CN117668623A - 船舶管道阀门泄漏多传感器跨域故障诊断方法 - Google Patents

Abstract

本发明涉及变工况阀门泄漏诊断技术领域，特别是一种船舶管道阀门泄漏多传感器跨域故障诊断方法。包括以下步骤：S1、构建数据集；S2、数据预处理：通过时频多重压缩变换将声发射时域信号数据转换为时频聚集型时频图像数据；S3、构建多传感器深度迁移学习模型，通过MK‑MMD最小化源域和目标域之间的最大平均偏差；S4、使用步骤S3中训练好的多传感器深度迁移学习模型，对管道阀门泄漏进行跨域故障诊断。其实现了用于变工况下的多传感器协同跨域故障诊断。

Description

船舶管道阀门泄漏多传感器跨域故障诊断方法

技术领域

本发明涉及变工况阀门泄漏诊断技术领域，特别是一种船舶管道阀门泄漏多传感器跨域故障诊断方法。

背景技术

船舶动力系统中广泛采用了流动介质进行传热传质，为了控制流动相的流通、压力和流量等，船舶内布置有大量的管道阀门，构成了一个复杂的管网系统，其中弯管和支管较多，空间布局复杂。船舶管道阀门通常工作在高温、高压和强腐蚀性的复杂环境中，随着腐蚀和磨损的增加，阀门会逐渐发生泄漏现象，泄漏包括内部泄漏和外部泄漏。阀门一旦发生泄漏，轻则改变运行工况、降低设备运行效率，严重泄漏甚至会造成人员伤亡和沉没事故。对阀门进行健康状态监测，可有效维护管网安全，避免资源浪费。

基于深度学习（DL）的智能故障诊断方法可以有效解决管道阀门泄漏相关信息的提取和分类问题，得到了学者们的广泛关注。然而，基于深度学习的泄漏故障诊断方法通常有两个默认假设：（1）拥有大量带有标签的故障样本用于模型训练；（2）训练样本和测试样本满足独立且同分布的条件。

然而，在工程实际中，管道阀门的运行压力在不同工作场景下会发生变化，且处于不同运行压力下，阀门泄漏声发射信号会产生明显的分布差异。因此，传统深度学习方法在管道阀门泄漏诊断中的良好表现归功于在不变的工作条件下对大量标记数据的监督学习，而在变工况下，利用未标记数据检测泄漏故障仍然是一个挑战。

声发射传感器往往布置在管壁外壁来拾取泄漏声发射信号，而阀门内漏发生在管道内部，且所处环境复杂，测量得到的声发射信号一般都包含较强的背景噪声，这导致分析单一传感器测得的信号难以得到全面的故障特征，影响故障识别的准确率。融合多个不同位置的传感器信息，可以获得额外的互补信息，达到更好的诊断效果。随着船舶管道系统复杂性的不断提高，多传感器协同监测技术越来越多地被用于对复杂系统进行综合测量和检测。但目前大多数多传感器故障监测方法不能实现跨域诊断，限制智能故障诊断方法在实际工程中的应用。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提出了一种船舶管道阀门泄漏多传感器跨域故障诊断方法，其实现了用于变工况下的多传感器协同跨域故障诊断。

本发明的技术方案是：一种船舶管道阀门泄漏多传感器跨域故障诊断方法，其中，包括以下步骤：

S1、构建数据集；

S2、数据预处理：通过时频多重压缩变换将声发射时域信号数据转换为时频聚集型时频图像数据；

S3、构建多传感器深度迁移学习模型，通过MK-MMD最小化源域和目标域之间的最大平均偏差；

S4、使用步骤S3中训练好的多传感器深度迁移学习模型，对管道阀门泄漏进行跨域故障诊断。

本发明中，步骤S1中，搭建阀门泄漏模拟实验台，获取管道阀门不同运行压力下的声发射信号数据，选定某特定压力的数据为源域，其他压力下的数据为目标域；源域数据带标签，目标域数据不带标签。

