CN115759352A - 基于多源域类分离对抗网络的变工况机械故障诊断方法 - Google Patents

基于多源域类分离对抗网络的变工况机械故障诊断方法 Download PDF

Info

Publication number
CN115759352A
CN115759352A CN202211321649.4A CN202211321649A CN115759352A CN 115759352 A CN115759352 A CN 115759352A CN 202211321649 A CN202211321649 A CN 202211321649A CN 115759352 A CN115759352 A CN 115759352A
Authority
CN
China
Prior art keywords
source domain
fault
domain
class
fault diagnosis
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
Application number
CN202211321649.4A
Other languages
English (en)
Inventor
孔宪光
杨胜康
王奇斌
徐明亮
崔艳鹏
刘妮
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202211321649.4A priority Critical patent/CN115759352A/zh
Publication of CN115759352A publication Critical patent/CN115759352A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明涉及机械参数模式识别方法，具体涉及一种基于多源域类分离对抗网络的变工况机械故障诊断方法，用于解决目前针对变工况的故障诊断问题提出的域对抗故障诊断技术尽管可以对齐源域和目标同工况下故障特征分布，但主要是从全局的角度出发进行全局分布的对齐，不能保证全局域对齐的同时域内类别分布的对齐，造成在最终的故障诊断分类中会出现域内故障类别混淆的现象发生，进而导致模型的诊断精度降低的不足之处。该基于多源域类分离对抗网络的变工况机械故障诊断方法构建了一种多源域类分离对抗网络，用于实现各多源域迁移故障诊断任务的故障诊断，该网络能够实现跨域后每个域中子类的细粒度对齐，有效地学习多个域的故障诊断知识。

