一种基于开放集联合迁移学习的跨工况故障诊断方法技术

本发明专利技术公开了一种基于开放集联合迁移学习的跨工况故障诊断方法，包括：通过提取并识别跨工况的源域样本数据和目标域样本数据的故障类型，训练特征提取模型和特征分类模型；用训练好的特征提取模型和特征分类模型搭建故障诊断模型；将需要进行故障诊断的目标域数据输入到所述故障诊断模型，对目标域数据对应的故障类型进行诊断。

【技术实现步骤摘要】
一种基于开放集联合迁移学习的跨工况故障诊断方法
本专利技术涉及一种故障诊断方法，特别涉及一种基于开放集联合迁移学习的跨工况故障诊断方法。
技术介绍
由于机械设备实际运行过程中负载，转速等因素发生变化导致运行工况存在差异，即使是同类型设备的运行数据也会存在不同。为了解决训练样本量不足导致无法训练故障诊断模型的问题，迁移学习方法通过最小化不同工况数据差异，能够利用相似设备的运行数据，实现缺少训练数据的目标设备的故障诊断。现有基于迁移学习的故障诊断技术，通常是在待诊断的目标设备与已有的样本数据的故障类型对称的前提下，利用领域特征迁移的方式辅助完成目标设备的故障诊断任务。然而，在实际的故障诊断应用场景中，无法保证需要诊断的目标设备的故障类型与收集的历史数据集所包含的故障模式完全相同，不能实现有效迁移。
技术实现思路
本专利技术的目的是提供一种基于开放集联合迁移学习的跨工况故障诊断方法，用于在目标数据与样本数据的故障类型不对称的情况，找到目标数据和样本数据具有的共享数据类型，并对共享特征进行迁移，完成目标设备的故障诊断任务。本专利技术的一种基于开放集联合迁移学习的跨工况故障诊断方法包括：通过提取并识别跨工况的源域样本数据和目标域样本数据的故障类型，训练特征提取模型和特征分类模型；用训练好的特征提取模型和特征分类模型搭建故障诊断模型；将需要进行故障诊断的目标域数据输入到所述故障诊断模型，对目标域数据对应的故障类型进行诊断。本专利技术针对源工况与目标工况数据开集情况下缺少目标工况故障标签的跨工况故障诊断问题，将开放集的概念引用到迁移学习中，实现基于联合迁移学习的跨工况故障诊断。由于目标工况缺少带标签的训练数据，源工况具有丰富的带标签训练数据，但与目标工况数据的故障类型不对称，需要提取并识别目标数据和样本数据共有的故障类型，并对共享特征进行迁移。本专利技术首先利用基于卷积网络构的特征提取模型提取原始数据的故障特征；然后通过特征分类模型判别提取的特征属于已知类型还是未知类型，识别目标域数据和源域数据的共享特征；最后，训练特征提取器和特征分类器构成的联合迁移模型，使得二者的联合损失函数最小，实现从源工况到目标工况的联合迁移诊断，提高目标域数据的诊断准确度。上述的通过提取并识别跨工况的源域样本数据和目标域样本数据共有的故障类型，训练特征提取模型和特征分类模型包括：利用特征提取模型提取源域样本数据和目标域样本数据的故障特征；利用特征分类模型判别所提取的故障特征是已知数据类型还是未知数据类型；根据判别得到的已知数据类型和未知数据类型，调整所述特征提取模型和特征分类模型的权重参数。上述的根据判别得到的已知数据类型和未知数据类型，调整所述特征提取模型和特征分类模型的参数包括：根据所述已知数据类型，计算源域数据的分类损失；根据所述位置数据类型，计算目标域数据的分类损失；根据所述源域数据的分类损失和目标域数据的分类损失依次调整所述特征分类模型和所述特征提取模型的权重参数，直至所述源域数据的分类损失和目标域数据的分类损失最小。上述的用训练好的特征提取模型和特征分类模型构成故障诊断模型包括：将训练好的特征提取模型的输出与训练好的特征分类模型的输入连接在一起；将训练好的特征提取模型的输入作为故障诊断模型的用于接收目标域数据的输入；将训练好的特征分类模型的输出作为故障诊断模型的用于输出故障标签的输出。优选地，所述特征提取模型包括二维卷积层和全连接层，所述特征提取模型利用卷积层的非线性特征提取能力进行特征提取。优选地，所述特征分类模型包括全连接层和Softmax层，所述特征分类模型的Softmax层利用Softmax函数对特征的故障类型进行识别。优选地，所述特征分类模型的Softmax层利用Softmax函数将多维向量转换为0至1之间的概率值，用于表示被识别为相应故障类型的概率。本专利技术的有益技术效果是，1)解决了未知故障模式和跨工况条件下，分布差异化数据的有效挖掘的技术问题；2)能够实现开放集数据条件下的跨工况故障诊断任务；3)具有较高的故障诊断准确度。下面结合附图以具体实例对本专利技术进行详细说明。附图说明图1是ReLu，LeakyReLU激活函数示意图；图2是封闭集和开放集迁移学习分类任务场景对比示意图；图3是本专利技术的基于开放集联合迁移跨工况故障诊断方法流程图；图4是本专利技术的故障诊断模型结构的示意图；图5是二级减速齿轮箱组成结构；图6是35Hz-40Hz不同目标工况数据占比的损失函数曲线示意图；图7是35Hz-45Hz不同目标工况数据占比的损失函数曲线示意图；图8是35Hz-50Hz不同目标工况数据占比的损失函数曲线示意图；图9是35Hz-40Hz不同目标域工况数据占比时的诊断结果示意图；图10是35Hz-45Hz不同目标域工况训练数据占比时的诊断结果示意图；图11是35Hz-50Hz不同目标域工况训练数据占比时的诊断结果示意图；图12是本专利技术的基于开放集联合迁移学习的跨工况故障诊断方法的示意图。具体实施方式卷积层是深度卷积网络中特征提取的核心层，通过卷积核对输入向量做卷积运算并输出到下一层来提取原始数据的特征。由卷积层运算得到的表达特征称为特征图，在逐层提取特征的过程中，第k层特征图的局部感受野会影响第k+1层提取到的特征图。由卷积层输出的特征向量可以表示为：其中，表示第k+1层第j个特征图，为上一层的输出，表示第k+1层的卷积核，为卷积层的偏置项，Mj表示特征图中卷积运算的区域，*表示卷积运算，f表示激活函数。LeakyReLU函数是经典的ReLu激活函数的变体，LeakyReLU函数可以表示为yLeakyReLU(x)＝max(ax,x)(2)LeakyReLU和ReLu激活函数图像如图1所示。LeakyReLU激活函数在ReLu函数的基础上，对负值输入添加了非零的斜率，避免了在输入小于零时，Relu函数的梯度恒等于零而导致深度学习模型无法更新权重参数的问题，能够加快模型训练收敛速度。池化层池化层是卷积神经网络中的一种特征压缩层，也叫下采样层。池化层对特征图进行压缩和抽象，能够减小参数量，降低网络的复杂度和计算量，同时尽可能地减小数据的失真率，可以表示为：其中表示池化层的输入，表示池化层的输出。池化层按照一定的规则对特征进行整合，根据池化窗口与步距的大小不同，池化操作分为一般池化和重叠池化；根据采样方式不同，可分为最大池化和平均池化。常用的池化运算包括平均池化层和最大池化层两种。卷积神经网络通过池化运算处理特征图，能够在尽可能保留提取到的卷积特征图的前提下，降低特征图的尺寸，增大卷积核感受野，同时减少模型计算数据量，预防过拟合。Softmax函数用于多分类过程，能够将多个神经元本文档来自技高网...

