一种基于适配共享深度残差网络的机械故障迁移诊断方法技术

一种基于适配共享深度残差网络的机械故障迁移诊断方法，首先获取实验室装备有标记监测数据集和工程装备监测数据集，利用堆叠的残差单元提取实验室装备与工程装备监测数据的迁移故障特征；通过全连接网络建立迁移故障特征与样本健康标记间的映射关系，计算迁移故障特征间的分布差异，预测样本标记的概率分布并生成工程装备监测数据样本的伪标记；然后利用实验室装备与工程装备监测数据集，通过最大最小化构建的目标函数训练ASResNet的待训练参数集，获得迁移诊断模型；输入工程装备监测数据，实现机械故障迁移诊断；本发明专利技术缩小了实验室装备与工程装备监测数据间的差异性，对于工程装备的故障诊断具有理想的效果。

A Mechanical Fault Migration Diagnosis Method Based on Adaptive Shared Deep Residual Network

A method of mechanical fault migration diagnosis based on adapted shared deep residual network is proposed. Firstly, labeled monitoring data sets and engineering equipment monitoring data sets are acquired, and migration fault characteristics of laboratory equipment and engineering equipment monitoring data are extracted by stacked residual units. Then migration fault is established through fully connected network. Mapping relationship between barrier features and sample health markers, calculating the distribution differences between migration fault features, predicting the probability distribution of sample markers and generating pseudo-markers of engineering equipment monitoring data samples; then training ASResNet by maximizing and minimizing the constructed objective function using laboratory equipment and engineering equipment monitoring data sets The method can reduce the difference between the monitoring data of laboratory equipment and engineering equipment, and has an ideal effect on the fault diagnosis of Engineering equipment.