Description

基于多源域类分离对抗网络的变工况机械故障诊断方法
技术领域
本发明涉及机械参数模式识别方法，具体涉及一种基于多源域类分离对抗网络的变工况机械故障诊断方法。
背景技术
轴承是重大旋转机械中使用最广泛的组件，直接影响旋转机械的健康状态。随着现代工业的快速创新，轴承作为现代工业装备的关键核心部件，对其维护管理提出了更高的可靠性和安全性要求。在工业应用中，故障诊断是保持设备健康运行的关键。近年来，随着人工智能技术的发展，基于深度学习技术的智能故障诊断方法受到了广泛的关注。过往的研究通常假设只有一个源域，由于单源训练样本的特殊性，在单源域迁移故障诊断中可能会出现过拟合风险，这削弱了模型在目标域工况下的泛化能力。然而，实际工业场景中存在多个分布不同的相关的带标记的源域数据，可以从多个源域中获得更好、更全面、更通用的诊断知识，从而提高了诊断性能。因此，如何减少所有源分布和目标分布之间的迁移以对齐多个域仍然是一个挑战。
针对变工况下故障诊断问题，学者借助迁移学习的思想提出了域对抗技术的迁移故障诊断模型解决了变工况故障特征分布差异引起诊断模型泛化能力差的问题。主要思想是构造一个由特征提取器、分类器和域判别器组成的域对抗网络，利用源域和目标域工况的样本数据进行特征提取器和分类器的训练，采用对抗训练的策略进行特征提取器和域判别器的训练，并利用有标签的源域样本数据进行softmax分类器的训练，学习域不变故障特征，获得性能较好的故障诊断模型，提升模型的泛化性能。
Han等人在其发表的论文中“A novel adversarial learning framework indeep convolutional neural network for intelligent diagnosis of mechanicalfaults,”(Knowl.-Based Syst.165(2019)474–487)中提出一种基于深度卷积神经网络和域对抗的迁移学习用于变工况下旋转机械故障的诊断方法。该方法的步骤是：首先，采集不同工况下行星齿轮箱的振动数据；其次，将其中一种工况下的数据作为源域，其他工况数据作为目标域，使用标记的数据训练一个基本的CNN来初始化参数，将得到的参数传递给特征描述器和判别分类器，用对抗策略训练DAN模型，获得域不变特征；最后，利用有标签的源域数据进行Softmax分类器的训练，实现其在目标域上有良好的故障诊断能力。
上述诊断方法的不足之处是：只考虑了不同域之间全局的域对齐，没有考虑到全局域中子类的细粒度对齐，无法保证全局域对齐的同时子类之间的分离性，无法保证提取全域中不同类别分离的域不变故障特征的。由于其域对齐、域适应能力不足，进一步造成分类结果中仍会出现故障类别混淆的现象，进而导致模型的故障分类精度不足以及在复杂工况下不同迁移学习任务中的泛化能力差。
发明内容
本发明的目的是解决目前针对变工况的故障诊断问题提出的域对抗故障诊断技术尽管可以对齐源域和目标同工况下故障特征分布，但主要是从全局的角度出发进行全局分布的对齐，不能保证全局域对齐的同时域内类别分布的对齐，造成在最终的故障诊断分类中会出现域内故障类别混淆的现象发生，进而导致模型的诊断精度降低的不足之处，而提供一种基于多源域类分离对抗网络的变工况机械故障诊断方法。
为了解决上述现有技术所存在的不足之处，本发明提供了如下技术解决方案：
基于多源域类分离对抗网络的变工况机械故障诊断方法，其特殊之处在于，包括步骤如下：
步骤1、设置多源域迁移故障诊断任务；
步骤1.1、采集M种工况下轴承的振动频域信号作为样本，每种工况所有样本的故障类型分为N种；M≥3，N≥12；
步骤1.2、设置M种多源域迁移故障诊断任务；
每个多源域迁移故障诊断任务将M种工况其中一种工况的样本作为目标域样本集DT，剩余M-1种工况的样本作为源域样本集
Figure BDA0003910767560000031
k为源域样本集序数，k＝1,……M-1；目标域样本集DT的所有样本未标记故障类型，源域样本集
Figure BDA0003910767560000032
的所有样本标记有故障类型，且故障类型分为N种；不同多源域迁移故障诊断任务的目标域样本集DT不同；每个多源域迁移故障诊断任务将源域样本集
Figure BDA0003910767560000033
的所有样本、目标域样本集DT的部分样本作为训练集，将目标域样本集DT的剩余样本作为测试集；
步骤2、对步骤1所设置的各多源域迁移故障诊断任务，依次执行步骤2.1至2.6，获取对各多源域迁移故障诊断任务的故障诊断结果；
步骤2.1、构建特征提取器Gf，并将训练集输入特征提取器Gf，提取深度特征F；
步骤2.2、构建故障分类器，并将步骤2.1中提取的深度特征F输入故障分类器，获得故障预测概率P和预测故障类型
Figure BDA0003910767560000041
步骤2.3、构建多源域判别器Gd，将步骤2.1中提取的深度特征F进行梯度翻转后，输入多源域判别器Gd获得所属域预测标签di；
步骤2.4、构建类分离对抗判别器
Figure BDA0003910767560000042
根据步骤2.2获得的故障预测概率P和预测故障类型
Figure BDA0003910767560000043
对步骤2.1中提取的深度特征F进行加权处理，并进行梯度翻转，输入对应预测故障类别的类分离对抗判别器
Figure BDA0003910767560000044
获得类分离域预测标签cdi；
Figure BDA0003910767560000045
是用于类间分离的第c类分离对抗判别器，c＝1,2……N；
步骤2.5、训练多源域类分离对抗网络；
设置初始学习率η0、迭代次数，将训练集输入特征提取器模块Gf获得深度特征F，进而依次分别输入故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA0003910767560000046
获得深度特征F的故障预测概率P和预测故障类型
Figure BDA0003910767560000047
结合步骤2.3获得的域预测标签di、步骤2.4获得的类分离域预测标签cdi，分别计算多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs，最终计算总损失函数L；
