基于深度卷积域对抗迁移学习的故障诊断方法技术

本发明专利技术公开了基于深度卷积域对抗迁移学习的故障诊断方法，在DCDATL中，利用深度卷积残差特征提取器进行高层特征提取，改善了DCDATL的收敛性和非线性逼近能力；通过获得的高层特征和标签信息的克罗内克积获得特征联合分布表示并嵌入域分类器中，并进行域对抗训练改进了DCDATL的迁移性能；基于最小化DCDATL的联合分布域对抗总体损失函数的特征迁移和分类过程提高了迁移后的分类精度。DCDATL的以上优势使得基于DCDATL的故障诊断方法在旋转机械当前工况下的有标签样本不存在情况下，可利用历史工况下的有标签样本对旋转机械当前待测样本进行高精度故障诊断。

Fault diagnosis method based on deep convolution domain against migration learning

【技术实现步骤摘要】
基于深度卷积域对抗迁移学习的故障诊断方法
本专利技术属于旋转机械故障诊断方法
，具体涉及基于深度卷积域对抗迁移学习的故障诊断方法。
技术介绍
旋转机械设备广泛应用在冶金、航空、交通、化工和能源等行业，其机械结构正在趋向大型化、重型化、精密化和高速化等方向地发展。对它进行状态监测和故障诊断是保证现代化工业设备长期安全可靠运行的重要手段。由于在整个服役的过程中，旋转机械常常工作在变工况工业环境下，故障发生概率高，易损坏。在变工况(如：不同转速、不同负载)环境下，存在难以直接监测当前实际工作状况下的状态数据的问题，这导致旋转机械在当前实际工况下的已知故障类型的样本数据(即目标域有标签样本数据)因很难获得而较少；另外，变工况条件又使得以往工况条件下获得的历史训练故障数据(即辅助域有标签样本数据)与目标域数据的分布特性产生差异、漂移。虽然近年来对在变工况条件下的旋转机械故障诊断的研究受到一定的关注，但不少研究学者和研究机构试图采用支持向量机(SupportVectorMachine，SVM)、最近邻分类器(Nearestneighborclassifier,NNC)、自动编码器(Automaticencoder,AE)等传统机器学习方法来解决该问题。然而，这类方法在训练和测试样本存在分布差异的情况下，所建立的分类模型泛化能力较差，因此并不适用于在变工况条件下的故障诊断。近几年发展起来的迁移学习理论为在变工况条件下的旋转机械故障诊断提供了全新解决思路。迁移学习无需像传统机器学习那样要求训练样本与测试样本作同分布假设，其主要思想是从现有辅助域中学到知识，再将这些知识迁移到目标域，以完成目标域的分类。目前面向旋转机械故障诊断的迁移学习研究刚刚起步，仅有为数不多的几项研究案例。如：沈飞等采用基于自相关矩阵SVD的特征提取方法与迁移学习相结合用于电机轴承的故障诊断；陈超等采用一种具有迁移学习能力的改进最小二乘支持向量机(supportvectormachine，SVM)用于球形轴承故障诊断；康守强等采用了迁移成分分析(Transfercomponentanalysis,TCA)用于变工况下滚动轴承故障诊断。但上述几种迁移学习方法要求辅助域与目标域样本具有较高的相似度，若辅助域与目标域样本的相似性较低，则其分类准确率就会衰退，出现“负迁移”问题。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于深度卷积域对抗迁移学习的故障诊断方法解决了现有的旋转机械故障诊断方法中获取旋转机械的带有大量有标签样本(即已知故障类型的样本)较为困难，以致当前工况下的有标签样本较少，造成对当前待测样本的故障诊断准确率较低的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：基于深度卷积域对抗迁移学习的故障诊断方法，包括以下步骤：S1、对辅助域和目标域的每个旋转机械样本分别进行分段预处理，得到对应的预处理结果；S2、将两个预处理结果作为输入样本分别输入到深度卷积域对抗迁移学习模型中，获得深度卷积域对抗迁移学习模型中的域分类器的域对抗损失函数和标签预测器的联合损失函数；S3、基于域分类器的域对抗损失函数和标签预测器的联合损失函数，计算深度卷积域对抗迁移学习模型的联合分布域对抗总体损失函数，并对深度卷积域对抗迁移学习模型进行训练；S4、将目标域中的旋转机械待测样本输入到训练好的深度卷积域对抗迁移学习模型中，对旋转机械待测样本类标签进行预测，实现旋转机械故障诊断。