【技术实现步骤摘要】
一种基于适配共享深度残差网络的机械故障迁移诊断方法
本专利技术属机械故障诊断
，具体涉及一种基于适配共享深度残差网络的机械故障迁移诊断方法。
技术介绍
大型机械装备逐渐朝着精密化、高效化、自动化的方向发展，由于大型机械装备往往是由许多关键零部件组成的，各零部件之间协调工作，一旦某个零部件发生故障，将会导致整个机械系统失效，其后果轻则影响生产制造的进程，重则危及相关人员的生命安全，因此需要研究机械装备的故障诊断技术，及早发现并处理故障，以保证装备的安全运行。传统的故障诊断方法过分依赖于诊断专家的经验与专业知识，难以满足海量监测数据的分析需求，而故障智能诊断通过提取监测数据的故障特征信息，利用智能算法对故障进行识别分类，能够实现故障的自动判断与智能决策，摆脱了传统故障诊断方法对诊断专家过分依赖的局面，成为机械大数据背景下保障机械装备安全运行的重要手段。目前针对故障智能诊断的相关研究，一般要求用于训练智能诊断模型的可用样本充足，然而这在工程实际中很难满足。一方面，机械装备长期工作在正常状况下，导致正常状况下获取的监测数据远多于故障状况下的监测数据量，因此，获得的典型故障样本不足；另一方面，机械装备在长期运行过程中获取的监测数据不含标记信息，而人工标记监测数据代价高昂，导致带标记的监测数据样本不足。综上，仅利用工程实际中获取的机械装备监测数据，难以训练获得对装备健康状态识别精度高的故障智能诊断模型。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于适配共享深度残差网络的机械故障迁移诊断方法，首先构建领域共享的深度残差网络，提取实验室装备与工程装备监测数据的迁移故障特征，然后在深度残差网络的训练过程中引入领域适配约束，形成迁移诊断模型，最终利用该模型实现机械装备的故障迁移诊断。为了达到上述目的，本专利技术的技术方案为：一种基于适配共享深度残差网络的机械故障迁移诊断方法，包括以下步骤：1)分别获取实验室装备的有标记监测数据集和工程装备的监测数据集其中分别为实验室装备监测数据集中的第i个样本及其对应的健康状况标记，为工程装备监测数据集中的第i个样本，n为最小批训练样本个数；2)利用适配共享深度残差网络(AdaptationSharingDeepResidualNetwork,ResNet,ASResNet)中堆叠的残差单元提取实验室装备、工程装备监测数据集中的第i个样本与的迁移故障特征；3)通过全连接网络建立提取的迁移故障特征与样本健康标记间的映射关系；4)计算迁移故障特征的分布差异；5)结合Softmax函数预测工程装备监测数据第i个样本其标记的概率分布表达式如下：式中，为输入工程装备监测数据集的第i个样本后ASResNet全连接层中间隐层输出的迁移故障特征；为工程装备监测数据集第i个样本的二值化伪标记；对于具有p类健康状态的工程装备监测数据集，根据该概率分布及如下公式，生成样本的伪标记式中，表示伪标记中的第j个元素；6)利用实验室装备与工程装备监测数据集训练ASResNet的待训练参数集θ，即最大最小化如下目标函数：式中，θ＝{θinp，θl，θF2，θF3}，θinp＝{kinp，binp}为输入层待训练参数集，binp为输入层的偏置矩阵，为第l级残差单元的待训练参数集，θF2＝{wF2，bF2}为全连接网络中间隐层的待训练参数集，θF3＝{wF3，bF3}为输出层的待训练参数集，wF2、wF3分别为全连接网络中间隐层的权值矩阵，bF2、bF3分别为输出层的偏置矩阵；目标函数第一项即最小化实验室装备监测数据带标记样本的交叉熵损失，第二项即最小化工程装备监测数据带伪标记样本的交叉熵损失；第三项即最大最小化实验室装备、工程装备监测数据的迁移故障特征间的MMD估计值；为实验室装备监测数据第i个输入样本对应的标记；为实验室装备监测数据第i个样本其标记的概率分布；若计算的函数值大于设定的阈值ε，则使用Adams优化算法反向地逐层更新待训练参数集θ，完成后返回步骤2)，重新执行步骤2)～步骤6)；否则保存待训练参数集θ，获得最终的迁移诊断模型；7)输入工程装备的监测数据集则ASResNet的模型输出即为样本预测的健康标记的概率分布，概率分布中元素最大值对应的健康标记就是预测的工程装备的健康状态。所述的步骤2)包括如下步骤：2.1)输入样本计算卷积核kinp与输入样本的卷积和，获得特征向量2.2)对特征向量进行最大池化，即将其无重叠分割为若干段并返回每段元素的最大值，获得的池化后特征记为2.3)利用堆叠多级残差单元提取池化后特征的深层表达；第l级残差单元的输出为：式中，σr(·)为ReLU激活函数；为第l级残差单元的输入，第l-1残差单元的输出；L为残差单元的级数；为第l级残差函数，表达式如下：式中，kl,1、kl,2表示第l级残差单元的卷积核，bl,1、bl,2表示第l级残差单元中的偏置矩阵。所述的步骤3)包括如下步骤：3.1)再次对步骤2)中获得的迁移故障特征进行最大池化，即将其无重叠分割为若干段并返回每段元素的最大值，获得的池化后特征记为3.2)利用平铺函数将池化后特征向量化为一维向量3.3)计算全连接网络中间隐层输出的迁移故障特征所述的步骤4包括如下步骤：4.1)构造U个核宽度不同的高斯核函数，并计算这U个高斯核函数的加权和，加权系数为式中，ku为高斯核函数，σ为核宽度；4.2)初始化并通过最大化如下构造函数求解一组最优值4.3)将最优值代入式(4)，获得多核植入的高斯核函数的输出；4.4)根据多核植入的高斯核函数构造再生核希尔伯特空间，并计算实验室装备与工程装备监测数据的迁移故障特征间的最大均值差异(MaximumMeanDiscrepancy,MMD)：式中，Fs、Ft分别为实验室装备与工程装备监测数据的迁移故障特征集合；ns、nt分别为实验室装备与工程装备监测数据集的样本个数；k(·,·)为公式(3)计算的多核植入的高斯核函数；分别为实验室装备与工程装备监测数据集第i个样本的迁移故障特征。本专利技术的有益效果为：由于工程装备因监测数据典型故障信息缺失、健康标记信息匮乏，难以训练获得泛化能力强的智能诊断模型，本专利技术将实验室装备的故障诊断知识应用于工程装备的故障诊断。首先构建一个领域共享的深度残差网络，提取实验室装备、工程装备监测数据的迁移故障特征，然后在深度残差网络的训练过程中施加领域适配正则项约束，形成基于适配共享深度残差网络的智能诊断模型，最终将该模型应用于工程装备的故障迁移诊断，并且达到了理想的效果。附图说明图1为本专利技术的流程图。图2为适配共享深度残差网络(ASResNet)结构示意图。具体实施方式下面结合附图对本专利技术做进一步详细描述。如图1所示，一种基于适配共享深度残差网络的机械故障迁移诊断方法，包括以下步骤：1)分别获取实验室装备的有标记监测数据集和工程装备的监测数据集其中分别为实验室装备监测数据集中的第i个样本及其对应的健康状况标记，为工程装备监测数据集中的第i个样本，n为最小批训练样本个数；2)如图2所示，利用适配共享深度残差网络(ASResNet)中堆叠的残差单元提取实验室装备、工程装备监测数据集中的第i个样本与的迁移故障特征，即依次执行如下步骤：2.1)输入样本计算卷本文档来自技高网...

