模块、第一个池化层、第二个卷积层、第二个动态迁移模块和第二个池化层依次串行构成;第一个动态迁移模块和第二个动态迁移模块的结构相同;带有动态迁移模块的特征提取器使所提出的方法更具弹性,具有较强的对齐每个源域和单个目标域之间较大数据分布的能力;
步骤4:构建第一分类器和第二分类器,两个分类器均由三个全连接层和一个输出层组成;
步骤5:将每个源域数据先输入各自的带有动态迁移模块的特征提取器,再将特征提取器的输出分别输入到两个分类器中得到相应的分类损失;用losss1表示第一分类器在所有源域数据上的平均损失,用losss2表示第二分类器在所有源域数据上的平均损失;
在有两组源域数据时,第一个源域数据和第二个源域数据在两个分类器的损失分别如下所示:
其中,xs1和xs2分别代表第一个源域和第二个源域的所有输入样本,ys1和ys2分别代表xs1和xs2所对应的标签,G(xs1)和G(xs2)分别表示特征提取器在xs1和xs2上的输出,和分别是第一分类器和第二分类器在xs1上的交叉熵损失;和分别是第一分类器和第二分类器在xs2上的交叉熵损失,losss1和losss2分别是两个分类器在xs1和xs2上的的平均损失;
注意力机制通过分别为losss1和losss2分配系数来自动减小由不同域引起的负面信息,即当losss1的值大于losss2的值,则将较小的系数分配给losss1,否则分配较大的系数;通过使用这种注意力机制,可以充分利用来自不同源域的相关知识来实现多源域自适应;losss2和losss2的系数的获取过程分别如下公式:
式中,att1和att2分别是分配给losss2和losss2的系数,concat(losss1,losss2)表示根据水平连接的标准连接两个矩阵,dk代表矩阵的行数,Softmax(·)代表Softmax激活函数;
步骤6:使用多个源域数据训练特征提取器和两个分类器,训练完成后得到多源域自适应网络;再对单一目标域数据进行故障识别。
具体实施例:
下面结合附图对本发明的内容作进一步详细说明:参照图1所示,本发明的内容主要可分为两个部分:第一部分是构建带有动态迁移模块的特征提取器;第二部分是设计一种带有注意力机制的双分类器。
参照图2所示,动态迁移模块通过静态卷积模块和动态卷积模块来挖掘输入数据的特征;
参照图3所示,本发明设计的带有动态迁移模块的特征提取器能适配差异较大的数据分布;
参照图4所示,本发明所提方法能利用动态迁移模块和注意力机制来充分迁移多个源域中的知识,进而更有效的完成目标识别任务。
参照图5所示,将动态迁移模块嵌入到所提方法中的特征提取器中时,相同但独立的卷积层数目的不同对识别结果有一定的影响。图中横坐标表示不同的目标识别任务;纵坐标表示识别准确率,单位为%。
实施例1:本例利用相关的滚动轴承数据集来开展一系列目标识别任务。该数据集包括四种不同的运行状况类型:正常类型、内圈故障、外圈故障和滚子故障。数据采样频率为50kHz。根据三种不同的转速(600rpm、800rpm和1000rpm),将数据集划分为三个不同的域,即T600、T800和T1000,其中T600代表在600rpm电机转速下获得的域,其他的类似。每个域均包含四种运行状况。通过快速傅里叶变换处理原始数据后,每种健康类型含有250个样本,每个样本有784个数据点。根据从3个域中随机选取2个域作为源域,剩余1个域作为目标域的原则,可构建3种不同的目标识别任务,分别为(T800,T1000→T600)、(T600,T1000→T800)和(T600,T800→T1000)。在(T800,T1000→T600)目标识别任务下,将所提方法与四种代表性的域自适应方法(深度域适应相关对齐、对抗域自适应网络、联合分布适配、主成分分析)和一种深度学习方法(卷积神经网络)进行对比。为了避免实验结果的偶然性,每种方法在各自相同的环境下独立运行10次。由表1可见,本发明所提出的动态迁移多源域自适应网络能充分利用对个源域信息更有效的解决目标识别任务。另外,本实施例在不同数目的独立的卷积层数的识别结果见表2。
表1实验对比结果
表2基于不同数目的独立卷积层数下的本发明方法识别结果
实施例2:本例利用相关的滚动轴承数据集开展一系列目标识别任务来展示所提方法的性能。根据不同的负载扭矩、径向力和转速,将数据集分为三个不同的子数据集(M1、M2和M3)。每个子数据集包括七种健康类型:正常类型、轻微内圈故障类型、严重内圈故障-I类型、严重内圈故障-II类型、轻微外圈故障类型、严重外圈故障类型和复合故障类型。每个子数据集的每种健康类型的采样频率为64kHz。通过快速傅里叶变换将每种健康类型的313600个数据点转换为200个样本,因此,每个样本包含784个数据点。基于三个子数据集,可以建立三种不同的域适应任务,分别是(M2,M3→M1),(M1,M3→M2),(M1,M2→M3)。以(M2,M3→M1)为例,M2和M3作为源域,剩余的M1作为目标域。在(M2,M3→M1)目标识别任务下,将所提方法与深度域适应相关对齐、对抗域自适应网络、联合分布适配、主成分分析和卷积神经网络进行对比。为了避免实验结果的偶然性,每种方法在各自相同的环境下独立运行10次。由表3可见,本发明所提出的动态迁移多源域自适应网络能充分利用对个源域信息更有效的解决目标识别任务。另外,本实施例在不同数目的独立的卷积层数的识别结果见表4。
表3实验对比结果
表4基于不同数目的独立卷积层数下的本发明方法识别结果
Claims (2)
1.一种基于多源域自适应网络的航空发动机故障识别方法,其特征在于,包括如下步骤:
步骤1:用传感器采集航空发动机部件的振动信号,根据航空发动机部件运行工况不同,获取多个不同的源域数据和单一的目标域数据;
步骤2:将采集到的多个不同的源域数据和单一目标域数据进行傅里叶变换,得到每个源域和单一目标域对应的频谱样本;
步骤3:构建带有动态迁移模块的特征提取器;所述动态迁移模块分为静态卷积模块和动态卷积模块;
步骤3-1:将动态迁移模块定义为:
H(x)=Hc(x)+△H(x) (1)
其中,Hc(x)是静态卷积模块的输出,△H(x)表示依赖于输入x的动态卷积模块的输出;H(x)代表动态迁移模块的输出;输入x为步骤2得到的频谱样本;
所述静态卷积模块由一个卷积层构成,所述动态卷积模块由W个相同但相互独立的卷积层构成,用公式(2)来描述,静态卷积模块和动态卷积模块的输入是相同的;
式中,avg(·)、fc1 ReLU(·)和fc2 Softmax{·}分别代表平均池化层、具有ReLU激活函数的第一个全连接层、具有Softmax激活函数的第二个全连接层;
步骤3-2:特征提取器G由第一个卷积层、第一个动态迁移模块、第一个池化层、第二个卷积层、第二个动态迁移模块和第二个池化层依次串行构成;第一个动态迁移模块和第二个动态迁移模块的结构相同;
步骤4:构建第一分类器和第二分类器,两个分类器均由三个全连接层和一个输出层组成;