步骤S2中，源域数据转换得到的时频图像数据全部为训练数据；

目标域数据转换得到的时频图像数据划分为训练数据和测试数据。

步骤S2具体包括以下步骤：

S2.1、利用重新分配法将时频计算点 的能量定位到能量中心点；

S2.2、得到用于与对角斜率进行比较的信号调频率估计器。

上述步骤S2.1中，

对于给定信号,其短时傅里叶变换（STFT）表示为:

， (1)

其中，为短时傅里叶变换结果，表示在时间t和频率处的复数值，为 时域信号，是沿时间方向滑动的归一化窗口，表示积分的时间变量；

构建重新分配算子：

， (2)

， (3)

其中，为偏导数符号；

利用重新分配法将时频计算点 的能量重新定位到能量中心点：

， (4)

其中，表示狄拉克三角算子，表示重新分配后的时间值，表示重新分配后 的频率值；

设复杂谐波模式信号为，复杂脉冲模式信号为：

， (5)

， (6)

其中，i为虚数单位，表示时间变量，表示频率变量，和表示瞬时幅 度（IA），和表示瞬时相位，；

选择如下高斯窗：

， (7)

其中，是高斯窗的标准差，用于控制窗口宽度；

计算时频域窗口中的二阶中心距：

， (8)

， (9)

得到STFT的时频窗的长为、时频窗的宽为，TF窗口的对角斜率 为：

， (10)

通过对角斜率边界将TF窗口分为适合于描述复杂谐波信号模型的区域和 适合于描述复杂脉冲信号模型的区域；

当时频窗选择的中频斜率小于时，信号帧局部近似为；反之，所选信号帧 局部近似为。

上述步骤S2.2中，

根据公式（2）、（3）和（5），计算得到的瞬时频率估计：

， (11)

其中，是使用窗函数的STFT；

计算的群延迟估计：

， (12)

定义瞬时频率的调频率估计量为：

， (14)

通过比较局部调频率与对角斜率，STFT系数分为两部分：

， (15)

其中，表示频率方向上的短时傅里叶变换结果， 表示时间方向上 的短时傅里叶变换结果；

TFMST的结果为两个压缩操作的和，即：

，(16)

其中，和分别为对谐波分量和对脉冲分量的单向挤压技术。

所述多传感器深度迁移学习模型包括源域部分和目标域部分，源域部分的模型结构与目标域部分的模型结构相同，源域部分的全连接层与对应的目标域部分的全连接层之间通过MK-MMD进行特征分布差异的定量计算；

模型在源域数据上的训练采用监督学习模式，计算该模型对源域数据的预测类别与实际类别之间的分类损失；

将源域和目标域的特征分布差异值与源域分类损失相加，作为多传感器深度迁移学习模型在源域和目标域上的总损失函数，并进行优化；总的损失函数为：

， (18)

其中，L表示分类损失；D表示特征分布差异值；B为每个批次的图片数量；Y为源域 样本真实标签；为模型预测标签；表示源域样本； 为神经网络中所有可学习 参数的集合，包括权重和偏置； 为目标域样本；为进行特征分布匹配的起始参数层索 引值；为进行特征分布匹配的终止参数层索引值；为特征分布差异占总损失函数的比 例因子；

， (19)

其中，为迭代次数索引，Inter为设置的总迭代次数，为调整变化速率 的参数，。

源域部分的输入层有两个通道，用来处理来自不同源域部分传感器的数据，且各通道分别通过不同的源域部分支路与源域部分融合层连接，每个源域部分支路上均设有卷积神经网络特征提取器，两个源域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

源域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个源域部分传感器的一维特征向量在源域部分融合层进行连接，后依次接入三个源域部分全连接层；

目标域部分的输入层有两个通道，用来处理来自不同目标域部分传感器的数据，且各通道分别通过不同的目标域部分支路与目标域部分融合层连接，每个目标域部分支路上均设有卷积神经网络特征提取器，两个目标域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