采用梯度优化算法和自适应步长学习率η来最小化损失，依次迭代更新特征提取器Gf、故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA0003910767560000048
的参数，直至达到最大迭代次数，即完成多源域类分离对抗网络的训练；
步骤2.6、对目标域工况进行轴承故障诊断；
将测试集输入到步骤2.5训练完成的多源域类分离对抗网络中，输出每个样本的故障类别预测结果；从每个样本的故障类别预测结果中选取最大值，作为该样本的故障诊断类别，输出预测故障类型
Figure BDA0003910767560000051
进一步地，步骤2.1中，所述构建特征提取器Gf具体为：构建一个由四个结构相同的子模块堆叠连接的16层的卷积神经网络作为特征提取器Gf，每个子模块的结构均由卷积层、批量归一化层、非线性激活函数层、池化层组成；
每个子模块的参数设置如下：
输入维数是1024，第一层卷积层的大小是32×1，BN层的大小是3，池化层的大小是2；第二层卷积层的大小是32×1，BN层的大小是5，池化层的大小是3；第三层卷积层的大小是32×1，BN层的大小是8，池化层的大小是4；第四层卷积层的大小是16×1，BN层的大小是10，池化层的大小是4；在每层的输出卷积层中均采用ReLU作为非线性激活函数。
进一步地，所述步骤2.2具体为：
步骤2.2.1、构建一个由2层的全连接网络和Softmax激活函数层作为故障分类器，全连接网络的节点设置为：40-20-N；
步骤2.2.2、将步骤2.1中提取的深度特征F输入故障分类器，获得故障预测概率P和预测故障类型
Figure BDA0003910767560000052
所述故障预测概率P的计算公式如下：
Figure BDA0003910767560000053
其中，xi表示样本，yi表示所标记的故障类型，θ＝[θ1,θ2,…θC]T表示全连接层的权重参数，
Figure BDA0003910767560000061
表示全连接层与最后一层第j个神经元相连的权重参数,∑表示累加操作，C表示故障分类器分成C类，C＝N。
进一步地，步骤2.3中，所述构建多源域判别器Gd具体为：构建一个由2层的全连接网络和Softmax激活函数层作为多源域判别器Gd，多源域判别器Gd的结构参数设置为：40-20-M。
进一步地，步骤2.4中，所述构建类分离对抗判别器
Figure BDA0003910767560000062
具体为：构建C个由2层的全连接网络和Softmax激活函数层作为类分离对抗判别器
Figure BDA0003910767560000063
类分离对抗判别器
Figure BDA0003910767560000064
的结构参数设置为：40-20-M。
进一步地，所述步骤2.5具体为：
步骤2.5.1、设置初始学习率η0是10-3，迭代次数是200；
步骤2.5.2、将训练集输入特征提取器模块Gf获得深度特征F，进而依次分别输入故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA0003910767560000065
获得深度特征F的故障预测概率P和预测故障类型
Figure BDA0003910767560000066
步骤2.5.3、根据步骤2.5.2获得的特征的预测概率P、步骤2.3获得的域预测标签di、步骤2.4获得的类分离域预测标签cdi，分别计算多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs；
所述多源域分类损失Ly的计算公式如下：
Figure BDA0003910767560000067
其中，k表示第k个源域，
Figure BDA0003910767560000068
是第k个源域的样本数量，K＝M-1；θf表示特征提取器Gf的网络权重参数；
所述多源域判别损失LD的计算公式如下：
Figure BDA0003910767560000071
其中，nt表示目标域属于训练集的样本数量，Ld表示多源域判别器Gd损失，Gf(xi)表示特征提取器Gf提取样本(xi)的深度特征，m表示训练集的总样本数，
Figure BDA00039107675600000710
表示深度特征F的梯度反转层；θd表示多源域判别器Gd的网络权重参数，θd T表示θd的转置；
所述类分离判别损失Lcs的计算公式如下：
Figure BDA0003910767560000072
其中，
Figure BDA0003910767560000073
是第c类类分离对抗判别器的交叉熵损失，
Figure BDA0003910767560000074
表示样本属于第c类的概率，
Figure BDA0003910767560000075
表示样本不属于c类的概率；
Figure BDA0003910767560000076
表示第c类类分离对抗判别器的网络权重参数；
步骤2.5.4、根据步骤2.5.3获得的多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs，计算总损失函数L，计算方式如下：
Figure BDA0003910767560000077
其中，θf是特征提取器Gf的参数，θc是故障分类器的参数，α是故障分类器的分类损失和多源域对抗判别器与类分离对抗判别器的对抗损失之间的权衡参数，α＝1，θd是多源域判别器Gd的参数，
Figure BDA0003910767560000078
是类分离对抗判别器
Figure BDA0003910767560000079
的参数；
步骤2.5.5、采用Adam优化算法和自适应步长学习率η来最小化损失，依次迭代更新特征提取器Gf、故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA0003910767560000081
的参数，直至最大迭代次数，即完成多源域类分离对抗网络的训练；
所述自适应步长学习率η的计算公式如下：
