高速动车组轴承的开集故障诊断方法技术

本公开揭示了一种高速动车组轴承的开集故障诊断方法，包括：通过加速度传感器采集运行中的高速动车组轴承的振动信号；针对恒定工况的开集诊断场景，输入带有标签的训练数据对一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对双边加权对抗网络进行训练；利用训练数据或源域数据的特征建立极值理论模型，之后将测试样本或目标域样本的特征输入已建立的极值理论模型，输出测试样本或目标域样本属于未知故障类型的概率，若概率大于阈值，则测试样本或目标域样本属于未知故障类型，否则属于已知故障类型，根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。的故障诊断。的故障诊断。

【技术实现步骤摘要】
高速动车组轴承的开集故障诊断方法


[0001]本公开属于机械故障诊断领域，尤其涉及一种高速动车组轴承的开集故障诊断方法。

技术介绍

[0002]由于深度学习具有自动提取有用特征的能力，深度学习在很多机械故障诊断任务上获得了广泛的应用。然而现有的基于深度学习的故障诊断方法存在两个问题，一方面假设用于训练的有标签数据和用于测试的无标签数据具有相同的标签集，实际应用很难满足这一假设，在测试阶段故障类型是无法预测的，即测试数据的标签集可能只包含部分已知的故障类别并且可能包含未知故障。另一方面，深度学习具有良好性能的前提是训练样本和测试样本具有相同的分布，然而高速动车组的工况会发生变化，所以训练样本与测试样本的分布存在差异，导致诊断性能大大下降。
[0003]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0004]针对现有技术中的不足，本公开的目的在于提供一种高速动车组轴承的开集故障诊断方法。首先定义开集故障诊断问题：高速动车组在恒定工况下运行，测试数据的标签集包含部分已知的故障类别且包含未知故障；高速动车组在不同工况下运行，目标域数据的标签集包括部分已知的故障类别且包含未知故障。在训练阶段，针对高速动车组在恒定工况和不同工况下运行的情景，分别采用一维卷积神经网络和双边加权对抗网络学习区分性特征和识别故障类型，之后利用训练数据或源域数据学习的特征建立极值理论模型。在测试阶段，利用学习好的网络进行标签预测、利用极值理论模型进行未知类检测。
[0005]为实现上述目的，本公开提供以下技术方案：
[0006]一种高速动车组轴承的开集故障诊断方法，包括如下步骤：
[0007]S100：通过加速度传感器采集运行中的高速动车组轴承的振动信号。
[0008]S200：若高速动车组在恒定工况下运行，将振动信号划分为训练数据、验证数据和测试数据，训练数据、验证数据是有标签的，测试数据是无标签的，假设测试数据的标签集包含部分已知故障类型和未知故障类型。若高速动车组在不同工况下运行，则将其中一种工况下运行的振动信号划分为源域数据和验证数据，源域数据和验证数据是有标签的，另一种工况下运行的振动信号作为目标域数据，目标域数据是无标签的，假设目标域数据的标签集包含部分已知故障类型和未知故障类型。定义在上述假设下开展的故障诊断任务为开集故障诊断；
[0009]S300：针对工况恒定的开集诊断场景，建立包括特征提取器F、标签预测器G的一维卷积神经网络；针对工况变化的开集诊断场景，建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器D
ω
的双边加权对抗网络；
[0010]S400：针对工况恒定的开集诊断场景，输入有标签的训练数据对所述一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练；
[0011]S500：训练完成后，利用训练数据或源域数据建立极值理论模型，用于在测试阶段检测未知类；
[0012]S600：对于工况恒定的开集诊断，将无标签的测试数据输入训练好的一维卷积神经网络进行前向传播，所述训练好的一维卷积神经网络输出特征和标签预测值；对于工况变化的开集诊断，将无标签的目标域数据输入训练好的双边加权对抗网络进行前向传播，所述训练好的双边加权对抗网络输出特征和标签预测值；
[0013]S700:将验证数据样本的特征输入极值理论模型，确定阈值。
[0014]S800:将测试样本或目标域样本的特征输入极值理论模型，输出测试样本或目标域样本可能属于未知类的概率，若概率大于阈值，则样本被视为属于未知类，否则属于已知类，根据标签预测值决定样本的类别，从而实现高速动车组轴承的故障诊断。
[0015]优选的，步骤S200中，所述训练数据或源域数据表示为：
[0016][0017]其中，表示第i个训练样本或源域样本，表示与训练样本或源域样本相对应的故障类别标签，n
s
表示训练样本或源域样本的数目。
[0018]优选的，步骤S200中，所述测试数据或目标域数据表示为：
[0019][0020]其中，表示第i个测试样本或目标域样本，n
t
表示测试样本或目标域样本的数目。
[0021]优选的，步骤S300中，所述特征提取器由卷积层和全连接层构成，用于从输入数据中提取特征；所述标签预测器由全连接层构成，用于对输入特征进行分类；所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。所述辅助域分类器由全连接层构成，用于提供源域样本和目标域样本与源域的相似性指标。
[0022]优选的，对于工况恒定的开集故障诊断，步骤S400中，对所述一维卷积神经网络进行训练包括以下子步骤：
[0023]S401：将有标签的训练数据输入特征提取器中进行前向传播，提取训练数据的特征，记为f＝F(x)；
[0024]S402：将所提取的训练数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；根据所述类别标签预测值，计算得到标签预测器的损失函数，作为一维卷积神经网络训练的目标函数，进行反向传播；
[0025]S403：重复执行步骤S401到步骤S402，当迭代次数达到设定的最大迭代次数时，一维卷积神经网络训练完成。
[0026]优选的，步骤S400中，对所述双边加权对抗网络进行训练包括以下子步骤：
[0027]S401：将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前
向传播，提取源域数据和目标域数据的特征，记为f＝F(x)；
[0028]S402：将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；
[0029]S403：将所提取的源域数据和目标域数据的特征经辅助域分类器进行前向传播，辅助域分类器的输出用于构造样本的域相似性指标；
[0030]S404：将所提取的源域数据和目标域数据的特征经域分类器进行前向传播，获得域标签预测值；
[0031]S405：根据所述类别标签预测值、域标签预测值，并利用域相似性指标对源域和目标域样本进行加权，计算得到标签预测器、域分类器以及辅助域分类器的损失函数，用于构造目标函数，目标函数构造完成后，进行反向传播；
[0032]S406：重复执行步骤S401到步骤S405，当迭代次数达到设定的最大迭代次数时，双边加权对抗网络训练完成。
[0033]优选的，步骤S402中，获得训练数据的类别标签预测值后，根据训练数据的真实标签，可计算获得标签预测器的损失，标签预测器的损失表示为：
[0034][0035]其中，表示期望，表示第i个训练样本，表示与训练样本相对应的故障类别标签，表示所有训练样本及故障类别标签，K表示类别数目，G...