进一步地，所述步骤S1中的分段预处理为对每个旋转机械样本依次进行归一化和数组重构处理。进一步地，所述步骤S2中的深度卷积域对抗学习模型包括深度卷积残差特征提取器、标签预测器和域分类器；所述深度卷积残差特征提取器分别与标签预测器和域分类器连接，所述标签预测器与域分类器连接；所述深度卷积残差特征提取器包括第一特征提取单元和第二特征提取单元，所述第一特征提取单元包括依次连接的第一卷积层、第一残差层、第一平均池化层和第一全连接层，所述第二特征提取单元包括依次连接的第二卷积层、第二残差层、第二平均池化层和第二全连接层；所述第一残差层和第二残差层均包括若干个堆叠连接的残差块，每个所述残差块包括依次连接的第一权重层、第一relu激活函数、第二权重层、累加器和第二relu激活函数，所述第一权重层的输入端还与累加器的输入端连接，所述第二relu激活函数的输出端与下一残差块的输入端、第一平均池化层的输入端或第二平均池化层的输入端连接；所述标签预测器包括第一标签预测单元和第二标签预测单元，所述第一标签预测单元和第二标签预测单元中的各参数共享，所述第一标签预测单元包括依次连接的第三全连接层、第四全连接层和第一softmax激活函数；所述第二标签预测单元包括依次连接的第五全连接层、第六全连接层和第二softmax激活函数；所述域分类器包括梯度反转层，所述梯度反转层的第一输出端、第七全连接层、第八全连接层和第一sigmoid激活函数依次连接，所述梯度反转层的第二输出端、第九全连接层、第十全连接层和第二sigmoid激活函数依次连接；所述第一全连接层的输出端分别与第三全连接层的输入端、第一softmax激活函数的输出端和梯度反转层的第一输入端连接，所述第二全连接层的输出端分别与第五全连接层的输入端和梯度反转层的第二输入端连接。进一步地，所述步骤S2具体为：S21、通过深度卷积残差特征提取器提取预处理后的辅助域旋转机械样本对应的辅助域样本高层特征和目标域旋转机械样本对应的目标域样本高层特征，并将其输入到标签预测器；S22、根据输入到标签预测器的辅助域样本高层特征，对标签预测器进行训练；S23、通过训练好的标签预测器对输入的目标域样本高层特征进行处理，获得目标域样本伪标签和标签预测器的联合损失函数；S24、计算辅助域样本高层特征与其标签的克罗内克积和目标域样本高层特征与其对应的伪标签的克罗内克积，获得特征联合分布表示，并将其输入到域分类器中；S25、基于输入到域分类器中的特征联合分布表示，对域分类器进行域对抗训练，获得域分类器的域对抗损失函数。进一步地，所述步骤S21具体为：A1、设置输入到深度卷积残差特征提取器的辅助域旋转机械样本为目标域旋转机械样本为经第一卷积层和第二卷积层后的输出分别为xs(l)和xl(l)，将其分别作为第一残差层和第二残差层的输入；A2、设置第一残差层中残差块的数量为L，则第一残差层的输出xs(L+1)为：式中，F(·)为残差函数；W(i)分别为第一残差层中第i个残差块的权重，且i＝l,l＝1,2,3,...L，l为残差块的编号；A3、通过第一平均池化层和第一全连接层依次对第一残差层的输出进行平均池化和全连接处理，得到第一全连接层输出的辅助域样本高层特征fs为：式中，Gf(·)为深度卷积残差特征提取器的总映射函数；θf为深度卷积残差特征提取器的权重参数和偏置系数的集合；A本文档来自技高网...

【技术保护点】
1.基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，包括以下步骤：/nS1、对辅助域和目标域的每个旋转机械样本分别进行分段预处理，得到对应的预处理结果；/nS2、将两个预处理结果作为输入样本分别输入到深度卷积域对抗迁移学习模型中，获得深度卷积域对抗迁移学习模型中的域分类器的域对抗损失函数和标签预测器的联合损失函数；/nS3、基于域分类器的域对抗损失函数和标签预测器的联合损失函数，计算深度卷积域对抗迁移学习模型的联合分布域对抗总体损失函数，并对深度卷积域对抗迁移学习模型进行训练；/nS4、将目标域中的旋转机械待测样本输入到训练好的深度卷积域对抗迁移学习模型中，对旋转机械待测样本类标签进行预测，实现旋转机械故障诊断。/n