目标域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个目标域部分传感器的一维特征向量在目标域部分融合层进行连接，后依次接入三个目标域部分全连接层；

将源域部分第一全连接层与对应的目标域第一全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第一特征分布差异值；将源域部分第二全连接层与对应的目标域第二全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第二特征分布差异值；将源域部分第三全连接层与对应的目标域第三全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第三特征分布差异值；

将第一特征分布差异值、第二特征分布差异值、第三特征分布差异值累加，得到该模型在源域和目标域的特征分布差异值。

步骤S4中，

诊断过程中，将两个声发射传感器置于阀门两侧，采集变工况下的阀门泄漏声发射信号，将采集到的信号通过步骤S2中的时频多重压缩变换转换为时频聚集型时频图像数据，作为待诊断数据；

使用步骤S3中训练得到的多传感器深度迁移学习模型，对待诊断数据进行识别，判断阀门故障。

本发明的有益效果是：

（1）针对船舶管道系统所处环境复杂多变导致单个传感器监测困难，以及大多数多传感器故障监测方法不能实现跨域诊断的问题，提出了一种面向船舶管道系统阀门泄漏监测的多传感器深度迁移学习故障诊断框架，完成了多传感器跨域阀门泄漏监测任务；

（2）针对管道阀门泄漏声发射信号具有强烈的非平稳性的问题，使用时频多重压缩变换(TFMST)时频分析技术为声发射信号生成能量集中的时频表示，通过精确描述信号中的谐波和脉冲成分，为深度迁移学习模型提供清晰的时频域特征；

（3）建立了以卷积神经网络为特征提取器的多传感器深度迁移学习模型，采用领域自适应方法来最小化源域和目标域之间的最大平均偏差，显著提高了故障诊断方法对噪声和工况变化的鲁棒性。

附图说明

图1是本发明所述方法的原理流程图；

图2是短时傅里叶变换得到的时频图像；

图3是时频多重压缩变换得到的时频图像；

图4是多传感器深度迁移学习模型的结构示意图；

图5是卷积神经网络特征提取器的结构示意图；

图6是在线监测场景示意图。

图中：1第一声发射传感器；2第二声发射传感器；3阀门；4管道；5前置放大器。

具体实施方式

为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

本发明公开了一种船舶管道阀门泄漏多传感器跨域故障诊断方法，该方法包括以下具体步骤。

第一步，构建数据集。

搭建阀门泄漏模拟实验台，获取管道阀门不同运行压力下的声发射信号数据，选定0.5MPa工况下的数据为源域，其他压力下的数据为目标域。其中源域数据带标签，目标域数据不带标签。

第二步，数据预处理。

通过时频多重压缩变换（TFMST）将声发射时域信号数据转换为时频聚集型时频图像数据，并将转换后的时频图像数据划分为训练数据和测试数据。

本申请中，源域中转换得到的时频图像数据全部为训练数据。目标域中转换得到的时频图像数据划分为训练数据和测试数据。本实施例中，训练数据占比80%，测试数据占比20%。

对于给定信号,它的短时傅里叶变换（STFT）可表示为:

， (1)

其中，为短时傅里叶变换结果，表示在时间t和频率处的复数值，为 时域信号，是沿时间方向滑动的归一化窗口，表示积分的时间变量。

构建重新分配算子：

， (2)

， (3)

其中，为偏导数符号。

重新分配法可以有效地将时频计算点 的能量重新定位到能量中心点, 具体操作如下：

， (4)

其中，表示狄拉克三角算子，表示重新分配后的时间值，表示重新分配后 的频率值。

然而，提取短时傅里叶变换的幅值谱并在时频两个方向上重新分配会导致重新分配法失去恢复原始信号的能力。同时，仅使用单向压缩技术或其高阶形式难以全面的考虑信号中的所有模式，因此，需要制定一个分类标准以获得准确的调频率估计。

设复杂谐波模式信号为，复杂脉冲模式信号为：

， (5)

