一种基于重要性加权域对抗自适应的智能故障诊断方法技术

一种基于重要性加权域对抗自适应的智能故障诊断方法，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；构造域类别识别网络，输出源域样本在对抗训练中重要性权重；提取数据集中判别性特征；结合特征提取器与域判别器，构造重要性加权域对抗自适应网络；采用对抗式网络的训练策略训练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】
一种基于重要性加权域对抗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，具体为一种基于重要性加权域对抗自适应的智能故障诊断方法。
技术介绍
滚动轴承作为机械设备中重要的旋转部件，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。然而滚动轴承却是机械设备中易损坏部件，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，对轴承的健康状态检测和故障诊断技术的研究是具有重要意义的。通过在轴承运作过程中，使用传感器采集轴承的振动信号来进行分析，可以判断被监测设备的状态。其中随着智能诊断方法的发展，针对一定工况下故障数据难以获取，不足以支撑建立诊断模型，基于迁移学习的智能故障诊断方法得到了广泛的研究。传统的基于迁移学习的智能诊断方法，可以实现将诊断知识从数据量大且容易获得的工况传递到数据量不完备的工况，以此来提高机械设备诊断系统的泛化性能。虽然基于迁移学习的智能诊断方法的在状态检测中已经取得了许多成果，但仍有许多不容忽视的地方。传统的基于迁移学习的智能方法是本文档来自技高网...

【技术保护点】
1.一种基于重要性加权域对抗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)采集旋转机械在两种不同工况下的振动信号，分别对两种工况下的振动信号采用移动时窗进行分割，获得两种工况下的数据集，并将两种工况下的数据集分为源域数据集与目标域数据集；/n(2)构造由特征提取器与域分类器组成的域类别识别网络，采用源域数据集与目标域数据集，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重，得到归一化的源域样本的重要性权重；/n(3)将特征提取器与类别标签分类器组成故障模式识别网络；/n(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应...

【技术特征摘要】
1.一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，包括如下步骤，
(1)采集旋转机械在两种不同工况下的振动信号，分别对两种工况下的振动信号采用移动时窗进行分割，获得两种工况下的数据集，并将两种工况下的数据集分为源域数据集与目标域数据集；
(2)构造由特征提取器与域分类器组成的域类别识别网络，采用源域数据集与目标域数据集，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重，得到归一化的源域样本的重要性权重；
(3)将特征提取器与类别标签分类器组成故障模式识别网络；
(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应网络；
(5)采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络，直至所有的网络参数收敛，然后使用类别标签分类器识别目标域数据集中的旋转机械健康状态。


2.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，步骤(1)的具体过程如下：
1)使用传感器采集滚动轴承在两种不同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；分别获得两种工况下的数据集，其中故障类型完整且带有故障标签的工况数据集设置为源域数据集，故障类型不完整且故障标签缺失的数据集设置为目标域数据集。


3.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，步骤(2)中，构造由特征提取器与域分类器D0组成的域类别识别网络的具体过程如下：
1)将多层一维卷积神经网络层搭建特征提取器；
2)将域分类器通过全连接层与特征提取器进行连接，组成域类别识别网络；根据域类别识别网络，得到域类别标签预测的结果；
3)根据域类别标签预测的结果计算域类别识别网络损失函数，迭代训练域分类器直至稳定；
4)通过训练稳定的域类别识别网络，得到源域样本的重要性权重，根据源域样本的重要性权重，得到归一化的源域样本的重要性权重。


4.根据权利要求3所述的一种基于重要性加权域对抗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：根据源域训练数据集与目标域训练数据集其中，为源域的样本点；为源域样本点的标签；ns为源域样本点的个数；Y为源域样本的标签空间；为目标域的样本点；为目标域样本点的标签，在训练时目标域标签是不存在的；nt为目标域样本点个数；Ysub为目标域样本的标签空间，Ysub为源域样本的标签空间的子集；通过特征提取器得到振动信号的特征：



式1-1中：为网络输出函数，其中xs、xt、θh、Hs、Ht分别代表网络输入的源域样本、输入的目标域样本、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、目标域样本经过特征提取器后输出的目标域特征；
源域特征与目标域特征经过域分类器D0，得到域类别标签预测的结果：

<...

【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