基于自监督域自适应的跨域故障诊断方法技术

本发明专利技术涉及一种基于自监督域自适应的跨域故障诊断方法。包括迭代训练的两个阶段，第一阶段为传统域自适应训练阶段，我们首先设计了一个下采样与特征交互网络（DINet）来提取包含子序列之间时间依赖关系的特征嵌入；随后，通过最大平均差异（MMD）和域对抗训练对齐源域和目标域的特征分布，并通过分类器对特征嵌入进行分类。第二阶段为自监督训练阶段：首先，将两个域的信号切分为过去和未来时间片段，通过关系采样构建正关系对和负关系对；随后，在两个域上共同执行关系分类辅助任务以捕获源域和目标域上的一致表示。实验结果表明，本发明专利技术算法显著提升了机械振动信号的跨域故障诊断精度。精度。精度。

【技术实现步骤摘要】
基于自监督域自适应的跨域故障诊断方法


[0001]本专利技术属于时序分析领域，具体涉及一种基于自监督域自适应的跨域故障诊断方法。

技术介绍

[0002]故障诊断旨在通过机器的早期故障信号判断故障类别，在确保制造安全和产品质量方面起着至关重要的作用[1]。随着物联网和云计算技术的快速发展，机械设备的信号可以通过传感器轻松获取并实时分析，这为开发相关的智能故障诊断算法提供了前提保证。然而，如何设计一种实用、高性能的故障诊断算法仍然是一个有待解决的问题。
[0003]由于机器学习具有自动学习的能力，研究人员非常关注传统的基于机器学习的故障诊断方法，包括支持向量机[2]、决策树[3]等。然而，由于传统的基于机器学习的方法依赖于需要领域知识的特征工程，其泛化能力受到限制。最近，深度学习由于其出色的非线性拟合能力和自动特征提取能力，已广泛应用于故障诊断任务中，并取得了令人鼓舞的诊断准确性。例如，Jiang等人[4]提出了一种深度学习框架，该框架结合了多尺度卷积神经网络和长短期记忆网络，其性能超过了现有大多数的基于知识的方法。尽管基于深度学习的方法已经取得了优异的性能，但大多数方法都有一些局限性，只有在标记样本足够且训练集和测试集的概率分布相同的情况下，它们才能获得良好的结果。然而，在真实的工业场景中，操作环境或操作条件的变化可能会导致训练样本和测试样本之间存在较大的分布差异。由于数据标记是一个昂贵的过程，需要大量人力和领域知识输入，因此为每个操作条件标记足够的数据是不现实的，这限制了智能故障诊断算法的实际应用。
[0004]无监督领域自适应(UDA)旨在将诊断知识从标记的源域转移到未标记的目标域，可以解决上述问题。现有的基于UDA的方法主要包括基于映射的方法和基于对抗的方法。基于映射的方法通过添加分布对齐损失函数(例如,最大平均差异MMD)将两个域的特征表示映射到共享特征空间。基于对抗的方法使用域鉴别器进行对抗训练，从而可以获得域不变表示。由于基于映射和基于对抗的方法在提取的特征表示的基础上执行，因此表示中的信息完整性非常重要。信息不完整的特征表示会使特征映射不匹配和域鉴别器容易受到欺骗。
[0005]时间序列中的时间相关性信息在许多领域都被证明是有效的，例如时间序列分类[5]和预测[6]。然而，大多数现有的基于UDA的方法不能充分考虑振动信号的时间维度，导致域对齐过程中使用的特征信息不完整。