， (6)

其中，i为虚数单位，表示时间变量，表示频率变量，和表示瞬时幅 度（IA），和表示瞬时相位，。

瞬时频率和群延时的斜率是影响信号分类的主要因素。为了便于观察，选择如下高斯窗：

， (7)

其中，是高斯窗的标准差，用于控制窗口宽度。

计算时频域窗口中的二阶中心距：

， (8)

， (9)

得到STFT的时频窗的长为、时频窗的宽为。TF窗口的对角斜率 被定义为：

， (10)

通过对角斜率边界，可以将TF窗口分为两类：适合于描述复杂谐波信号模型 的区域和适合于描述复杂脉冲信号模型的区域。当时频窗选择的中频斜率小于时， 信号帧可以局部近似为，并考虑了频率压缩策略。反之，所选信号帧可以局部近似为，并考虑时间压缩策略。

接下来，计算用于与对角斜率进行比较的信号调频率估计器。根据公式（2）、（3） 和（5），可以计算得到的瞬时频率估计：

， (11)

其中，是使用窗函数的STFT。

计算的群延迟估计：

， (12)

定义瞬时频率的调频率估计量为：

， (14)

通过比较局部调频率与对角斜率，STFT系数可以分为两部分：

， (15)

其中，表示频率方向上的短时傅里叶变换结果， 表示时间方向上 的短时傅里叶变换结果。

因此，TFMST的结果为两个压缩操作的和，即：

，(16)

其中，和分别为对谐波分量和对脉冲分量的单向挤压技术。

分别使用STFT和TFMST对管道阀门泄漏声发射信号进行时频域表示，结果如图2和图3所示， TFMST时频分析方法生成了能量更加集中的时频表示，清晰的描述出了信号中的谐波和类脉冲成分，这将为深度迁移学习模型提供更好的时频域特征。

第三步，构建以卷积神经网络为特征提取器的多传感器深度迁移学习模型，通过MK-MMD最小化源域和目标域之间的最大平均偏差。

特征分布的差异将导致传统的基于数据驱动的故障诊断模型失效，因此本申请通过域自适应方法拉近源域和目标域的数据分布。其基本思想是，对于任务相同但在特征空间中分布不一致的源域和目标域，域自适应通过求解一个最优的投影矩阵，将两域数据投影到新的特征空间中，将不同的数据分布的距离拉近。而如何对源域和目标域样本在特征空间中的分布距离进行衡量，成为计算最优特征投影矩阵的关键，本申请使用多核最大均值差异(MK-MMD)来度量源域和目标域样本之间的分布距离。

多传感器深度迁移学习模型如图4所示，包括源域部分和目标域部分。源域部分的模型结构与目标域部分的模型结构相同，且源域部分的全连接层和对应的目标域部分的全连接层之间通过MK-MMD进行特征分布差异的定量计算。因此本实施例中，对源域部分的模型结构进行详细的介绍。

源域部分的输入层有两个通道，用来处理来自不同源域部分传感器的数据，且两通道分别通过不同的源域部分支路与源域部分融合层连接。每个源域部分支路上分别设有卷积神经网络特征提取器。如图5所示，卷积神经网络特征提取器包括三个“卷积层-池化层”组合，两个源域部分支路的卷积神经网络特征提取器具有相同的卷积核参数。

源域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，并使用组归一化提升训练和收敛速度。其主要思想是通过多个独立通道提取不同传感器的耦合特征来增强分类效果。由于多通道输入在形式相同的学习框架下同时训练，并且在训练过程中可以联合优化不同通道的参数，因此，多传感器深度迁移学习模型具有更好的性能。

假设第层为卷积层，第层为池化层或输入层，则：

， (17)

其中：为第层输出的n个特征图，为第层输出的m个特征图，为卷 积核，b为偏置项，表示卷积操作，为激活函数，本申请使用ReLU作为激活函数。

池化层设计在卷积层之后，以便通过从卷积层提取的特征图中收集有效信息来控制过拟合，同时增加网络的鲁棒性，并减少下一层的输入大小和网络参数，本申请使用最大池化层来进行池化操作。

