基于对抗域判别的异构工况织机轴承故障识别方法及模型技术

本发明专利技术提出一种基于对抗域判别的异构工况织机轴承故障识别方法及模型，目标域的机器状态数据为无标注的原始机器数据，通过这些无标注的数据训练模型，在大大提高目标域的机器故障识别性能的同时，也降低了人工标注数据的时间和成本，省时省力，这样的模型在工业生产状态监控中，有着更好的应用前景，对于工业机器健康数据有着更好的使用效果；通过两个分类器之间的对抗训练，以及分离器与工况判别器之间的对抗训练，对存在领域偏差的异构工况数据集进行调整，使得在与源域偏差较大的目标域数据集中，模型也有很好的故障识别精确度。模型也有很好的故障识别精确度。模型也有很好的故障识别精确度。

【技术实现步骤摘要】
基于对抗域判别的异构工况织机轴承故障识别方法及模型


[0001]本专利技术属于织机轴承故障识别
，具体涉及一种基于对抗域判别的异构工况织机轴承故障识别方法及模型。

技术介绍

[0002]随着工业化规模的不断扩大，众多工业制造领域当中使用的机器设备越来越复杂，纺织工业当然也不例外，但是由于恶劣的工作环境以及织机长时间的运行，诸如轴承等关键部件难免会出现故障，影响经济收益以及工人的生命安全，因此，在织机设备的运行过程中，对相应设备进行生产状态监控是必不可少的，这其中最重要的就是织机轴承故障识别，目前工业界采用的生产状态监控的织机轴承故障识别方法大多数仍为工人凭借经验检测，这样的方式既效率低、成本高，还无法保证准确度，因此，业内逐渐尝试采用基于织机设备数据的方式来对织机的健康状态进行监控，及时发现故障，这样的方式可以提高效率，减少成本，保证诊断精度。
[0003]大部分的织机轴承故障识别方法可以实现快速和较准确的轴承故障识别，相比人工的进行织机生产状态监控有着更高的效率，但这些算法本身的泛化性却很差，只能在基准数据集上很好的进行织机生产状态监控，而在实际的工业场景中，不同设备的数据往往具有不同的分布，这将导致模型在新的数据集上的故障识别能力急剧下降，虽然目前也有技术方案考虑到了数据分布不同的问题，对源域和目标域的数据进行对齐，取得了一定的成果，但这些方法没有考虑目标域采样到的织机数据的故障类别要少于源域织机数据的故障类别，在原始工况下，很容易收集到许多故障类别健康状态的机器数据，但在新的工况机器下，即异构工况下的机器故障类别往往要少于原始环境的，因此，需要设计一种更为有效的方法，解决在异构工况下织机轴承故障类别少于原始工况下的织机轴承故障类别时的故障识别问题，例如，从生产系统的健康管理系统中收集到的织机振动数据可能同时包含轴承和齿轮箱的数据，如果这些数据直接用于异构工况下织机的滚动轴承故障识别，一方面异构工况下的轴承振动数据与原来的轴承振动数据存在领域偏差，另一方面原来收集的多余的齿轮箱数据可能会对模型的训练起到负向作用，这些都将制约模型的故障识别性能，因此，需要设计一种更为有效的方法，在新的异构工况下数据类别少于原始工况下机器数据类别，并且两种情况下机器数据存在领域偏差时，提升模型的泛化能力，减少重新训练模型所带来的高额成本。
[0004]目前对于机器轴承故障识别已经有了许多的研究，如基于残差宽核深度卷积自编码器方法以及基于连续小波变换与深度Q学习的故障识别技术，这些方法只针对故障识别本身进行研究，并未考虑领域偏差以及类别集合的差异，无法提高模型的泛化性。
[0005]例如，中国专利技术专利申请号为CN201810491685.2的专利文献公开了一种故障迁移方法和故障对HVDC换相失败影响的分析方法，该专利技术利用故障迁移方法将交流网中的故障迁移到了高压直流输电系统的换流母线上，对交流电网进行了一定的分析，具有很好的性能；
[0006]再如，中国专利技术专利申请号为CN202010286527.0的专利文献公开了一种基于小样本自学习的故障判别方法，不需要大量的标签数据来进行训练，通过特征提取结合迁移学习实现了故障识别知识的迁移，提高了在目标数据中的故障识别准确率，保证机器的正常运行，对于工厂车间的安全生产有着很重要的意义。
[0007]上述提到的现有技术，存在以下两个明显的缺陷，一个是这些方法大多只针对某一种具体类型的数据，无法将模型泛化到多种类型的机器中，在异构工况的条件下无法完成生产状态监控的任务；另一方面，这些故障迁移方法没有考虑异构工况下采集的数据故障类别要少于原始工况下的数据故障类别的情况，这将导致在将这些方法应用到实际的工业场景中时，出现模型故障识别性能下降的问题。
[0008]基于现有技术存在如上述技术问题，本专利技术提供一种基于对抗域判别的异构工况织机轴承故障识别方法及模型。