技术实现思路

[0006]本专利技术的目的在于提供一种基于自监督域自适应的跨域故障诊断方法，在结合传统特征映射和域对抗训练的基础上，设计了下采样与特征交互网络(DINet)，以考虑域对齐过程中低时间分辨率子序列之间的时间依赖关系。此外，通过自监督借口任务来考虑过去和未来时间段之间的时间依赖关系，从而产生更多的域不变特征。
[0007]为实现上述目的，本专利技术的技术方案是：一种基于自监督域自适应的跨域故障诊断方法，包括两个阶段，第一阶段为传统域自适应训练阶段：首先，设计一个下采样与特征交互网络DINet来提取包含子序列之间时间依赖关系的特征嵌入；随后，通过最大平均差异MMD和域对抗训练对齐源域和目标域的特征分布，并通过分类器对特征嵌入进行分类；第二阶段为自监督训练阶段：首先，将两个域的信号切分为过去和未来时间片段，通过关系采样构建正关系对和负关系对；随后，在两个域上共同执行关系分类辅助任务以捕获源域和目标域上的一致表示。
[0008]相较于现有技术，本专利技术具有以下有益效果：本专利技术设计了一个自监督域自适应故障诊断网络(SDAFDN)以在域自适应的过程中考虑了两种时间依赖关系：其一是降采样后的子序列间的依赖关系，反映了振动信号的短期变化模式；其二是过去片段和未来片段间的依赖关系，反映了振动信号的长期变化模式。本专利技术使用该方法在两个公开数据集上进行了广泛的实验，其结果表明：相对于现有的方法，所提出的方法具有更出色的跨域诊断性能。
附图说明
[0009]图1为本专利技术方法的流程图。
[0010]图2为SDAFDN概述。
[0011]图3为DINet详细过程。
具体实施方式
[0012]下面结合附图，对本专利技术的技术方案进行具体说明。
[0013]本专利技术一种基于自监督域自适应的跨域故障诊断方法，包括两个阶段，第一阶段为传统域自适应训练阶段：首先，设计一个下采样与特征交互网络DINet来提取包含子序列之间时间依赖关系的特征嵌入；随后，通过最大平均差异MMD和域对抗训练对齐源域和目标域的特征分布，并通过分类器对特征嵌入进行分类；第二阶段为自监督训练阶段：首先，将两个域的信号切分为过去和未来时间片段，通过关系采样构建正关系对和负关系对；随后，在两个域上共同执行关系分类辅助任务以捕获源域和目标域上的一致表示。
[0014]以下为本专利技术具体实现过程。
[0015]如图1所示，为本专利技术方法即SDAFDN的执行流程，本专利技术SDAFDN如图2所示。该方法主要包括两个阶段。在阶段1中，所有样本的原始信号由DINet编码。所学习的表示被馈送到用于故障分类的分类网络和用于域对抗训练的域识别网络。此外，MMD损失用于对齐源域和目标域之间的特征结构差异。在阶段2中，来自两个域的样本被切片并采样以形成正负关系对。然后，通过自监督辅助任务在域对齐中考虑过去和未来片段之间的时间依赖性。
[0016]1、问题定义
[0017]本专利技术主要研究跨域故障诊断问题。定义为从源域P
s
中采样的包含N
s
个样本的带标记数据集，其中是第i个样本原始信号，d为信号维度，为第i个样本的故障类别。定义为从目标域P
t
中采样的包含N
t
个样本的无标记数据集，其中是第i个样本原始信号，为第i个样本的故障类别。表示样本所在
域的情况，如果是源域则设置为1，目标域则设置为0。假设源域P
s
和目标域P
t
共享一个标记空间，但数据分布是不一致的，我们的目标是学习一个函数f(
·
)以分类来自P
t
的样本的故障类别。
[0018]2、下采样与特征交互网络
[0019]作为一个时间序列，振动信号的下采样通常可以保留信号的大部分信息，而文本和DNA序列等一般序列则不能做到。此外，下采样后的子序列之间存在单位时间偏移，它们之间的相关性反映了信号的短期变化模式。因此，我们开发了DINet。通过采样子序列并与特征提取器提取的特征交互，学习到的嵌入表示可以包含多个子序列的时间依赖关系。
[0020]图3显示了DINet的详细过程。形式上，给定一个原始振动信号X＝{x1，x2，
…
，x
N
}，其中N是信号维数，我们首先将其划分为K个子序列其中X
i
＝{x
i
，x
i+K
，x
i+2K
，
…
，x
N
‑
K+1
...

【技术保护点】

【技术特征摘要】
1.一种基于自监督域自适应的跨域故障诊断方法，其特征在于，包括两个阶段，第一阶段为传统域自适应训练阶段：首先，设计一个下采样与特征交互网络DINet来提取包含子序列之间时间依赖关系的特征嵌入；随后，通过最大平均差异MMD和域对抗训练对齐源域和目标域的特征分布，并通过分类器对特征嵌入进行分类；第二阶段为自监督训练阶段：首先，将两个域的信号切分为过去和未来时间片段，通过关系采样构建正关系对和负关系对；随后，在两个域上共同执行关系分类辅助任务以捕获源域和目标域上的一致表示。2.根据权利要求1所述的基于自监督域自适应的跨域故障诊断方法，其特征在于，跨域故障诊断问题定义方式为：定义为从源域P
s
中采样的包含N
s
个样本的带标记数据集，其中是第i个样本原始信号，d为信号维度，为第i个样本的故障类别；定义别；定义为从目标域P
t
中采样的包含N
t
个样本的无标记数据集，其中是第i个样本原始信号，为第i个样本的故障类别，表示样本所在域的情况，如果是源域则设置为1，目标域则设置为0；假设源域P
s
和目标域P
t
共享一个标记空间，但数据分布不一致，目标是学习一个函数f(
·
)以分类来自P
t
的样本的故障类别。3.根据权利要求1所述的基于自监督域自适应的跨域故障诊断方法，其特征在于，所述DINet具体实现方式为：给定一个原始振动信号X＝{x1,x2,
…
,x
N
}，其中N是信号维数，首先将原始振动信号划分为K个子序列其中X
i
＝{x
i
,x
i+K
,x
i+2K
,
…
,x
N
‑
K+1
}；然后，使用由卷积神经网络CNN组成的主干网络φ(
·
)提取高级语义特征；基于提取的高级语义特征表示，使用元素乘积和元素加法交互子序列嵌入以形成嵌入F
M
和F
A
，随后融合它们以形成最终的嵌入F
ALL
：F
M
＝φ(X1)
⊙
φ(X2)
⊙…⊙
φ(X
K
)F
A
＝φ(X1)+φ(X2)+
…
+φ(X
K
)F
ALL
＝[F
M
,F
A
]其中
⊙
是元素乘积，[
·
,
·
]是矩阵连接运算；与仅使用CNN主干相比，DINet没有添加任何额外的网络参数；最后，应用bottleneck层对F
ALL
执行特征转换：F＝LeakyReLU(WF
ALL
+b)其中，W和b是可训练的权重矩阵和偏置向量，LeakyReLU(
·
)是非线性激活函数。4.根据权利要求2所述的基于自监督域自适应的跨域...

【专利技术属性】
技术研发人员：李佐勇，卢维楷，樊好义，郑祥盘，陈健，
申请(专利权)人：闽江学院，
类型：发明
国别省市：