经过多层卷积和池化，特征图最终在压平层被展开为一维特征向量。来自多个源域部分传感器的一维特征向量在源域部分融合层进行连接，后依次接入三个源域部分全连接层。

本实施例中，三个源域部分全连接层包括源域部分第一全连接层、源域部分第二全连接层、源域部分第三全连接层。

在最后一个源域部分全连接层即本实施例中的源域部分第三全连接层对输入图像进行故障分类，其神经元数量对应于分类任务的类别，本申请所述模型的分类结果有三种，分别为阀门内漏、阀门外漏和无泄漏。SoftMax函数用于将全连接层的向量转换为概率分布形式，得到预测结果。最后，计算源域样本真实标签与预测结果之间的分类损失。

目标域部分的模型结构与源域部分的模型结构相同。目标域部分的模型结构中也包括两个目标域传感器输入通道，通过目标域部分支路的三个“卷积层-池化层”组合分别从目标域的TFMST时频图像中进行特征知识的学习。目标域部分的模型结构也设有三个目标域全连接层，目标域全连接层与源域全连接层之间呈一一对应的关系。本实施例中的三个目标域全连接层包括目标域第一全连接层、目标域第二全连接层和目标域第三全连接层。

将每个源域全连接层与其对应的目标域全连接层所学习到的不同的深层诊断知识，分别使用MK-MMD进行特征分布差异的定量计算，然后累加得到模型在源域和目标域的特征分布差异值。

本实施例中，将源域第一全连接层与目标域第一全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第一特征分布差异值；将源域第二全连接层与目标域第二全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第二特征分布差异值；将源域第三全连接层与目标域第三全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第三特征分布差异值。将第一特征分布差异值、第二特征分布差异值、第三特征分布差异值累加，得到该模型在源域和目标域的特征分布差异值。

由于源域中有充足的带标签数据，因此对模型在源域数据上的训练采用监督学习模式，计算该模型对源域数据的预测类别与实际类别之间的分类损失。将源域和目标域的特征分布差异值与源域分类损失相加，作为多传感器深度迁移学习模型在源域和目标域上的总损失函数，并进行优化。总的损失函数为：

， (18)

其中，L表示分类损失；D表示特征分布差异值；B为每个批次的图片数量；Y为源域 样本真实标签；为模型预测标签；表示源域样本； 为神经网络中所有可学习 参数的集合，包括权重和偏置； 为目标域样本；为进行特征分布匹配的起始参数层索 引值；为进行特征分布匹配的终止参数层索引值；为特征分布差异占总损失函数的比 例因子。

， (19)

其中，为迭代次数索引，Inter为设置的总迭代次数，为调整变化速率 的参数，。

第四步，使用第三步中训练好的多传感器深度迁移学习模型，对管道阀门泄漏进行跨域故障诊断。

如图6所示，诊断过程中，高压气体进入管道4内，将第一声发射传感器1和第二声发射传感器2置于阀门3的两侧，采集变工况下的阀门泄漏声发射信号，两声发射传感器采集到的信号经过前置放大器5放大后输入声发射采集仪内。

将采集到的信号通过第二步中的时频多重压缩变换转换为时频聚集型时频图像作为待诊断数据。使用第三步中训练得到的多传感器深度迁移学习模型对待诊断数据进行识别，最终判断阀门故障。

实施例1

将采集到的声发射信号数据划分成A、B、C三个数据集，如表1所示。对不同压力工况、不同泄漏流量下采集到的信号切片，每个时域信号包含1000个采样点（400微秒），通过TFMST将时域信号转换为时频聚集的时频图像，每种压力工况下数据集容量相同，均为1000张10L/min内漏故障时频图像，1000张20L/min内漏故障时频图像，1000张10L/min外漏故障时频图像，1000张20L/min外漏故障时频图像，以及1000张无泄漏情况时频图像，每种故障类型均包含sensor1和sensor2两个传感器的数据，其中80%的数据作为训练集，20%的数据作为测试集。在模型训练之前，随机排列训练集的样本顺序，以减少模型方差并缓解模型过拟合。