步骤5:将每个源域数据先输入各自的带有动态迁移模块的特征提取器,再将特征提取器的输出分别输入到两个分类器中得到相应的分类损失;用losss1表示第一分类器在所有源域数据上的平均损失,用losss2表示第二分类器在所有源域数据上的平均损失;
注意力机制通过分别为losss1和losss2分配系数来自动减小由不同域引起的负面信息,即当losss1的值大于losss2的值,则将较小的系数分配给losss1,否则分配较大的系数;losss2和losss2的系数的获取过程分别如下公式:
式中,att1和att2分别是分配给losss2和losss2的系数,concat(losss1,losss2)表示根据水平连接的标准连接两个矩阵,dk代表矩阵的行数,Softmax(·)代表Softmax激活函数;
步骤6:使用多个源域数据训练特征提取器和两个分类器,训练完成后得到多源域自适应网络;再对单一目标域数据进行故障识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109458.1A CN115587289A (zh) | 2022-09-13 | 2022-09-13 | 基于多源域自适应网络的航空发动机故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109458.1A CN115587289A (zh) | 2022-09-13 | 2022-09-13 | 基于多源域自适应网络的航空发动机故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587289A true CN115587289A (zh) | 2023-01-10 |
Family
ID=84773432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109458.1A Pending CN115587289A (zh) | 2022-09-13 | 2022-09-13 | 基于多源域自适应网络的航空发动机故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587289A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
-
2022
- 2022-09-13 CN CN202211109458.1A patent/CN115587289A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
CN117407698B (zh) * | 2023-12-14 | 2024-03-08 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Fault detection in gears using fault samples enlarged by a combination of numerical simulation and a generative adversarial network | |
CN110751207B (zh) | 基于深度卷积域对抗迁移学习的故障诊断方法 | |
Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN115587289A (zh) | 基于多源域自适应网络的航空发动机故障识别方法 | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 | |
CN114216682A (zh) | 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 | |
CN116186641A (zh) | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 | |
Zhou et al. | Differentiable architecture search for aeroengine bevel gear fault diagnosis | |
CN116026593A (zh) | 跨工况的滚动轴承故障靶向迁移诊断方法及系统 | |
Liu et al. | Rolling bearing fault diagnosis of train running gear based on optimized deep residual network | |
Rahimilarki et al. | Time-series deep learning fault detection with the application of wind turbine benchmark | |
CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
Liu et al. | Sinc-based Multiplication-Convolution Network for Small-sample Fault Diagnosis and Edge Application | |
CN114459760A (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
CN115618933A (zh) | 基于采样卷积和对抗学习的跨域故障诊断方法 | |
CN114970628A (zh) | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 | |
He et al. | A hybrid muti-dimension normalization layers improved ResNet based fault diagnosis method of rolling bearing | |
Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
Yue et al. | Intelligent cross-domain fault diagnosis for rotating machinery using multiscale adversarial convolutional neural network | |
Ling et al. | An improved convolutional neural network for rolling bearing fault diagnosis | |
Di et al. | Fault Diagnosis Method for Bearing and Gear Based on Deep Learning Waveform Image Recognition |
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 |