Figure BDA0003910767560000082
其中，epoch是模型最大迭代次数，z表示进行第z次迭代；
按照下式，更新特征提取器模块Gf、故障分类器、多源域判别器模块Gd和类分离对抗判别器模块
Figure BDA0003910767560000083
的参数：
Figure BDA0003910767560000084
Figure BDA0003910767560000085
Figure BDA0003910767560000086
Figure BDA0003910767560000087
其中，θd是多源域判别器Gd的参数，
Figure BDA0003910767560000088
表示求偏导。
与现有技术相比，本发明的有益效果是：
(1)本发明基于多源域类分离对抗网络的变工况机械故障诊断方法，通过采集M种工况下轴承的数据作为样本构建M个域，按照源域、目标域的不同设置有M种多源域迁移故障诊断任务；进一步地，本发明构建了一种多源域类分离对抗网络，用于实现各多源域迁移故障诊断任务的故障诊断，该网络能够实现跨域后每个域中子类的细粒度对齐，有效地学习多个域的故障诊断知识。
(2)本发明所构建的多源域类分离对抗网络考虑了同一故障类型内的对齐，同时考虑了不同故障类型之间跨域的分离，通过多域对抗性学习和类分离对抗性学习策略，可以提取到具有跨域间的类内紧凑类间分离的故障特征。
(3)本发明通过多源域类分离对抗网络获取了对各多源域迁移故障诊断任务的故障诊断结果，多源域类分离对抗网络在不同任务下均表现出较强的鲁棒性和优越性。
附图说明
图1为本发明基于多源域类分离对抗网络的变工况机械故障诊断方法的流程图；
图2为本发明实施例步骤1.1中故障类型为正常的轴承的振动时域信号波形图；
图3为本发明实施例步骤1.1中故障类型为滚珠故障且故障直径为0.007英寸的轴承的振动时域信号波形图；
图4为本发明实施例步骤1.1中故障类型为滚珠故障且故障直径为0.014英寸的轴承的振动时域信号波形图；
图5为本发明实施例步骤1.1中故障类型为滚珠故障且故障直径为0.021英寸的轴承的振动时域信号波形图；
图6为本发明实施例步骤1.1中故障类型为内圈故障且故障直径为0.007英寸的轴承的振动时域信号波形图；
图7为本发明实施例步骤1.1中故障类型为内圈故障且故障直径为0.014英寸的轴承的振动时域信号波形图；
图8为本发明实施例步骤1.1中故障类型为内圈故障且故障直径为0.021英寸的轴承的振动时域信号波形图；
图9为本发明实施例步骤1.1中故障类型为外圈故障、故障直径为0.007英寸且故障方位为垂直3点钟方向的轴承的振动时域信号波形图；
图10为本发明实施例步骤1.1中故障类型为外圈故障、故障直径为0.007英寸且故障方位为水平6点钟方向的轴承的振动时域信号波形图；
图11为本发明实施例步骤1.1中故障类型为外圈故障、故障直径为0.014英寸且故障方位为水平6点钟方向的轴承的振动时域信号波形图；
图12为本发明实施例步骤1.1中故障类型为外圈故障、故障直径为0.021英寸且故障方位为垂直3点钟方向的轴承的振动时域信号波形图；
图13为本发明实施例步骤1.1中故障类型为外圈故障、故障直径为0.021英寸且故障方位为水平6点钟方向的轴承的振动时域信号波形图；
图14为本发明实施例与6个现有技术的故障诊断结果的对比图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步地说明。
本实施例的仿真实验的硬件平台为：中央处理器为Intel(R)Core(TM)i5-7500CPU,主频为3.40GHZ，内存16G。
本实施例的仿真实验的软件平台为：WINDOWS 7操作系统和Python 3.7。
本实施例采用Case Western Reserve University(CWRU)实验室轴承数据集，CWRU实验室的实验装置主要由感应电机、测试轴承和加载电机以及测试轴承支撑电机轴组成，电机轴承通过电火花加工植入。
参照图1，基于多源域类分离对抗网络的变工况机械故障诊断方法，包括步骤如下：
步骤1、构建源域样本集
Figure BDA0003910767560000112
和目标域样本集DT；
步骤1.1、采集M种工况下轴承的振动时域信号，并转为振动频域信号作为样本，每种工况所有样本的故障类型共分为N种；M＝4；N＝12；
4种工况如下：1797rpm、1772rpm、1750rpm、1730rpm，表示为HP0、HP1、HP2、HP3；
12种故障类型如表1所示：
表1
Figure BDA0003910767560000111
Figure BDA0003910767560000121
图2至图13为轴承的12种故障对应的振动时域信号波形，对本发明实施例轴承12种不同故障类型的振动时域信号波形做进一步的描述，其中纵坐标表示振动信号的幅值，横坐标表示时间；图2表示轴承的故障类型为正常；图3表示轴承的故障类型为滚珠故障，故障直径为0.007英寸；图4表示轴承的故障类型为滚珠故障，故障直径为0.014英寸；图5表示轴承的故障类型为滚珠故障，故障直径为0.021英寸；图6表示轴承的故障类型为内圈故障，故障直径为0.007英寸；图7表示轴承的故障类型为内圈故障，故障直径为0.014英寸；图8表示轴承的故障类型为内圈故障，故障直径为0.021英寸；图9表示轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为垂直3点钟方向；图10表示轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为水平6点钟方向；图11表示轴承的故障类型为外圈故障，故障直径为0.014英寸，故障方位为水平6点钟方向；图12表示轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为垂直3点钟方向；图13表示轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为水平6点钟方向；
步骤1.2、参照表2，设置M种的多源域迁移故障诊断任务；
