旋转机械变工况故障诊断方法及系统技术方案

本发明专利技术提出了一种旋转机械变工况故障诊断方法及系统。该方法为：采集旋转机械的源域数据和目标域数据；构建域适配网络，其包括特征提取网络、成对正交分类网络和动态加权域鉴别网络；特征提取网络提取源域数据和目标域数据的特征；成对正交分类网络对故障进行分类，并计算成对正交分类网络中两个分类网络输出的相似度，得到动态权重；在动态加权域鉴别网络中根据动态权重调整加权域鉴别网络与特征提取网络之间的对抗程度；采用源域数据和目标域数据对特征提取网络、成对正交分类网络训练，采用将提取的源域数据和目标域数据的特征以及动态权重对动态加权域鉴别网络训练。该方法处理对象无需满足训练数据与测试数据服从同一分布的要求。同一分布的要求。同一分布的要求。

【技术实现步骤摘要】
旋转机械变工况故障诊断方法及系统


[0001]本专利技术涉及旋转机械故障诊断领域，具体涉及一种旋转机械变工况故障诊断方法及系统。

技术介绍

[0002]随着工业4.0的不断深入，机械装备正朝着大型化、自动化、集成化、智能化方向发展。旋转机械作为机械设备的重要子部件，越来越多地应用于航空航天、汽车制造、船舶制造、轨道交通和风力发电等各个行业。考虑旋转机械的状态监测和故障诊断，对于保证设备稳定健康运行，避免重大安全事故的发生具有至关重要的意义。
[0003]随着数据采样技术的进步和人工智能的创新，数据驱动的方法在故障诊断领域引起了广泛关注。数据驱动的故障诊断方法的典型模式总是包括数据预处理、特征提取和故障分类3个步骤。然而，传统的数据驱动的故障诊断方法主要基于训练数据(源域)和目标数据(目标域)应该具有相同数据分布的假设。然而，这种假设在实际场景中很难成立，特别是在工业应用中，主要包含以下原因：(1)旋转机械的多变工况使得难以收集覆盖全工况的数据；(2)在役机械设备通常处于正常工作状态，人工获取故障样本成本高,导致常规状态监测数据中的故障样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械变工况故障诊断方法,其特征在于，包括以下步骤：采集旋转机械在两种不同工况下的振动信号作为样本，并将两种不同工况下的振动信号分为源域数据和目标域数据；构建域适配网络，所述域适配网络包括特征提取网络、成对正交分类网络和动态加权域鉴别网络；所述特征提取网络提取源域数据和目标域数据的特征；所述成对正交分类网络对故障进行分类，得到每个故障类别的概率，并计算成对正交分类网络中两个分类网络输出的相似度，得到每个样本的动态权重；在所述动态加权域鉴别网络中根据所述动态权重调整加权域鉴别网络与特征提取网络之间的对抗程度；对域适配网络进行训练：采用所述源域数据和目标域数据对所述特征提取网络、成对正交分类网络进行训练，采用提取的源域数据和目标域数据的特征以及所述动态权重对动态加权域鉴别网络进行训练,实现源域数据与目标域数据的适配；待训练完成网络收敛后，以成对正交分类网络的最终输出作为目标域数据的故障分类结果。2.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述两个分类网络为结构相同的分类网络。3.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，对特征提取网络、成对正交分类网络的训练包括如下步骤：初始化特征提取网络参数以及超参数；利用源域数据对特征提取网络、成对正交分类网络进行预训练；将源域数据和目标域数据分别随机分成m份，并利用其对预训练后的特征提取网络、成对正交分类网络进行训练。4.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述成对正交分类网络的正交损失函数其中，为成对正交分类网络中一个分类网络的网络参数打平后的一维向量，为成对正交分类网络中另一个分类网络的网络参数打平后的一维向量。5.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述成对正交分类网络的分类损失函数其中为成对正交分类网络中一个分类网络输出的第i个样本为故障类别c的概率，为成对正交分类网络中另一个分类网络输出的第i个样本为故障类别c的概率，C为故障类别集合，N
s
为源域数据个数，指源域数据中第i个样本为故障类别c的概率。6.根据权利要求1所述的旋转机械变工况故障诊断方法,其特征在于，所述动态加权域
鉴别网络的损失函数N
s
为源域数据个数，N
t
为目标域数据个数，D
s
为源域数据，D
t
为目标域数据，λ
i
指第i...

【专利技术属性】
技术研发人员：余文念，陈子旭，林正宇，张路，孔程程，章朝栋，邵毅敏，
申请(专利权)人：重庆大学，
类型：发明
国别省市：