基于循环一致对抗适配网络的机械设备智能故障诊断方法技术

本发明专利技术提供一种基于循环一致对抗适配网络的机械设备智能故障诊断方法。首先建立循环一致对抗适配网络，包括特征生成器、标签预测分类器、领域判别器及两个特征变换器和识别器，在训练阶段，特征生成器与领域判别器相互对抗博弈，减小不同领域间的特征差异；优化标签预测分类器，最小化源领域的健康状态识别误差以确保模型的分类性能；基于特征变换器和识别器通过循环一致生成对抗的思想进一步约束源领域和目标领域的特征，强化领域不可分但类别可区分的属性；在模型训练收敛后，利用特征生成器和标签预测分类器对无标注目标样本进行健康状态识别，实现故障诊断。本发明专利技术考虑到目标领域无标签性，使训练出的诊断模型能更好地诊断机械设备故障。地诊断机械设备故障。地诊断机械设备故障。

【技术实现步骤摘要】
基于循环一致对抗适配网络的机械设备智能故障诊断方法


[0001]本申请涉及机械故障诊断
，具体地涉及一种基于循环一致对抗适配网络的机械设备智能故障诊断方法。

技术介绍

[0002]为了确保现代生产制造中机械设备运行的安全性与可靠性，同时提高产品的生产质量和效益，先进的故障诊断技术发挥着愈来愈重要的作用。迄今为止，各种各样的故障诊断方法已经被提出和发展，其中主要包括基于信号处理的滤波去噪方法和基于机器学习的数据驱动算法。随着智能装备与工业大数据快速发展，以深度学习为代表的智能方法近年来在机械故障诊断领域备受青睐。当利用深度学习模型完成故障诊断任务时，首先需要使用该任务中大量有标签的数据样本进行模型的构建和训练，然后基于训练后的模型对待测样本进行预测识别。尽管在大数据背景下，数据获取更加容易，但大多数据为无标签的原始形态，进行手动标注费时又费力，而且不是所有的数据都能够获得正确的标签。例如，对于一些大型或精密的机械设备，不仅拆机和装机会带来沉重的经济负担，而且不允许在故障状态下收集数据样本。因此，如何在目标任务没有足够的标签样本甚至没有标签样本时完成故障诊断任务是目前亟待解决的难题。
[0003]直观的解决方案是借助相关领域学习到的知识或模型帮助无标签目标领域任务的求解，然而当前大多数的深度学习模型泛化能力有限，其所呈现的分类精度是建立在训练数据和测试数据服从独立同分布的基础上。在真实应用中，不同领域的数据通常具有不同概率分布，直接使用相关领域得到的模型诊断性能会急剧下降。源领域在带标签样本的监督下能够有效训练智能诊断模型，即分类边界能够精确地区分不同健康状态的数据样本。而将该模型应用到无标签目标领域时，由于不同领域之间的数据存在差异，导致源领域诊断模型出现了许多分类混淆，造成了误诊和误判。归纳上述问题可以看出：直接借助相关领域的知识及模型处理新的故障诊断任务，效果往往不尽人意，有必要探索引起模型退化的原因，发展泛化性能更强的智能诊断模型。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术的目的是提出一种基于循环一致对抗适配网络(Cycle
‑
consistent Adversarial Adaptation Network，CAAN)的机械设备智能故障诊断方法，CAAN包括特征生成器、标签预测分类器、领域判别器，在训练阶段，特征生成器与领域判别器相互对抗博弈，减小不同领域间的特征差异；优化标签预测分类器，最小化源领域的健康状态识别误差以确保模型的分类性能；CAAN还包括两个特征变换器和两个特征识别器，通过循环一致生成对抗的思想进一步约束源领域和目标领域的特征，强化其领域不可分但类别可区分的属性；在模型训练收敛之后，利用特征生成器和标签预测分类器对无标注目标样本进行健康状态识别，实现故障诊断，本专利技术考虑到目标域的无标签性，使训练出的诊断模型能更好地诊断机械设备故障。