A、B、C三个数据集分别对应0.3MPa、0.5MPa、0.7MPa三个压力工况，以这三种变压力数据为基础，设置以下六种迁移任务A→B、A→C、B→A、B→C、C→A和C→B，以A→C为例，“A”和“C”分别表示带标签的源域和不带标签的目标域。本申请中，训练集包括源域和目标域样本，而测试集只包括目标域样本。每种压力工况包括三种标签类别，分别为阀门内漏、阀门外漏以及无泄漏，其中阀门内漏和阀门外漏包含10L/min和20L/min两种泄漏流量。

表1变工况数据集

；

对比分析了应用深度迁移学习方法前后，所提模型应对六种迁移任务时的表现，每种方法在每个迁移任务中实验10次，使用准确率的平均值来评估各种方法的最终性能，实验结果如表2所示。可见对于变工况场景，多传感器深度迁移学习故障诊断模型具有明显优势。

表2 不同方法的平均精度（%）

迁移任务	常规卷积神经网络	本文所述模型（未引入MK-MMD）	本文所提模型
				A→B	59.86%	66.24%	99.25%
A→C	43.27%	54.43%	96.63%
				B→A	58.32%	65.78%	99.36%
B→C	56.64%	63.56%	98.94%
				C→A	42.45%	53.86%	95.93%
C→B	55.97%	64.72%	98.32%
				AVG	56.09%	63.10%	98.07%

。

以上对本发明所提供的船舶管道阀门泄漏多传感器跨域故障诊断方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，包括以下步骤：

S1、构建数据集；

S2、数据预处理：通过时频多重压缩变换将声发射时域信号数据转换为时频聚集型时频图像数据；

S3、构建多传感器深度迁移学习模型，通过MK-MMD最小化源域和目标域之间的最大平均偏差；

S4、使用步骤S3中训练好的多传感器深度迁移学习模型，对管道阀门泄漏进行跨域故障诊断。

2.根据权利要求1所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，

步骤S1中，搭建阀门泄漏模拟实验台，获取管道阀门不同运行压力下的声发射信号数据，选定某特定压力的数据为源域，其他压力下的数据为目标域；源域数据带标签，目标域数据不带标签。

3.根据权利要求1所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，

步骤S2中，源域数据转换得到的时频图像数据全部为训练数据；

目标域数据转换得到的时频图像数据划分为训练数据和测试数据。

4.根据权利要求1所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，步骤S2具体包括以下步骤：

S2.1、利用重新分配法将时频计算点 的能量定位到能量中心点；

S2.2、得到用于与对角斜率进行比较的信号调频率估计器。

5.根据权利要求4所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，步骤S2.1中，

对于给定信号 ,其短时傅里叶变换（STFT）表示为:

， (1)

其中，为短时傅里叶变换结果，表示在时间t和频率/>处的复数值，/>为时域信号，/>是沿时间方向滑动的归一化窗口，/>表示积分的时间变量；

构建重新分配算子：

， (2)

， (3)

其中，为偏导数符号；

利用重新分配法将时频计算点 的能量重新定位到能量中心点/>：

， (4)

其中，表示狄拉克三角算子，/>表示重新分配后的时间值，/>表示重新分配后的频率值；

设复杂谐波模式信号为，复杂脉冲模式信号为/>：

， (5)

， (6)

其中，i为虚数单位，表示时间变量，/>表示频率变量，/>和/>表示瞬时幅度（IA），/>和/>表示瞬时相位，/>；

选择如下高斯窗：

， (7)

其中，是高斯窗的标准差，用于控制窗口宽度；

计算时频域窗口中的二阶中心距：

， (8)

