基于采样卷积和对抗学习的跨域故障诊断方法技术

本发明专利技术涉及一种基于采样卷积和对抗学习的跨域故障诊断方法。首先构造了一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入，然后使用分类器进行故障分类、使用域鉴别器以鉴别域来源情况。为了对齐源域和目标域的特征分布，引入了最大平均差异（MMD）损失和域对抗损失来参与网络的训练。本发明专利技术提升了跨域故障诊断的准确性。域故障诊断的准确性。域故障诊断的准确性。

【技术实现步骤摘要】
基于采样卷积和对抗学习的跨域故障诊断方法


[0001]本专利技术属于时序分析领域，具体涉及一种基于采样卷积和对抗学习的跨域故障诊断方法。

技术介绍

[0002]作为旋转机械的关键部件之一，旋转轴承的状态对机械的安全运行非常重要。智能故障诊断旨在根据传感器收集的振动信号，判断旋转轴承早期故障的类别。精确可靠的故障诊断能防止整个系统瘫痪，从而确保系统安全可靠运行。近年来，随着人工智能技术的发展，智能故障诊断技术已在现代工业中得到了广泛应用。
[0003]传统的基于机器学习的故障诊断方法，包括支持向量机、逻辑回归等，已被广泛研究并应用于现实场景中。然而，传统方法依赖于人工特征和先进的信号处理技术，其泛化能力有限。随着数据量的爆炸式增长，基于深度学习的方法由于其不需要手动特征作为输入的特点，逐渐成为了研究热点，并获得了更高的诊断精度。例如，Jiang等人[1]出了一种多尺度卷积神经网络，它可以捕获更丰富的诊断信息，并获得更好的性能。Yin等人[2]提出了一种带余弦损失函数的优化长短时记忆网络，该网络将损失从欧几里德空间转换为角度空间，减少了信号强度的影响。
[0004]传统的故障诊断方法假设训练样本和测试样本是独立同分布的。然而，此类假设在实际应用场景中往往不能成立，例如在不同工作条件下从轴承收集的数据分布差异较大。为每个不同的工作条件收集足够的训练数据是劳动密集、昂贵的，这限制了这些方法的现实引用。为解决上述问题，无监督领域自适应(Unsupervised domain Adaption，UDA)，旨在将知识从标记领域迁移到未标记领域，已广泛应用于故障诊断。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。基于映射的方法最小化学习到的特征的分布距离，使得特征提取器可以将源域和目标域映射到共享特征空间中。基于对抗的方法使用域鉴别器进行对抗训练，以便特征提取器能够提取领域不变特征。
[0005]尽管现有方法已经获得令人鼓舞的跨域故障诊断结果，但它们未能考虑振动信号内部的时间关系，从而导致次优诊断精度。时间序列的奇偶子序列是存在单位时间偏移的序列对，它们之间的关系反映了时间序列的细微变化规律。为捕捉这种变化规律，我们提出了域对抗采样卷积网络(DASCN)。

