基于自适应迁移神经网络的半监督机械故障诊断方法技术

本发明专利技术公开了一种基于自适应迁移神经网络的半监督机械故障诊断方法，包括首先获得多个由源域故障训练样本及其对应标签构成的源域故障数据集和由不带标签的目标域故障数据构成的目标域故障数据集，目标域故障数据分为目标域故障训练样本和目标域故障测试数据；然后归一化这些数据；构建自适应迁移神经网络诊断模型，利用源域故障数据集监督训练模型和构造分类器损失函数，并构造分类器判别损失函数和利用目标域故障训练样本来对抗训练特征提取器和分类器；将目标域故障测试数据输入到训练好的模型中，输出的两个概率值求和平均，得到最终的分类诊断结果。本发明专利技术可以提高对目标域故障数据的判别能力，有效改进实际变工况下的智能故障诊断任务。

【技术实现步骤摘要】
基于自适应迁移神经网络的半监督机械故障诊断方法
本专利技术涉及机械故障诊断
，特别涉及一种基于自适应迁移神经网络的半监督机械故障诊断方法。
技术介绍
旋转机械广泛应用在航空航天、汽车制造、轨道交通和风力发电等国计民生的重要工程领域，在国民经济生产中具有举足轻重的作用。开展机械设备的状态监测与诊断，对可能发生的故障进行检测、诊断和预测，以“防范于未然”，对保证机械的可靠、连续和稳定运行，减少经济损失和运行成本以及避免重大事故发生，具有十分重要的现实需求和实际意义。基于机器学习的诊断方法不需建立复杂部件或系统的动力学模型，通过利用大量历史数据建立和优化模型，就可获得良好结果，因而非常适用于复杂机械的智能故障诊断。传统数据驱动方法如支持向量机、极限学习机和人工神经网络等通常具有浅层结构，在学习复杂的函数映射和高维特征上具有局限性，因而网络对特征的数量和质量具有很大的依赖性，限制了其更广泛的应用。基于深度学习的数据驱动诊断技术由于其强大的自动特征学习能力近年来受到了越来越多的关注。深度学习通常指由多层隐藏层构建的深度神经网络。其基本文档来自技高网...

【技术保护点】
1.一种基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，步骤如下：/nS1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{X

【技术特征摘要】
1.一种基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，步骤如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；
根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得可用于目标域诊断任务的训练好的诊断模型；
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。


2.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，源域故障数据集和目标域故障数据集分别为不同试验平台的故障数据，或者为同一个试验平台在不同的采集位置或者运行工况下的故障数据；试验平台具有机械设备，且通过加速度传感器、声音传感器或者转速传感器采集得到故障数据；
归一化处理具体为：将数据集中每个样本减去该数据集自身的样本均值，并除以标准差以进行归一化。


3.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，特征提取器采用卷积神经网络、深度置信网络、堆叠自编码网络或者长短期记忆网络；
当特征提取器采用卷积神经网络时，针对故障信号为一维时域信号的特点，特征提取器由具有一维卷积核的卷积层和一维池化核的最大池化层堆叠而成；
每个分类器由全连接层和Softmax分类层构成。


4.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，在步骤S3中，监督训练特征提取器G和分类器的过程具体如下：
将源域故障训练样本Xs输入特征提取器G中，得到数据的高维特征，将高维特征进一步输入到两个分类器C1和C2中，两个分类器分别将源域故障数据准确分为K类，分类器采用Softmax函数作为输出以获得类别的概率分布；
采用监督学习方法，最小化分类器损失函数Lcls(Xs,Ys)来训练特征提取器G和对应的两个分类器C1和C2，以对网络生成器和分类器的参数进行优化：



其中，采用交叉熵损失函数构造分类器损失函数，其公式为：



式中，p(ys|xs)对应于分类器对源域样本的概率输出；xs为从Xs中抽样出来的单个源域故障训练样本，ys为xs所对应的Ys中的单个标签。


5.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，将两个分类器输出的概率之差的绝对值作为度量函数，以度量两个分类器的输出差异，计算公式如下：



式中，d为度量函数；k为故障类别的序号；K为故障类别数目；p1k和p2k分别为两个分类器对第k类故障的概率输出；
构造对应的分类器判别损失函数，具体为：

【专利技术属性】
技术研发人员：李巍华，钟琪，陈祝云，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44