每个多源域迁移故障诊断任务将M种工况其中一种工况的样本作为目标域样本集DT，剩余M-1种工况的样本作为源域样本集
Figure BDA0003910767560000122
k为源域样本集序数，k＝1,……M-1；目标域样本集DT的所有样本未标记故障类型，源域样本集
Figure BDA0003910767560000131
的所有样本标记有故障类型，且故障类型分为N种；不同多源域迁移故障诊断任务的目标域样本集DT不同；
每个多源域迁移故障诊断任务将源域样本集
Figure BDA0003910767560000132
的所有样本、目标域样本集DT的部分样本作为训练集，将目标域样本集DT的剩余样本作为测试集；
表2
任务 源域 目标域
T1 工况0,工况1,工况2 工况3
T2 工况1,工况2,工况3 工况0
T3 工况0,工况2,工况3 工况1
T4 工况0,工况1,工况3 工况2
步骤2、对各多源域迁移故障诊断任务，依次执行步骤2.1至2.6，获取对各多源域迁移故障诊断任务的故障诊断结果；
步骤2.1、构建特征提取器Gf；
步骤2.1.1、构建一个由四个结构相同的子模块堆叠连接的16层的卷积神经网络作为特征提取器Gf，每个子模块的结构均由卷积层、批量归一化层、非线性激活函数层、池化层组成；
每个子模块的参数设置如下：
输入维数是1024，第一层卷积层的大小是32×1，BN层的大小是3，池化层的大小是2；第二层卷积层的大小是32×1，BN层的大小是5，池化层的大小是3；第三层卷积层的大小是32×1，BN层的大小是8，池化层的大小是4；第四层卷积层的大小是16×1，BN层的大小是10，池化层的大小是4；在每层的输出卷积层中均采用ReLU作为非线性激活函数；
步骤2.1.2、将训练集输入特征提取器Gf，提取深度特征F；
步骤2.2、构建故障分类器；
步骤2.2.1、构建一个由2层的全连接网络和Softmax激活函数层作为故障分类器，全连接网络的节点设置为：40-20-N；
步骤2.2.2、将步骤2.1中提取的深度特征F输入故障分类器，获得故障预测概率P和预测故障类型
Figure BDA0003910767560000141
所述故障预测概率P的计算公式如下：
Figure BDA0003910767560000142
其中，xi表示样本，yi表示所标记的故障类型，θ＝[θ1,θ2,…θC]T表示全连接层的权重参数，
Figure BDA0003910767560000143
表示全连接层与最后一层第j个神经元相连的权重参数,∑表示累加操作，C表示故障分类器分成C类，C＝N；
步骤2.3、构建多源域判别器Gd；
步骤2.3.1、构建一个由2层的全连接网络和Softmax激活函数层作为多源域判别器Gd，多源域判别器Gd的结构参数设置为：40-20-M；
步骤2.3.2、将步骤2.1中提取的深度特征F进行梯度翻转后，输入多源域判别器Gd获得所属域预测标签di；
步骤2.4、构建类分离对抗判别器
Figure BDA0003910767560000144
步骤2.4.1、构建C个由2层的全连接网络和Softmax激活函数层作为类分离对抗判别器
Figure BDA0003910767560000151
类分离对抗判别器
Figure BDA0003910767560000152
的结构参数设置为：40-20-M；
Figure BDA0003910767560000153
是用于类间分离的第c类分离对抗判别器，c＝1,2……N；
步骤2.4.2、根据步骤2.2获得的故障预测概率P和预测故障类型
Figure BDA0003910767560000154
对步骤2.1中提取的深度特征F进行加权处理，并进行梯度翻转，输入对应预测故障类别的类分离对抗判别器
Figure BDA0003910767560000155
获得类分离域预测标签cdi；
步骤2.5、训练多源域类分离对抗网络；
步骤2.5.1、设置初始学习率η0是10-3，迭代次数是200；
步骤2.5.2、将训练集输入特征提取器模块Gf获得深度特征F，进而依次分别输入故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA0003910767560000156
获得深度特征F的故障预测概率P和预测故障类型
Figure BDA0003910767560000157
步骤2.5.3、根据步骤2.5.2获得的特征的预测概率P、步骤2.3.2获得的域预测标签di、步骤2.4获得的类分离域预测标签cdi，分别计算多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs；
所述多源域分类损失Ly的计算公式如下：
Figure BDA0003910767560000158
其中，k表示第k个源域，
Figure BDA0003910767560000159
是第k个源域的样本数量，K＝M-1；θf表示特征提取器Gf的网络权重参数；
所述多源域判别损失LD的计算公式如下：
Figure BDA0003910767560000161
其中，nt表示目标域属于训练集的样本数量，Ld表示多源域判别器Gd损失，Gf(xi)表示特征提取器Gf提取样本(xi)的深度特征，m表示训练集的总样本数，
Figure BDA0003910767560000162
表示深度特征F的梯度反转层；θd表示多源域判别器Gd的网络权重参数，θd T表示θd的转置；
所述类分离判别损失Lcs的计算公式如下：
Figure BDA0003910767560000163
其中，
Figure BDA0003910767560000164
是第c类类分离对抗判别器的交叉熵损失，
Figure BDA0003910767560000165
表示样本属于第c类的概率，
Figure BDA0003910767560000166
表示样本不属于c类的概率；
Figure BDA0003910767560000167
表示第c类类分离对抗判别器的网络权重参数；
步骤2.5.4、根据步骤2.5.3获得的多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs，计算总损失函数L，计算方式如下：