【技术保护点】
1.一种基于适配共享深度残差网络的机械故障迁移诊断方法，其特征在于，包括以下步骤：1)分别获取实验室装备的有标记监测数据集

【技术特征摘要】
1.一种基于适配共享深度残差网络的机械故障迁移诊断方法，其特征在于，包括以下步骤：1)分别获取实验室装备的有标记监测数据集和工程装备的监测数据集其中分别为实验室装备监测数据集中的第i个样本及其对应的健康状况标记，为工程装备监测数据集中的第i个样本，n为最小批训练样本个数；2)利用适配共享深度残差网络(AdaptationSharingDeepResidualNetwork,ResNet,ASResNet)中堆叠的残差单元提取实验室装备、工程装备监测数据集中的第i个样本与的迁移故障特征；3)通过全连接网络建立提取的迁移故障特征与样本健康标记间的映射关系；4)计算迁移故障特征的分布差异；5)结合Softmax函数预测工程装备监测数据第i个样本其标记的概率分布表达式如下：式中，为输入工程装备监测数据集的第i个样本后ASResNet全连接层中间隐层输出的迁移故障特征；为工程装备监测数据集第i个样本的二值化伪标记；对于具有p类健康状态的工程装备监测数据集，根据该概率分布及如下公式，生成样本的伪标记式中，表示伪标记中的第j个元素；6)利用实验室装备与工程装备监测数据集训练ASResNet的待训练参数集θ，即最大最小化如下目标函数：式中，θ＝{θinp,θl,θF2,θF3}，θinp＝{kinp,binp}为输入层待训练参数集，binp为输入层的偏置矩阵，为第l级残差单元的待训练参数集，θF2＝{wF2,bF2}为全连接网络中间隐层的待训练参数集，θF3＝{wF3,bF3}为输出层的待训练参数集，wF2、wF3分别为全连接网络中间隐层的权值矩阵，bF2、bF3分别为输出层的偏置矩阵；目标函数第一项即最小化实验室装备监测数据带标记样本的交叉熵损失，第二项即最小化工程装备监测数据带伪标记样本的交叉熵损失；第三项即最大最小化实验室装备、工程装备监测数据的迁移故障特征间的MMD估计值；为实验室装备监测数据第i个输入样本对应的标记；为实验室装备监测数据第i个样本其标记的概率分布；若计算的函数值大于设定的阈值ε，则使用Adams优化算法反向地逐层更新待训练参数集θ，完成后返回步骤2)，重新执行步骤2)～步骤6)；否则保存待训练参数集θ，获得最终的迁移诊...

【专利技术属性】
技术研发人员：雷亚国，杜兆钧，杨彬，李乃鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61