【技术保护点】

【技术特征摘要】
1.一种高速动车组轴承的开集故障诊断方法，包括如下步骤：S100：通过加速度传感器采集运行中的高速动车组轴承的振动信号；S200：若高速动车组在恒定工况下运行，将所述振动信号划分为带有标签的训练数据、带有标签的验证数据和无标签的测试数据，设定所述测试数据的标签集包括部分已知故障类型和未知故障类型，若高速动车组在工况变化下运行，则将其中一种工况下运行的振动信号划分为带有标签的源域数据和带有标签的验证数据，另一种工况下运行的振动信号作为目标域数据，目标域数据是无标签的，设定目标域数据的标签集包括部分已知故障类型和未知故障类型，在所述设定下开展的故障诊断任务为开集故障诊断；S300：针对恒定工况的开集诊断场景，建立包括特征提取器F、标签预测器G的一维卷积神经网络；针对工况变化的开集诊断场景，建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器D
ω
的双边加权对抗网络；S400：针对恒定工况的开集诊断场景，输入带有标签的训练数据对所述一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练；S500：训练完成后，利用训练数据或源域数据建立极值理论模型以在测试阶段检测未知故障类型；S600：对于恒定工况的开集诊断，将所述测试数据输入训练完成的一维卷积神经网络进行前向传播，所述训练完成的一维卷积神经网络输出特征和标签预测值；对于工况变化的开集诊断，将所述目标域数据输入训练完成的双边加权对抗网络进行前向传播，所述训练完成的双边加权对抗网络输出特征和标签预测值；S700：将验证数据的特征输入极值理论模型确定阈值；S800：将测试样本或目标域样本的特征输入极值理论模型，输出测试样本或目标域样本属于未知故障类型的概率，若概率大于阈值，则测试样本或目标域样本属于未知故障类型，否则属于已知故障类型，根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。2.根据权利要求1所述的方法，其中，优选的，步骤S200中，所述训练数据或源域数据表示为：其中，表示第i个训练样本或源域样本，表示与训练样本或源域样本相对应的故障类别标签，n
s
表示训练样本或源域样本的数目，所述测试数据或目标域数据表示为：其中，表示第i个测试样本或目标域样本，n
t
表示测试样本或目标域样本的数目。3.根据权利要求1所述的方法，其中，步骤S300中，所述特征提取器由卷积层和全连接层构成以从输入数据中提取特征；所述标签预测器由全连接层构成以对输入特征进行分类；所述域分类器由全连接层构成以辨别输入的特征来自于源域还是目标域，所述辅助域分类器由全连接层构成以提供源域样本和目标域样本与源域的相似性指标。4.根据权利要求1所述的方法，具中，步骤S400中，对所述一维卷积神经网络进行训练
包括以下子步骤：S401：将有标签的训练数据输入特征提取器中进行前向传播，提取训练数据的特征，记为f＝F(x)，f为特征，F为特征提取器，x为训练数据；S402：将所提取的训练数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；根据所述类别标签预测值计算得到标签预测器的损失函数，作为一维卷积神经网络训练的目标函数，进行反向传播；S403：重复执行步骤S401到步骤S402，当迭代次数达到设定的最大迭代次数时，一维卷积神经网络训练完成。5.根据权利要求1所述的方法，其中，步骤S400中，对所述双边加权对抗网络进行训练包括以下子步骤：S401：将带有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播，提取源域数据和目标域数据的特征，记为f＝F(x)；S402：将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；S403：将所提取的源域数据和目标域数据的特征经辅助域分类器进行前向传播，辅助域分类器的输出用于构造样本的域相似性指标；S404：将所提取的源域数据和目标域数据的特征经域分类器进行前向传播，获得域标签预测值；S405：根据所述类别标签预测值和域标签预测值，并利用域相似性指标对源域和目标域样本进行加权，计算得到标签预测器、域分类器以及辅助域分类器的损失函数以构造目标函数，目标函数构造完成后，进行反向传播；S40...

【专利技术属性】
技术研发人员：张兴武，于晓蕾，赵志斌，李明，孙闯，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：