技术实现思路

[0009]本专利技术提出一种基于对抗域判别的异构工况织机轴承故障识别方法及模型。
[0010]本专利技术采用以下技术方案：
[0011]一种基于对抗域判别的异构工况织机轴承故障识别方法及模型，包括：
[0012]步骤1，织机状态输入模块定义新收集到的织机故障识别的目标域数据集O
t
和已经存在的原始织机故障识别的源域数据集O
s
；
[0013]步骤2，基于卷积神经网络构造织机轴承特征提取模块，基于对抗训练的思想构建织机轴承故障双重诊断模块，织机轴承特征提取模块接收来自织机状态输入模块传入的数据，提取样本特征，利用两个分类器关于目标域数据样本预测的差异，找到源域支持外的目标域数据样本，对齐源域与目标域的数据分布；
[0014]步骤3，织机轴承主性质分离模块通过主性质分离器与工况判别器之间的对抗训练，从数据集的每个样本中，提取源域和目标域相似的主性质；
[0015]步骤4，异构织机轴承特征加权模块利用主性质，对数据特征进行加权，并分别将加权后的源域特征和目标域特征按列取平均值，再利用异构加权特征对齐模块将目标域与源域的异构加权特征均值对齐；
[0016]步骤5，根据源域数据样本以及目标域数据样本对织机轴承故障识别模型训练；
[0017]步骤6，将目标域数据集O
t
输入到已经训练好的织机轴承故障识别模型中，对目标域的织机状态数据进行分析，将两个分类器预测结果传入故障状态输出模块，取均值输出，将分类置信度最大的类别作为织机轴承的故障类别，完成目标域的织机轴承故障识别任务。
[0018]进一步地，步骤1中，源域O
s
和目标域O
t
的表示：
[0019][0020][0021]上式(1)和(2)中，O
s
表示源域织机状态数据集，O
t
表示目标域织机状态数据集，是源域的第i个数据，n
s
是源域数据样本的个数，i表示第i个数据样本，表示源域数据样
本的标注，即所属的轴承故障类别，是目标域的第i个数据，n
t
是目标域数据样本的个数，i表示第i个数据样本，其中，源域包含有个轴承故障类别，代表源域的轴承故障类别空间，目标域的轴承故障类别集合是源域轴承故障类别集合的子集。
[0022]进一步地，步骤5包括织机轴承故障识别一级模型训练：
[0023]步骤511，织机状态输入模块随机选取一定量的源域数据样本以及目标域数据样本，传入织机轴承特征提取模块中；
[0024]步骤512，源域数据样本以及目标域数据样本数据经过织机轴承特征提取模块处理后，获得多维度特征；
[0025]步骤513，织机轴承故障双重诊断模块获得多维度特征，并分别得到源域数据样本和目标域数据样本的轴承故障类别预测概率值，基于目标域数据样本的预测概率值获得差异损失函数最大化差异损失函数基于源域数据样本的预测概率值，获得分类交叉熵损失与完成一级模型训练。
[0026]进一步地，步骤5包括织本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，包括：步骤1，织机状态输入模块定义新收集到的织机故障识别的目标域数据集O
t
和已经存在的原始织机故障识别的源域数据集O
s
；步骤2，基于卷积神经网络构造织机轴承特征提取模块，基于对抗训练的思想构建织机轴承故障双重诊断模块，织机轴承特征提取模块接收来自织机状态输入模块传入的数据，提取样本特征，利用两个分类器关于目标域数据样本预测的差异，找到源域支持外的目标域数据样本，对齐源域与目标域的数据分布；步骤3，织机轴承主性质分离模块通过主性质分离器与工况判别器之间的对抗训练，从数据集的每个样本中，提取源域和目标域相似的主性质；步骤4，异构织机轴承特征加权模块利用主性质，对数据特征进行加权，并分别将加权后的源域特征和目标域特征按列取平均值，再利用异构加权特征对齐模块将目标域与源域的异构加权特征均值对齐；步骤5，根据源域数据样本以及目标域数据样本对织机轴承故障识别模型训练；步骤6，将目标域数据集O