[0005]为实现上述目的，本专利技术所采用的解决方案为：
[0006]一种基于循环一致对抗适配网络的机械设备智能故障诊断方法，其包括以下步骤：
[0007]步骤1：针对具有多种健康状态的机械设备，采集M种不同工况下的振动数据，获得M种不同工况的振动监测数据集{X,Y}，X为振动监测数据样本集，Y为振动监测数据样本标签集；
[0008]步骤2：在所述步骤1中M种不同工况的振动监测数据集{X,Y}中任意选取两个工况的振动监测数据集，将所述两个工况的振动监测数据集分别设置为源领域训练样本集和目标领域测试样本集；
[0009]步骤3：对所述步骤2中获得的源领域训练样本集和目标领域测试样本集的样本数据进行数据标准化，获得标准化后的源领域训练样本集和目标领域测试样本集；
[0010]步骤4：建立循环一致对抗适配网络机械设备故障诊断模型，其包括以下步骤：
[0011]步骤41：构建循环一致对抗适配网络，所述循环一致对抗适配网络包括特征生成器、标签预测分类器、领域判别器、两个特征转换器和两个特征识别器；利用所述步骤3中获得的标准化后的源领域训练样本集和目标领域测试样本集对所述特征生成器进行训练，获得两个领域的特征，所述两个领域包括源领域和目标领域，所述两个领域的特征包括源领域特征f
s
和目标领域特征f
t
；
[0012]步骤42：利用所述步骤41获得的两个领域的特征训练所述领域判别器，所述领域判别器对所述两个领域的特征进行区分，与所述特征生成器形成对抗；利用所述源领域特征f
s
训练所述标签预测分类器，使所述源领域的分类误差最小；训练所述特征生成器、领域判别器和标签预测分类器的目标优化函数为
[0013]步骤43：对所述步骤41获得的两个领域的特征施加循环一致约束，所述循环一致约束为利用所述步骤41的两个特征转换器和两个特征识别器对所述两个领域的特征进行约束，所述两个特征转换器包括从源领域到目标领域的特征转换器T
s
→
t
和从目标领域到源领域的特征转换器T
t
→
s
，所述两个特征识别器包括目标领域特征识别器D
tf
和源领域特征识别器D
sf
，利用所述步骤41获得的源领域特征f
s
训练所述特征转换器T
s
→
t
，获得伪目标领域特征所述伪目标领域特征的损失函数为利用所述步骤41获得的目标领域特征f
t
训练所述特征转换器T
t
→
s
，获得伪源领域特征所述伪源领域特征的损失函数为
[0014]步骤44：对所述步骤43获得的伪目标领域特征和伪源领域特征进行反向重构，获得重构的目标领域特征和重构的源领域特征采用差异度量函数L1使所述重构的目标领域特征与所述目标领域特征f
t
具备一致性，采用差异度量函数L1使所述重构的源领域特征与所述源领域特征f
s
具备一致性；根据所述重构的目标领域特征重构的源领域特征和两个领域的特征获得所述步骤43的循环一致约束的重构误差为根据所述步骤43获得的伪源领域特征和伪目标领域特征构建语义一致优化目标使所述语义一致优化目标最小，确保特征的语义一致性；
[0015]步骤45：根据所述步骤42获得的目标优化函数为步骤43获得的伪目标领域特征的损失函数和伪源领域特征的损失函数步骤44获得的循环一致约束的重构误差和语义一致优化目标获得基于所述循环一致对抗适配网络的机械智能诊断方法的总体优化目标为：
[0016][0017]式中：λ
t
为控制和的权衡参数；λ
cyc
为控制的权衡参数；λ
sem
为控制的权衡参数；
[0018]步骤46：使用随机梯度下降法优化所述循环一致对抗适配网络，当所述步骤45获得的总体优化目标最小时，获得循环一致对抗适配网络机械设备故障诊断模型；否则重复步骤41