Figure BDA0003910767560000168
其中，θf是特征提取器Gf的参数，θc是故障分类器的参数，α是故障分类器的分类损失和多源域对抗判别器与类分离对抗判别器的对抗损失之间的权衡参数，α＝1，θd是多源域判别器Gd的参数，
Figure BDA0003910767560000169
是类分离对抗判别器
Figure BDA00039107675600001610
的参数；
步骤2.5.5、采用Adam优化算法和自适应步长学习率η来最小化损失，依次迭代更新特征提取器Gf、故障分类器、多源域判别器Gd和类分离对抗判别器
Figure BDA00039107675600001611
的参数，直至达到最大迭代次数，即完成多源域类分离对抗网络的训练；
所述自适应步长学习率η的计算公式如下：
Figure BDA0003910767560000171
其中，epoch是模型最大迭代次数，z表示进行第z次迭代；
按照下式，更新特征提取器模块Gf、故障分类器、多源域判别器模块Gd和类分离对抗判别器模块
Figure BDA0003910767560000172
的参数：
Figure BDA0003910767560000173
Figure BDA0003910767560000174
Figure BDA0003910767560000175
Figure BDA0003910767560000176
其中，θd是多源域判别器Gd的参数，
Figure BDA0003910767560000177
表示求偏导；
步骤2.6、对目标域工况进行轴承故障诊断；
步骤2.6.1、将测试集输入到步骤2.5训练完成的多源域类分离对抗网络中，输出每个样本的故障类别预测结果；
步骤2.6.2、从每个样本的故障类别预测结果中选取最大值，作为该样本的故障诊断类别，输出预测故障类型
Figure BDA0003910767560000178
为验证本发明的性能，基于本发明实施例中步骤1的设置，将本发明与6个现有技术的故障诊断结果进行对比，如表3及图14所示；6个现有技术分别是基于TCA的迁移学习方法、基于JDA的迁移学习方法、基于BDA的迁移学习方法、基于DDC的迁移学习方法、基于D-CORAL的迁移学习方法和基于DAN的迁移学习方法。
表3
任务 T1 T2 T3 T4 平均
本发明 0.9933 0.9917 0.9967 0.9983 0.9949
TCA 0.7433 0.7283 0.7450 0.6800 0.7200
JDA 0.7467 0.7550 0.7383 0.7183 0.7396
BDA 0.7233 0.7717 0.8333 0.8333 0.7904
DDC 0.9792 0.8858 0.9692 0.9725 0.9517
D-CORAL 0.9758 0.9133 0.9 0.9808 0.9635
DAN 0.9767 0.9508 0.9808 0.9750 0.9708
其中，基于JDA的迁移学习方法是指M.Long等人在“Transfer feature learningwith joint distribution adaptation,in:2013IEEE Int.Conf.Comput.Vis.,IEEE,Sydney,Australia,2013:pp.2200–2207”中提出的迁移学习方法；基于BDA的迁移学习方法是指J.Wang等人在“Balanced distribution adaptation for transfer learning,in:2017IEEE Int.Conf.Data Min.ICDM,IEEE,New Orleans,LA,2017:pp.1129–1134”中提出的迁移学习方法；基于DDC的迁移学习方法是指E.Tzeng等人在“Deep coral:correlationalignment for deep domain adaptation,in:Eur.Conf.Comput.Vis.,Springer,2016:pp.443–450”中提出的迁移学习方法；基于D-CORAL的迁移学习方法是指，B.Sun等人在“Anew deep transfer learning method for bearing fault diagnosis under differentworking conditions,IEEE Sens.J.20(2020)8394–8402”中提出的迁移学习方法；基于DAN的迁移学习方法是指，T.Han等人在“A novel adversarial learning framework in deepconvolutional neural network for intelligent diagnosis of mechanical faults,Knowl.-Based Syst.165(2019)474–487”中提出的迁移学习方法。
从表3可以看出，本发明实施例的故障诊断精度平均达到0.9949，每个任务均高于0.99，并且显著高于其他方法，分别为0.7200、0.7396、0.7904、0.9517、0.9635和0.9754。与传统的转移学习方法TCA、JDA和BDA相比，本发明实施例的故障诊断精度分别提高了0.2749、0.2553和0.2049，表明本发明实施例具有良好的诊断性能。此外，基于DDC和D-CORAL的其他迁移学习方法的平均故障诊断精度分别比本发明实施例的平均故障诊断精度低0.0414和0.0314，这进一步表明了本发明实施例的有效性。类似地，DAN的平均故障诊断精度比本发明实施例的平均故障诊断精度低0.0241，可见本发明实施例具有更好的类分离能力。因此，通过上述对比分析，验证了本发明实施例的有效性。
上述故障诊断精度等于测试集中故障类型预测正确的样本数除以测试集样本总数。
以上实施例仅用以说明本发明的技术方案，而非对其限制，对于本领域的普通专业技术人员来说，可以对前述各实施例所记载的具体技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明所保护技术方案的范围。