t
输入到已经训练好的织机轴承故障识别模型中，对目标域的织机状态数据进行分析，将两个分类器预测结果传入故障状态输出模块，取均值输出，将分类置信度最大的类别作为织机轴承的故障类别，完成目标域的织机轴承故障识别任务。2.根据权利要求1所述的基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，步骤1中，源域O
s
和目标域O
t
的表示：的表示：上式(1)和(2)中，O
s
表示源域织机状态数据集，O
t
表示目标域织机状态数据集，是源域的第i个数据，n
s
是源域数据样本的个数，i表示第i个数据样本，表示源域数据样本的标注，即所属的轴承故障类别，是目标域的第i个数据，n
t
是目标域数据样本的个数，i表示第i个数据样本，其中，源域包含有个故障类别，代表源域的故障类别空间，目标域的轴承故障类别集合是源域轴承故障类别集合的子集。3.根据权利要求2所述的基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，步骤5包括织机轴承故障识别一级模型训练：步骤511，织机状态输入模块随机选取一定量的源域数据样本以及目标域数据样本，传入织机轴承特征提取模块中；步骤512，源域数据样本以及目标域数据样本数据经过织机轴承特征提取模块处理后，获得多维度特征；步骤513，织机轴承故障双重诊断模块获得多维度特征，并分别得到源域数据样本和目标域数据样本的轴承故障类别预测概率值，基于目标域数据样本的预测概率值获得差异损失最大化差异损失基于源域数据样本的预测概率值，获得分类交叉熵损失与完成一级模型训练。4.根据权利要求2所述的基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，步骤5包括织机轴承故障识别二级模型训练：
步骤521，织机轴承故障双重诊断模块获得多维度特征，得到样本预测概率值，并最小化所述差异损失基于两个分类器对目标域数据样本的预测值，得到类级权重基于类级权重得到类级加权分类交叉熵损失步骤522，织机轴承主性质分离模块根据样本特征得到分离的织机状态主性质；根据工况判别器，构建工况判别损失步骤523，异构织机轴承特征加权模块根据样本特征和织机状态主性质，将样本特征映射到主性质的回归损失得到异构织机轴承特征加权模块输入层的梯度值梯度值作为特征级加权的权重值，维度与相应特征的维度相同；将权重值与相应特征进行元素级的相乘操作，得到特征级加权的源域与目标域数据样本特征，将源域与目标域数据样本特征分别按维度取平均值传入异构加权特征对齐模块中，再构造对齐损失函数将取平均值后的加权源域和目标域特征对齐；步骤524，用对齐损失函数以及构建训练阶段的总训练损失利用梯度下降算法进行反向传播，更新织机轴承特征提取模块与织机轴承故障双重诊断模块的参数，最小化损失函数，实现模型在目标域数据中的织机轴承故障识别；步骤525，重复步骤524进行训练，直至达到最大迭代次数。5.根据权利要求3所述的基于对抗域判别的异构工况织机轴承故障识别方法，其特征在于，步骤513中，基于目标域数据样本的预测概率值获得的差异损失表示为：上式中，n
t
代表目标域...

【专利技术属性】
技术研发人员：李爽，布仁呼，刘驰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：