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环一致对抗适配网络的机械设备智能故障诊断方法，其特征在于，其包括以下步骤：步骤1：针对具有多种健康状态的机械设备，采集M种不同工况下的振动数据，获得M种不同工况的振动监测数据集{X,Y}，X为振动监测数据样本集，Y为振动监测数据样本标签集；步骤2：在所述步骤1中M种不同工况的振动监测数据集{X,Y}中任意选取两个工况的振动监测数据集，将所述两个工况的振动监测数据集分别设置为源领域训练样本集和目标领域测试样本集；步骤3：对所述步骤2中获得的源领域训练样本集和目标领域测试样本集的样本数据进行数据标准化，获得标准化后的源领域训练样本集和目标领域测试样本集；步骤4：建立循环一致对抗适配网络机械设备故障诊断模型，其包括以下步骤：步骤41：构建循环一致对抗适配网络，所述循环一致对抗适配网络包括特征生成器、标签预测分类器、领域判别器、两个特征转换器和两个特征识别器；利用所述步骤3中获得的标准化后的源领域训练样本集和目标领域测试样本集对所述特征生成器进行训练，获得两个领域的特征，所述两个领域包括源领域和目标领域，所述两个领域的特征包括源领域特征f
s
和目标领域特征f
t
；步骤42：利用所述步骤41获得的两个领域的特征训练所述领域判别器，所述领域判别器对所述两个领域的特征进行区分，与所述特征生成器形成对抗；利用所述源领域特征f
s
训练所述标签预测分类器，使所述源领域的分类误差最小；训练所述特征生成器、领域判别器和标签预测分类器的目标优化函数为步骤43：对所述步骤41获得的两个领域的特征施加循环一致约束，所述循环一致约束为利用所述步骤41的两个特征转换器和两个特征识别器对所述两个领域的特征进行约束，所述两个特征转换器包括从源领域到目标领域的特征转换器T
s
→
t
和从目标领域到源领域的特征转换器T
t
→
s
，所述两个特征识别器包括目标领域特征识别器D
tf
和源领域特征识别器D
sf
，利用所述步骤41获得的源领域特征f
s
训练所述特征转换器T
s
→
t
，获得伪目标领域特征所述伪目标领域特征的损失函数为利用所述步骤41获得的目标领域特征f
t
训练所述特征转换器T
t
→
s
，获得伪源领域特征所述伪源领域特征的损失函数为步骤44：对所述步骤43获得的伪目标领域特征和伪源领域特征进行反向重构，获得重构的目标领域特征和重构的源领域特征采用差异度量函数L1使所述重构的目标领域特征与所述目标领域特征f
t
具备一致性，采用差异度量函数L1使所述重构的源领域特征与所述源领域特征f
s
具备一致性；根据所述重构的目标领域特征重构的源领域特征和两个领域的特征获得所述步骤43的循环一致约束的重构误差为根据所述步骤43获得的伪源领域特征和伪目标领域特征构建语义一致优化目标使所述语义一致优化目标最小，确保特征的语义一致性；步骤45：根据所述步骤42获得的目标优化函数为步骤43获得的伪目标领域特征
的损失函数和伪源领域特征的损失函数步骤44获得的循环一致约束的重构误差和语义一致优化目标获得基于所述循环一致对抗适配网络的机械智能诊断方法的总体优化目标为：式中：λ
t
为控制和的权衡参数；λ
cyc
为控制的权衡参数；λ
sem
为控制的权衡参数；步骤46：使用随机梯度下降法优化所述循环一致对抗适配网络，当所述步骤45获得的总体优化目标最小时，获得循环一致对抗适配网络机械设备故障诊断模型；否则重复步骤41
‑
46；步骤5：采集机械设备的振动数据输...

【专利技术属性】
技术研发人员：林京，焦金阳，李豪，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：