【技术特征摘要】
1.基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，包括以下步骤：
S1、对辅助域和目标域的每个旋转机械样本分别进行分段预处理，得到对应的预处理结果；
S2、将两个预处理结果作为输入样本分别输入到深度卷积域对抗迁移学习模型中，获得深度卷积域对抗迁移学习模型中的域分类器的域对抗损失函数和标签预测器的联合损失函数；
S3、基于域分类器的域对抗损失函数和标签预测器的联合损失函数，计算深度卷积域对抗迁移学习模型的联合分布域对抗总体损失函数，并对深度卷积域对抗迁移学习模型进行训练；
S4、将目标域中的旋转机械待测样本输入到训练好的深度卷积域对抗迁移学习模型中，对旋转机械待测样本类标签进行预测，实现旋转机械故障诊断。


2.根据权利要求1所述的基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，所述步骤S1中的分段预处理为对每个旋转机械样本依次进行归一化和数组重构处理。


3.根据权利要求1所述的基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，所述步骤S2中的深度卷积域对抗学习模型包括深度卷积残差特征提取器、标签预测器和域分类器；
所述深度卷积残差特征提取器分别与标签预测器和域分类器连接，所述标签预测器与域分类器连接；
所述深度卷积残差特征提取器包括第一特征提取单元和第二特征提取单元，所述第一特征提取单元包括依次连接的第一卷积层、第一残差层、第一平均池化层和第一全连接层，所述第二特征提取单元包括依次连接的第二卷积层、第二残差层、第二平均池化层和第二全连接层；
所述第一残差层和第二残差层均包括若干个堆叠连接的残差块，每个所述残差块包括依次连接的第一权重层、第一relu激活函数、第二权重层、累加器和第二relu激活函数，所述第一权重层的输入端还与累加器的输入端连接，所述第二relu激活函数的输出端与下一残差块的输入端、第一平均池化层的输入端或第二平均池化层的输入端连接；
所述标签预测器包括第一标签预测单元和第二标签预测单元，所述第一标签预测单元和第二标签预测单元中的各参数共享，所述第一标签预测单元包括依次连接的第三全连接层、第四全连接层和第一softmax激活函数；所述第二标签预测单元包括依次连接的第五全连接层、第六全连接层和第二softmax激活函数；
所述域分类器包括梯度反转层，所述梯度反转层的第一输出端、第七全连接层、第八全连接层和第一sigmoid激活函数依次连接，所述梯度反转层的第二输出端、第九全连接层、第十全连接层和第二sigmoid激活函数依次连接；
所述第一全连接层的输出端分别与第三全连接层的输入端、第一softmax激活函数的输出端和梯度反转层的第一输入端连接，所述第二全连接层的输出端分别与第五全连接层的输入端和梯度反转层的第二输入端连接。


4.根据权利要求3所述的基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，所述步骤S2具体为：
S21、通过深度卷积残差特征提取器提取预处理后的辅助域旋转机械样本对应的辅助域样本高层特征和目标域旋转机械样本对应的目标域样本高层特征，并将其输入到标签预测器；
S22、根据输入到标签预测器的辅助域样本高层特征，对标签预测器进行训练；
S23、通过训练好的标签预测器对输入的目标域样本高层特征进行处理，获得目标域样本伪标签和标签预测器的联合损失函数；
S24、计算辅助域样本高层特征与其标签的克罗内克积和目标域样本高层特征与其对应的伪标签的克罗内克积，获得特征联合分布表示，并将其输入到域分类器中；
S25、基于输入到域分类器中的特征联合分布表示，对域分类器进行域对抗训练，获得域分类器的域对抗损失函数。


5.根据权利要求4所述的基于深度卷积域对抗迁移学习的故障诊断方法，其特征在于，所述步骤S21具体为：
A1、设置输入到深度卷积残差特征提取器的辅助域旋转机械样本为目标域旋转机械样本为经第一卷积层和第二卷积层后的输出分别为xs(l)和xl(l)，将其分别作为第一残差层和第二残差层的输入；
A2、设置第一残差层中残差块的数量为L，则第一残差层的输出xs(L+1)为：



式中，F(·)为残差函数；
W(i)分别为第一残差层中第i个残差块的权重，且i＝l,l＝1,2,3,...L，l为残差块的编号；
A3、通过第一平均池化层和第一全连接层依次对第一残差层的输出进行平均池化和全...

【专利技术属性】
技术研发人员：李锋，唐拓江，韩国良，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51