Claims (6)

1.基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于，包括步骤如下：
步骤1、设置多源域迁移故障诊断任务；
步骤1.1、采集M种工况下轴承的振动频域信号作为样本，每种工况所有样本的故障类型分为N种；M≥3，N≥12；
步骤1.2、设置M种多源域迁移故障诊断任务；
每个多源域迁移故障诊断任务将M种工况其中一种工况的样本作为目标域样本集DT，剩余M-1种工况的样本作为源域样本集
Figure FDA0003910767550000012
k为源域样本集序数，k＝1,……M-1；目标域样本集DT的所有样本未标记故障类型，源域样本集
Figure FDA0003910767550000013
的所有样本标记有故障类型，且故障类型分为N种；不同多源域迁移故障诊断任务的目标域样本集DT不同；每个多源域迁移故障诊断任务将源域样本集
Figure FDA0003910767550000014
的所有样本、目标域样本集DT的部分样本作为训练集，将目标域样本集DT的剩余样本作为测试集；
步骤2、对步骤1所设置的各多源域迁移故障诊断任务，依次执行步骤2.1至2.6，获取对各多源域迁移故障诊断任务的故障诊断结果；
步骤2.1、构建特征提取器Gf，并将训练集输入特征提取器Gf，提取深度特征F；
步骤2.2、构建故障分类器，并将步骤2.1中提取的深度特征F输入故障分类器，获得故障预测概率P和预测故障类型
Figure FDA0003910767550000011
步骤2.3、构建多源域判别器Gd，将步骤2.1中提取的深度特征F进行梯度翻转后，输入多源域判别器Gd获得所属域预测标签di；
步骤2.4、构建类分离对抗判别器
Figure FDA0003910767550000021
根据步骤2.2获得的故障预测概率P和预测故障类型
Figure FDA0003910767550000022
对步骤2.1中提取的深度特征F进行加权处理，并进行梯度翻转，输入对应预测故障类别的类分离对抗判别器
Figure FDA0003910767550000023
获得类分离域预测标签cdi；
Figure FDA0003910767550000024
是用于类间分离的第c类分离对抗判别器，c＝1,2……N；
步骤2.5、训练多源域类分离对抗网络；
设置初始学习率η0、迭代次数，将训练集输入特征提取器模块Gf获得深度特征F，进而依次分别输入故障分类器、多源域判别器Gd和类分离对抗判别器
Figure FDA0003910767550000025
获得深度特征F的故障预测概率P和预测故障类型
Figure FDA0003910767550000026
结合步骤2.3获得的域预测标签di、步骤2.4获得的类分离域预测标签cdi，分别计算多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs，最终计算总损失函数L；
采用梯度优化算法和自适应步长学习率η来最小化损失，依次迭代更新特征提取器Gf、故障分类器、多源域判别器Gd和类分离对抗判别器
Figure FDA0003910767550000027
的参数，直至达到最大迭代次数，即完成多源域类分离对抗网络的训练；
步骤2.6、对目标域工况进行轴承故障诊断；
将测试集输入到步骤2.5训练完成的多源域类分离对抗网络中，输出每个样本的故障类别预测结果；从每个样本的故障类别预测结果中选取最大值，作为该样本的故障诊断类别，输出预测故障类型
Figure FDA0003910767550000028
2.根据权利要求1所述的基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于：步骤2.1中，所述构建特征提取器Gf具体为：构建一个由四个结构相同的子模块堆叠连接的16层的卷积神经网络作为特征提取器Gf，每个子模块的结构均由卷积层、批量归一化层、非线性激活函数层、池化层组成；
每个子模块的参数设置如下：
输入维数是1024，第一层卷积层的大小是32×1，BN层的大小是3，池化层的大小是2；第二层卷积层的大小是32×1，BN层的大小是5，池化层的大小是3；第三层卷积层的大小是32×1，BN层的大小是8，池化层的大小是4；第四层卷积层的大小是16×1，BN层的大小是10，池化层的大小是4；在每层的输出卷积层中均采用ReLU作为非线性激活函数。
3.根据权利要求2所述的基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于，所述步骤2.2具体为：
步骤2.2.1、构建一个由2层的全连接网络和Softmax激活函数层作为故障分类器，全连接网络的节点设置为：40-20-N；
步骤2.2.2、将步骤2.1中提取的深度特征F输入故障分类器，获得故障预测概率P和预测故障类型
Figure FDA0003910767550000031
所述故障预测概率P的计算公式如下：
Figure FDA0003910767550000032
其中，xi表示样本，yi表示所标记的故障类型，θ＝[θ1,θ2,…θC]T表示全连接层的权重参数，
Figure FDA0003910767550000033
表示全连接层与最后一层第j个神经元相连的权重参数,∑表示累加操作，C表示故障分类器分成C类，C＝N。
4.根据权利要求3所述的基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于：步骤2.3中，所述构建多源域判别器Gd具体为：构建一个由2层的全连接网络和Softmax激活函数层作为多源域判别器Gd，多源域判别器Gd的结构参数设置为：40-20-M。
5.根据权利要求4所述的基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于：步骤2.4中，所述构建类分离对抗判别器
Figure FDA0003910767550000041
具体为：构建C个由2层的全连接网络和Softmax激活函数层作为类分离对抗判别器
Figure FDA0003910767550000042
类分离对抗判别器
Figure FDA0003910767550000043
的结构参数设置为：40-20-M。
6.根据权利要求5所述的基于多源域类分离对抗网络的变工况机械故障诊断方法，其特征在于，所述步骤2.5具体为：
步骤2.5.1、设置初始学习率η0是10-3，迭代次数是200；
步骤2.5.2、将训练集输入特征提取器模块Gf获得深度特征F，进而依次分别输入故障分类器、多源域判别器Gd和类分离对抗判别器
Figure FDA0003910767550000044
获得深度特征F的故障预测概率P和预测故障类型
Figure FDA0003910767550000045
步骤2.5.3、根据步骤2.5.2获得的特征的预测概率P、步骤2.3获得的域预测标签di、步骤2.4获得的类分离域预测标签cdi，分别计算多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs；
所述多源域分类损失Ly的计算公式如下：
Figure FDA0003910767550000046
其中，k表示第k个源域，
Figure FDA0003910767550000047
是第k个源域的样本数量，K＝M-1；θf表示特征提取器Gf的网络权重参数；
所述多源域判别损失LD的计算公式如下：
Figure FDA0003910767550000051
其中，nt表示目标域属于训练集的样本数量，Ld表示多源域判别器Gd损失，Gf(xi)表示特征提取器Gf提取样本(xi)的深度特征，m表示训练集的总样本数，
Figure FDA0003910767550000052
表示深度特征F的梯度反转层；θd表示多源域判别器Gd的网络权重参数，θd T表示θd的转置；
所述类分离判别损失Lcs的计算公式如下：
Figure FDA0003910767550000053
其中，
Figure FDA0003910767550000054
是第c类类分离对抗判别器的交叉熵损失，
Figure FDA0003910767550000055
表示样本属于第c类的概率，
Figure FDA0003910767550000056
表示样本不属于c类的概率；
Figure FDA0003910767550000057
表示第c类类分离对抗判别器的网络权重参数；
步骤2.5.4、根据步骤2.5.3获得的多源域分类损失Ly、多源域判别损失LD和类分离判别损失Lcs，计算总损失函数L，计算方式如下：
Figure FDA0003910767550000058
其中，θf是特征提取器Gf的参数，θc是故障分类器的参数，α是故障分类器的分类损失和多源域对抗判别器与类分离对抗判别器的对抗损失之间的权衡参数，α＝1，θd是多源域判别器Gd的参数，
Figure FDA0003910767550000059
是类分离对抗判别器
Figure FDA00039107675500000510
的参数；
步骤2.5.5、采用Adam优化算法和自适应步长学习率η来最小化损失，依次迭代更新特征提取器Gf、故障分类器、多源域判别器Gd和类分离对抗判别器
Figure FDA00039107675500000511
的参数，直至最大迭代次数，即完成多源域类分离对抗网络的训练；
所述自适应步长学习率η的计算公式如下：
Figure FDA0003910767550000061
其中，epoch是模型最大迭代次数，z表示进行第z次迭代；
按照下式，更新特征提取器模块Gf、故障分类器、多源域判别器模块Gd和类分离对抗判别器模块
Figure FDA0003910767550000062
的参数：
Figure FDA0003910767550000063
Figure FDA0003910767550000064
Figure FDA0003910767550000065
Figure FDA0003910767550000066
其中，θd是多源域判别器Gd的参数，
Figure FDA0003910767550000067
表示求偏导。
CN202211321649.4A 2022-10-26 2022-10-26 基于多源域类分离对抗网络的变工况机械故障诊断方法 Pending CN115759352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211321649.4A CN115759352A (zh) 2022-10-26 2022-10-26 基于多源域类分离对抗网络的变工况机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211321649.4A CN115759352A (zh) 2022-10-26 2022-10-26 基于多源域类分离对抗网络的变工况机械故障诊断方法

