一种基于改进对抗网络和注意力机制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改进对抗网络和注意力机制的跨工况故障诊断方法，对采集得到的不同工况故障振动信号进行数据预处理，标记标签，划分源域和目标域数据集；源域数据预训练，通过深特征提取器进行故障特征提取，再将学习好的源域特征输入Softmax分类器进行特征分类训练；通过改进对抗网络训练目标域数据，使得目标域数据与源域数据在数据分布上差异最小化；目标域数据测试，将训练得到的目标域特征输入源域分类器中，实现故障信号跨域诊断。本发明专利技术通过改进对抗网络实现故障的跨工况诊断，可针对一个或同时针对多个目标域数据进行训练，有效缩小故障诊断网络训练所需时间；且在目标域特征提取器中加入注意力机制，提高重要特征的权重，优化数据结构。优化数据结构。优化数据结构。

【技术实现步骤摘要】
一种基于改进对抗网络和注意力机制的跨工况故障诊断方法


[0001]本专利技术属于旋转机械故障诊断领域，具体涉及一种基于改进对抗网络和注意力机制的跨工况故障诊断方法。

技术介绍

[0002]近年来，机械系统朝着精密化、高速化的方向不断发展，机械设备的安全性、可靠性受到更多关注，对故障信号进行及时监测和诊断能够有效提高经济效益和社会效益，在很大程度上保障人身安全，防止重大事故发生。然而机械设备产生的数据量呈指数趋势上升，传统故障诊断方法无法处理如此庞大的数据量，智能故障诊断方法应运而生，并逐步成为了一大研究热点，尤其是多伦多大学Hinton教授提出的深度学习思想，更是引发了人工智能领域的又一次革新。相比传统机器学习，深度学习具有深层的神经网络结构，能够加强特征学习能力，获取到更深层次的特征，因此模型的效率和准确率都有所进步，目前常见的深度学习模型包括深度自编码网络、深度卷积神经网络和稀疏滤波网络，深度学习现已被广泛应用到计算机视觉、强化学习、生成模型等多个领域。近年来，许多学者也成功将深度学习模型应用在故障诊断中。
[0003]随着深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进对抗网络和注意力机制的跨工况故障诊断方法，其特征在于，包括以下步骤：(1)对预先获取的不同工况故障振动信号进行数据预处理，标记标签，划分源域和目标域数据集；(2)构建故障诊断网络；所述故障诊断网络包括特征提取器、改进对抗网络和Softmax分类器；所述改进对抗网络将原生成对抗网络中的生成器替换成特征提取器用来提取目标域信号特征，保留原生成对抗网络中的判别器，用以区分源域特征及目标域特征；(3)源域数据预训练：通过特征提取器进行故障特征提取，再将学习好的源域特征输入Softmax分类器进行特征分类训练；(4)通过改进对抗网络训练目标域数据，使得目标域数据与源域数据在数据分布上差异最小化；(5)目标域数据测试，将步骤(4)中训练得到的目标域特征输入Softmax分类器中，实现故障信号跨域诊断。2.根据权利要求1所述的基于改进对抗网络和注意力机制的跨工况故障诊断方法，其特征在于，步骤(1)所述数据预处理通过加入一个滑动窗口，以固定的步长从故障振动信号中截取以获得足够数量的样本，实现数据增强；所述窗口步长计算公式如下：式中，S表示步长，L
all
表示原始信号长度，L
sample
表示样本长度，n
class
表示每组故障的样本数。3.根据权利要求1所述的基于改进对抗网络和注意力机制的跨工况故障诊断方法，其特征在于，所述步骤(3)实现过程如下：构建特征提取器E，特征提取器的模型采用五层深度卷积特征提取结构，每个卷积块中都包含卷积层、ReLU激活函数和最大值池化层；在五层卷积模块后接全连接层，将所提取的局部特征连接铺开，成为一维特征向量；源域中的特征提取器E
s
和Softmax分类器C预训练，输入带标签的源域信号其中为源域信号数据，为该数据对应的标签，k为样本故障类别数；经过源域特征提取器E
s
训练得到源域特征向量，输入分类器C中进行分类；采用交叉熵损失函数进行故障诊断网络评价，A...

【专利技术属性】
技术研发人员：陆建涛，张名武，李舜酩，邓婕，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：