【技术实现步骤摘要】
一种基于多源子域适应网络的旋转机械跨域故障诊断方法
[0001]本专利技术属于小样本振动信号处理及旋转机械跨域故障诊断领域,具体涉及一种基于多源子域适应网络的旋转机械跨域故障诊断方法。
技术介绍
[0002]旋转机械广泛应用于发动机、风机、柴油机等动力装置中,且由于动力装置恶劣的运行工况(低速重载工况、超负荷运转、交变冲击及载荷)导致旋转机械极易发生故障。研究表明轴承、齿轮等旋转部件引发的故障占机械故障总数的四成以上,这一数据说明旋转机械相较于其他部件更易发生故障。同时,由于旋转机械的复杂工况条件,导致其采样困难。因此,开展旋转机械小样本振动信号故障诊断研究,能够有效改善传统故障诊断依赖人工经验的局限性。
[0003]振动信号往往伴随故障出现,且信号中包含丰富的故障特征。近年来,由于深度学习算法的快速发展,越来越多的深度学习方法也被嫁接到故障诊断领域。然而,在实际的设备工作应用场景下,标签样本的获取是困难且昂贵的。因此获取足够的标签数据用于深度学习训练是难的。这使得基于大量数据训练的深度学习方法就不再适用了。因此,亟需开发一种基于稀缺样本的旋转机械故障诊断方法,以实现旋转机械在样本稀缺条件下的振动信号的特征提取和故障诊断。
技术实现思路
[0004]专利技术目的:为了克服现有技术中存在的不足,提供一种基于多源子域适应网络的旋转机械跨域故障诊断方法,适用于样本稀缺条件下的旋转机械跨域故障诊断。
[0005]技术方案:为实现上述目的,本专利技术提供一种基于多源子域适应网络的旋转机械跨域故障 ...
【技术保护点】
【技术特征摘要】
1.一种基于多源子域适应网络的旋转机械跨域故障诊断方法,其特征在于,包括如下步骤:S1:获取旋转机械不同转速工况下的振动信号;S2:引入深度卷积生成对抗网络作为样本生成器对步骤S1获取的小样本振动信号进行数据扩充;S3:将训练好的深度残差网络作为共享特征提取器对步骤S2扩充后的振动信号和多个源域振动信号数据集进行共享特征提取;S4:应用多分支并联结构作为域特定特征提取器和域特定特征分类器,使用局部最大均值差异对齐每个源域和目标域的子域;S5:根据局部均值差异度量损失的大小设置加权模块;S6:采取损失最小,距离最近作为分类器选取准则,实现多源域联合诊断,判断故障类型。2.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法,其特征在于,所述步骤S1中振动信号的获取方式为:采用加速度传感器采集旋转机械的振动信号x1(t)、x2(t)、x3(t)、x4(t)。3.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法,其特征在于,所述步骤S2中深度卷积生成对抗网络样本扩充的过程为:A1:将生成信号与真实信号传入判别器,通过判别器区分真实与生成信号,即最大化目标函数V(D,G);A2:将生成信号打上真实标签传入训练判别器,要求生成数据能欺骗判别器,即最小化目标函数V(D,G),V(D,G)的上升与下降形成对抗,网络通过寻找二者之间的平衡,生成更为相似的信号数据;A3:需要优化的目标函数为:式中:D(x)为判别器判断真实数据是否真实的概率;D[G(Z)]为判别器判断生成信号是否真实的概率;P
data
为真实样本分布;P
G
为向量Z的先验分布。4.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法,其特征在于,所述步骤S3中共享特征提取的方式为:深度残差网络提取特征包括三部分:局部感知、参数共享、池化。5.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法,其特征在于,所述步骤S4具体为:B1:针对各个源域设置特定的特征空间;只考虑单个网络分支,通过LMMD进行度量的损失为:B2:对各特定特征空间的损失进行加权,通过LMMD进行度量的源域和目标域损失表示如下:
其中,ω
j
为各源域对应的权重,G
j
(
·
)为源特定特征提取器,通过给各源域加权可以得出重组源域和目标域的实际距离;B3:域特定分类器通过接收域特定特征提取器的输出特征,并输出其概率分布,其分类损失为:源域数据集为:X
S
【专利技术属性】
技术研发人员:周宏根,李晨昀,李炳强,刘金锋,吴超,康超,陈宇,谢阳,
申请(专利权)人:江苏科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。