Publications (1)

Publication Number Publication Date
CN115759352A true CN115759352A (zh) 2023-03-07

Family

ID=85353484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211321649.4A Pending CN115759352A (zh) 2022-10-26 2022-10-26 基于多源域类分离对抗网络的变工况机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN115759352A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756483A (zh) * 2023-05-08 2023-09-15 苏州大学 目标工况数据不可用下的机械故障诊断方法、装置及设备
CN117871101A (zh) * 2024-03-11 2024-04-12 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756483A (zh) * 2023-05-08 2023-09-15 苏州大学 目标工况数据不可用下的机械故障诊断方法、装置及设备
CN117871101A (zh) * 2024-03-11 2024-04-12 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统
CN117871101B (zh) * 2024-03-11 2024-05-10 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统

Similar Documents

Publication Publication Date Title
CN109710636B (zh) 一种基于深度迁移学习的无监督工业系统异常检测方法
CN115759352A (zh) 基于多源域类分离对抗网络的变工况机械故障诊断方法
CN108095716B (zh) 一种基于置信规则库和深度神经网络的心电信号检测方法
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
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
Li et al. WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking
CN109580215A (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
CN113988126B (zh) 一种基于少标签数据特征迁移的滚动轴承故障诊断方法
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
CN102520341A (zh) 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
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
CN114417913B (zh) 基于pc-tcn和迁移学习的轴承寿命预测方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
CN115456082A (zh) 一种应用于风机故障检测的迁移学习框架
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN115600136A (zh) 一种基于多传感器的高压套管故障诊断方法、系统及介质
CN115345255A (zh) 一种故障诊断方法、控制装置、终端及存储介质
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
CN116089812A (zh) 基于半监督对抗域泛化智能模型的故障诊断方法
Deng et al. Knowledge Distillation-Guided Cost-Sensitive Ensemble Learning Framework for Imbalanced Fault Diagnosis
Miron et al. Artificial neural network approach for fault recognition in a wastewater treatment process
Xu et al. Design of an expert system based on neural network ensembles for missile fault diagnosis
CN115600134A (zh) 基于域动态对抗自适应的轴承迁移学习故障诊断方法

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
CB03 Change of inventor or designer information

Inventor after: Kong Xianguang

Inventor after: Yang Shengkang

Inventor after: Wang Qibin

Inventor after: Xu Mingliang

Inventor after: Cui Yanpeng

Inventor after: Liu Ni

Inventor before: Kong Xianguang

Inventor before: Yang Shengkang

Inventor before: Wang Qibin

Inventor before: Xu Mingliang

Inventor before: Cui Yanpeng

Inventor before: Liu Ni

CB03 Change of inventor or designer information