技术实现思路

[0006]本专利技术的目的在于提供一种基于采样卷积和对抗学习的跨域故障诊断方法，提升了跨域故障诊断的准确性。
[0007]为实现上述目的，本专利技术的技术方案是：一种基于采样卷积和对抗学习的跨域故障诊断方法，首先，构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入；然后，使用分类器进行故障分类，并使用域鉴别器以鉴别域来源情况；最后，引入最大平均差异损失和域对抗损失对齐源域和目标域的特征分布。
[0008]相较于现有技术，本专利技术具有以下有益效果：大部分现有的域自适应故障诊断方法没能考虑振动信号内部的时间关系，从而导致次优诊断精度。本专利技术设计了一个域对抗采样卷积网络(DASCN)以在域自适应的过程中考虑振动信号内部的时间关系。DASCN将原始信号降采样为奇数子序列和偶数子序列，利用卷积神经网络提取它们的特征表示并进行特征交互，从而获得包含其相关性的嵌入表示。最后通过结合域对抗训练和MMD模块对齐源域和目标域的特征分布。本专利技术提升了跨域故障诊断的准确性。
附图说明
[0009]图1为本专利技术方法的流程图。
[0010]图2为DASCN概述。
[0011]图3为下采样模块详细过程。
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采样卷积和对抗学习的跨域故障诊断方法，首先，构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入；然后，使用分类器进行故障分类，并使用域鉴别器以鉴别域来源情况；最后，引入最大平均差异损失和域对抗损失对齐源域和目标域的特征分布。
[0014]以下为本专利技术具体实现过程。
[0015]本专利技术一种基于采样卷积和对抗学习的跨域故障诊断方法，如图1所示。首先，将原始数据输入采样卷积网络，以提取包含内部关系信息的特征表示。然后，将获得的特征输入分类网络进行故障分类，并输入域鉴别器网络进行域对抗训练。此外，MMD损失被用于对齐源域和目标域之间的特征分布差异。
[0016]1、问题定义
[0017]在本专利技术中，我们研究了UDA故障诊断问题。假设我们有一个从源域P
s
采样的带标签数据集从目标域P
t
中采样的无标记数据集两个数据集具有相同的类别空间，但却有着较大的数据分布差异。给定D
s
和D
t
，我们的目标是训练函数f(
·
)，预测采样自P
t
的样本的故障类别。
[0018]2、特征提取器
[0019]受工作[3]的启发，我们设计了一个交互网络作为特征提取器Z(
·
)。对于来自源域或目标域的原始信号X，我们首先使用下采样模块将其拆分为奇数子序列X
odd
和偶数子序列X
even
。图2显示了该模块的详细过程。
[0020]接下来，我们使用共享权重的四层CNN编码器从X
odd
和X
even
中提取特征表示。由于下采样导致的两个子序列中的信息丢失，通过学习仿射变换函数来实现两个序列之间的特征交互。该过程可以定义为：
[0021]F
′
odd
＝F
odd
⊙
exp(φ(F
even
))+ψ(F
even
)
[0022]F
′
even
＝F
even
⊙
exp(φ(F
odd
))+ψ(F
odd
)
[0023]其中，
⊙
是Hadamard乘积；exp(
·
)为以e为底的指数变换函数；F
′
odd
和F
′
even
分别是F
odd
和F
even
的特征变换结果。φ(
·
)和ψ(
·
)是两个投影函数，它们将子序列投影到两个
隐藏状态，分别用于另一个序列的乘法和加法变换。最后，通过非线性变换融合两个子序列特征，以实现整体特征：
[0024]F＝ReLU(W[F
′
odd，
F
′
even
]+b)
[0025]其中，ReLU(
·
)是非线性激活函数，[
·
，
·
]为矩阵连接操作，W和b分别是可训练的权重矩阵和偏置向量。
[0026]3、故障分类器
[0027]为了确保基本分类功能，使用带本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于采样卷积和对抗学习的跨域故障诊断方法，其特征在于，首先，构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入；然后，使用分类器进行故障分类，并使用域鉴别器以鉴别域来源情况；最后，引入最大平均差异损失和域对抗损失对齐源域和目标域的特征分布。2.根据权利要求1所述的基于采样卷积和对抗学习的跨域故障诊断方法，其特征在于，跨域故障诊断问题定义如下：假设有一个从源域P
s
采样的带标签数据集从目标域P
t
中采样的无标签数据集两个数据集具有相同的类别空间，但有数据分布差异；给定D
s
和D
t
，目标是训练函数f(
·
)，预测采样自P
t
的无标签数据集中样本的故障类别。3.根据权利要求2所述的基于采样卷积和对抗学习的跨域故障诊断方法，其特征在于，所述构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入的具体实现方式如下：设计一个交互网络作为特征提取器Z(
·
)；对于来自源域或目标域的原始信号X，首先使用下采样模块将其拆分为奇数子序列X
odd
和偶数子序列X
even
；使用共享权重的四层CNN编码器从X
odd
和X
even
中提取特征表示；通过学习仿射变换函数来实现两个序列之间的特征交互；该过程定义为：F
′
odd
＝F
odd
⊙
exp(φ(F
even
))+ψ(F
even
)F
′
even
＝F
even
⊙
exp(φ(F
odd
))+ψ(F
odd
)其中，
⊙
是Hadamard乘积；exp(
·
)为以e为底的指数变换函数；F'
odd
和F'
even
分别是F
odd
和F
even
的特征变换结果；φ(
·
...

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