， (9)

得到STFT的时频窗的长为、时频窗的宽为/>，TF窗口的对角斜率/>为：

， (10)

通过对角斜率边界将TF窗口分为适合于描述复杂谐波信号模型的区域和适合于描述复杂脉冲信号模型/>的区域；

当时频窗选择的中频斜率小于时，信号帧局部近似为/>；反之，所选信号帧局部近似为/>。

6.根据权利要求4所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，步骤S2.2中，

根据公式（2）、（3）和（5），计算得到的瞬时频率估计：

， (11)

其中，是使用窗函数/>的STFT；

计算的群延迟估计/>：

， (12)

定义瞬时频率的调频率估计量为：

， (14)

通过比较局部调频率与对角斜率，STFT系数分为两部分：

， (15)

其中，表示频率方向上的短时傅里叶变换结果， />表示时间方向上的短时傅里叶变换结果；

TFMST的结果为两个压缩操作的和，即：

， (16)

其中，和/>分别为对谐波分量和对脉冲分量的单向挤压技术。

7.根据权利要求1所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，

所述多传感器深度迁移学习模型包括源域部分和目标域部分，源域部分的模型结构与目标域部分的模型结构相同，源域部分的全连接层与对应的目标域部分的全连接层之间通过MK-MMD进行特征分布差异的定量计算；

模型在源域数据上的训练采用监督学习模式，计算该模型对源域数据的预测类别与实际类别之间的分类损失；

将源域和目标域的特征分布差异值与源域分类损失相加，作为多传感器深度迁移学习模型在源域和目标域上的总损失函数，并进行优化；总的损失函数为：

， (18)

其中，L表示分类损失；D表示特征分布差异值；B为每个批次的图片数量；Y为源域样本真实标签；为模型预测标签；/>表示源域样本； />为神经网络中所有可学习参数的集合，包括权重和偏置； />为目标域样本；/>为进行特征分布匹配的起始参数层索引值；/>为进行特征分布匹配的终止参数层索引值；/>为特征分布差异占总损失函数的比例因子；

， (19)

其中，为迭代次数索引，Inter为设置的总迭代次数，/>为调整/>变化速率的参数，/>。

8.根据权利要求7所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，

源域部分的输入层有两个通道，用来处理来自不同源域部分传感器的数据，且各通道分别通过不同的源域部分支路与源域部分融合层连接，每个源域部分支路上均设有卷积神经网络特征提取器，两个源域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

源域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个源域部分传感器的一维特征向量在源域部分融合层进行连接，后依次接入三个源域部分全连接层；

目标域部分的输入层有两个通道，用来处理来自不同目标域部分传感器的数据，且各通道分别通过不同的目标域部分支路与目标域部分融合层连接，每个目标域部分支路上均设有卷积神经网络特征提取器，两个目标域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

目标域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个目标域部分传感器的一维特征向量在目标域部分融合层进行连接，后依次接入三个目标域部分全连接层；

将源域部分第一全连接层与对应的目标域第一全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第一特征分布差异值；将源域部分第二全连接层与对应的目标域第二全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第二特征分布差异值；将源域部分第三全连接层与对应的目标域第三全连接层分别学习到的深层诊断知识，使用MK-MMD进行特征分布差异的定量计算，得到第三特征分布差异值；

将第一特征分布差异值、第二特征分布差异值、第三特征分布差异值累加，得到该模型在源域和目标域的特征分布差异值。

9.根据权利要求1所述的船舶管道阀门泄漏多传感器跨域故障诊断方法，其特征在于，步骤S4中，

诊断过程中，将两个声发射传感器置于阀门两侧，采集变工况下的阀门泄漏声发射信号，将采集到的信号通过步骤S2中的时频多重压缩变换转换为时频聚集型时频图像数据，作为待诊断数据；

使用步骤S3中训练得到的多传感器深度迁移学习模型，对待诊断数据进行识别，判断阀门故障。