【技术保护点】
1.一种基于开放集联合迁移学习的跨工况故障诊断方法，包括：/n通过提取并识别跨工况的源域样本数据和目标域样本数据的故障类型，训练特征提取模型和特征分类模型；/n用训练好的特征提取模型和特征分类模型搭建故障诊断模型；/n将需要进行故障诊断的目标域数据输入到所述故障诊断模型，诊断目标域数据对应的故障类型。/n

【技术特征摘要】
1.一种基于开放集联合迁移学习的跨工况故障诊断方法，包括：
通过提取并识别跨工况的源域样本数据和目标域样本数据的故障类型，训练特征提取模型和特征分类模型；
用训练好的特征提取模型和特征分类模型搭建故障诊断模型；
将需要进行故障诊断的目标域数据输入到所述故障诊断模型，诊断目标域数据对应的故障类型。


2.根据权利要求1所述的跨工况故障诊断方法，其中，通过提取并识别跨工况的源域样本数据和目标域样本数据共有的故障类型，训练特征提取模型和特征分类模型包括：
利用特征提取模型提取源域样本数据和目标域样本数据的故障特征；
利用特征分类模型判别所提取的故障特征是已知数据类型还是未知数据类型；
根据判别得到的已知数据类型和未知数据类型，调整所述特征提取模型和特征分类模型的权重参数。


3.根据权利要求2所述的跨工况故障诊断方法，其中，根据判别得到的已知数据类型和未知数据类型，调整所述特征提取模型和特征分类模型的参数包括：
根据所述已知数据类型，计算源域数据的分类损失；
根据所述位置数据类型，计算目标域数据的分类损失；
根据所述源域数据的分类损失和目标域数据的分类损失依次调整所述特征分类模型和所述特征提取模型的权重参数，直至所述源域数据的分类损失和目标域数据的分类损失最小。


4.根据权利要求1所述的跨工况故障诊断方法，其中，用训练好的特征提取模型和特征分类模型构成故障诊断模型包括：

【专利技术属性】
技术研发人员：马剑，尚芃超，许庶，王超，丁宇，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11