一种基于深度对抗域自适应的智能故障诊断方法技术

本发明专利技术提供了一种基于深度对抗域自适应的智能故障诊断方法，使用传感器采集旋转机械在不同工况下的振动信号，分别对不同工况下数据集采用移动时窗进行信号的分割；提取数据集中判别性特征；结合特征提取器与域判别器，构造深度对抗域自适应网络，提取两种工况下的域不变特征；采用对抗式网络的训练策略联合训练两流网络模型至模型收敛，使用训练好的类别分类器识别缺乏故障标签的目标域数据集的轴承健康状态。本发明专利技术通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断，完成了诊断知识的迁移，同时构造了深度学习网络，克服了传统诊断方法中对专家知识的依赖，为降低未来智能故障诊断系统的成本提供了一种有效的工具。

【技术实现步骤摘要】
一种基于深度对抗域自适应的智能故障诊断方法
本专利技术涉及滚动轴承状态评估方法，具体为一种基于深度对抗域自适应的智能故障诊断方法。
技术介绍
滚动轴承是现代机械设备的关键部件，广泛应用于航空航天、工程机械、船舶设备、水利工程等领域。滚动轴承的健康状态和性能直接影响到机械设备的安全可靠性。轴承的故障可能导致整个机械系统的停机，造成不可想象的经济损失。因此，滚动轴承的状态监测对于保证设备的安全运行和减少意外停机损失起着至关重要的作用。对传感器采集到的振动信号进行分析，可以判断被监测设备的状态。目前，最流行的基于数据驱动的智能诊断方法在机械设备诊断上有着很好的性能表现。虽然基于智能诊断方法的状态检测已经取得了许多成果，但仍有许多不容忽视的地方。传统的智能方法是建立在一定的假设前提下的：首先是需要由充足的有标签的故障数据，然而在实际中机械设备往往不清楚何时发生故障，故障数据很难获取并且难以获得其标签；其次被用于诊断的数据与用来训练模型的数据是假设在同一工作条件下的，当工作条件发生变化时，数据集分布会产生差异，而实际工业系统中普遍存在的复杂工况环本文档来自技高网...

【技术保护点】
1.一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，包括如下步骤，/n(1)使用传感器采集旋转机械在两种工况下的振动信号，分别对两种工况下的数据集采用移动时窗进行信号的分割，获得分割好的两种工况下的数据集，并将两种工况下的数据集分为有故障类型标签的源域数据集与无故障类型标签的目标域数据集；/n(2)通过特征提取器与类别标签分类器组成故障模式识别网络，提取源域数据集中判别性特征，并根据判别性特征识别源域数据集对应的工况下各种故障状态；/n(3)采用步骤(2)的特征提取器，结合域判别器，采用对抗博弈策略，形成深度对抗域自适应网络，提取源域数据集与目标域数据集的域不变特征，对两种工况下的故障...

【技术特征摘要】
1.一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，包括如下步骤，
(1)使用传感器采集旋转机械在两种工况下的振动信号，分别对两种工况下的数据集采用移动时窗进行信号的分割，获得分割好的两种工况下的数据集，并将两种工况下的数据集分为有故障类型标签的源域数据集与无故障类型标签的目标域数据集；
(2)通过特征提取器与类别标签分类器组成故障模式识别网络，提取源域数据集中判别性特征，并根据判别性特征识别源域数据集对应的工况下各种故障状态；
(3)采用步骤(2)的特征提取器，结合域判别器，采用对抗博弈策略，形成深度对抗域自适应网络，提取源域数据集与目标域数据集的域不变特征，对两种工况下的故障状态进行识别；
(4)联合步骤(2)中的故障模式识别网络与步骤(3)中的深度对抗域自适应网络，采用对抗博弈策略进行训练，直至网参数络收敛，训练好的特征提取器既能提取判别性特征又可以提取域不变特征，最终使用类别分类器识别缺乏故障标签的目标域数据集中的轴承健康状态，完成诊断知识从源域到目标域的迁移。


2.根据权利要求1所述的一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，步骤(1)的具体步骤如下：
1)使用传感器采集滚动轴承在两种工况下各故障类型的振动信号；
2)选择最优前进步长，采用移动时窗对振动信号进行分割；
3)分别获得两种工况下数据集，其中有故障类型标签的工况数据集设置为源域数据集无故障类型标签的数据集设置为目标域数据集其中，xi为源域的样本点，yi为源域样本点的标签，，xj为目标域的样本点，ns为源域样本点的个数，nt为目标域样本点个数。


3.根据权利要求1所述的一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，步骤(2)中，利用特征提取器与类别标签分类器组成故障模式识别网络的具体过程如下：
1)特征提取器由多层一维卷积神经网络层搭建而成，能够自适应提取源域数据集中的信号判别性特征；
2)在特征提取器中利用池化算法，对各层维卷积神经网络层提取的特征进行降维；
3)标签分类器通过全连接层对特征提取器进行模式识别分类；
4)计算故障模式识别网络损失函数，完成故障模式识别网络的构建。


4.根据权利要求3所述的一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，步骤2)的具体过程为：
a)输入源域训练数据通过特征提取器得到输出的源域特征：



式中：softmax(.)函数将输入映射为总和为1的概率分布；为网络输出函数，其中xs、θh、Hs分别代表网络输入的源域样本、特征提取器的网络参数，源域样本经过特征提取器后输出的源域特征。


5.根据权利要求3所述的一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，步骤3)的具体过程为：
源域特征经过类别分类器，得到网络标签预测的结果：



式中：ys为归一化网络源域样本的输出概率向量即标签预测结果，θc代表类别分类器的网络参数。


6.根据权利要求3所述的一种基于深度对抗域自适应的智能故障诊断方法，其特征在于，步骤4)中，计算模式识别网络损失函数的具体过程如下：根据网络标签预测的结果，计算故障模式识别网络损失函数；



式中：为源域样本的类别分类器损失函数，B为每一次迭代过程的batch-size；Ylabel为真...

【专利技术属性】
技术研发人员：王宇，孙晓杰，訾艳阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61