一种基于双级对齐部分迁移网络的旋转设备故障诊断方法技术

本发明专利技术公开了一种基于双级对齐部分迁移网络的旋转设备故障诊断方法，用于旋转设备故障分类任务。在网络架构方面，部分迁移网络由特征提取器、域判别器和分类器三个基本单元组成，其中，特征提取器利用ViT网络构造而成，域判别器和分类器利用两个独立的三层全连接神经网络构造而成。在网络参数更新方面，1)构造加权平衡机制约束源域和目标域特征对齐过程，实现源域和目标域共享类别边缘分布对齐；2)利用多种度量学习措施，拉近源域和目标域共享类别各子类间的特征距离，实现源域和目标域共享类别间的状态分布对齐。类别间的状态分布对齐。类别间的状态分布对齐。

【技术实现步骤摘要】
一种基于双级对齐部分迁移网络的旋转设备故障诊断方法


[0001]本专利技术属于旋转设备故障诊断领域，具体涉及一种基于双级对齐部分迁移网络的旋转设备故障诊断方法。

技术介绍

[0002]随着智能制造业实力不断提升、现代化重工装置规模不断壮大，旋转设备正朝着复杂化、智能化、高速化和精密化方向发展，这使得潜在故障发生的可能性逐渐增加，维保工作难度提高。在当今工业互联网时代，旋转设备的多源传感器信息采集网络交错纵横、监测数据体量日益激增，利用智能故障诊断技术对旋转设备可能出现的故障隐患进行精准诊断已显得十分必要和紧迫。
[0003]深度学习作为智能故障诊断领域的新起之秀，能够自主挖掘隐藏于原始数据中的代表性诊断信息，直接建立原始数据与运行状态间的精确映射关系，在很大程度上摆脱了对人工特征设计与工程诊断经验的依赖。目前，研究人员提出了大量基于深度学习的旋转设备智能故障诊断方法，取得了较好的诊断效果。然而，这些方法大多基于以下两个假设：1)测试数据与训练数据需满足独立同分布；2)待诊断任务有充足的标签故障样本。在工业现场中，旋转设备的运行转速、负载、环境噪声等工况信息时刻变化，传感器采集到的监测数据分布也在不断变化；旋转设备退化过程随时间缓慢渐进变化，导致旋转设备健康状态与早期微弱损伤状态间监测数据特征差异难以察觉，收集故障样本并进行有效标注是一项费时费力的工作。基于深度学习的智能故障诊断方法无法直接用于解决工业现场旋转设备故障诊断问题。
[0004]基于迁移学习的智能故障诊断方法放宽了深度学习中测试数据与训练数据必须服从独立同分布的约束。迁移学习通过学习先前任务的知识并将其应用到新任务中，有效解决新领域中训练数据量不足以及训练数据与测试数据特征分布不匹配等问题。现阶段，研究人员提出了多种基于迁移学习的智能故障诊断方法用于实现不同运行工况下、不同传感器位置间、不同机械设备间诊断知识的迁移。然而，现有研究均假设源域数据和目标域数据具有相同的标签空间。在实际工业场景中，很难找到标签信息完全相同的源域和目标域数据。源域数据涵盖的运行状态信息往往远超于目标域数据，目标域数据的标签空间多为源域数据的子集。基于迁移学习的智能故障诊断方法在解决实际工业场景的旋转设备故障诊断问题时仍略显不足。
[0005]部分迁移学习通过限制源域不同类别数据在特征对齐过程的贡献度，强化源域和目标域共享类别数据的特征迁移效果，弱化源域离群类别数据对特征迁移的影响，可将诊断模型从包含丰富运行状态信息的大域迁移到仅含少量运行状态信息的小域。现有部分迁移诊断方法仍存在以下两个问题：
[0006]1)现有方法大多利用分类器给出的目标域数据标签信息构造权重信息，约束源域和目标域共享类别间的边缘分布对齐过程。然而，现有方法忽略了源域和目标域共享类别各子类间的状态分布对齐。
[0007]2)现有方法大多选用卷积神经网络作为基础网络架构。卷积神经网络特有的局部感受野结构重点关注监测数据不同片段的局部特征，无法有效捕捉不同片段间特征的相关性。

技术实现思路

[0008]专利技术目的：针对上述现有技术，提出一种基于双级对齐部分迁移网络的旋转设备故障诊断方法，用于旋转设备故障分类任务，提升现有部分迁移诊断方法用于旋转设备的故障识别准确率。
[0009]技术方案：1.一种基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，包括如下步骤：
[0010]步骤1：收集某一工况下包含故障类别数较多的数据作为源域数据，源域数据均为有标签数据；
[0011]步骤2：收集其他工况下包含故障类别数较少的数据作为目标域数据，目标域数据均为无标签数据；
[0012]步骤3：将源域数据和目标域数据同时输入到所构造的双级对齐部分迁移网络中，通过更新双级对齐部分迁移网络的内部参数，实现源域和目标域共享类别边缘分布对齐以及源域和目标域共享类别各子类间的状态分布对齐；
[0013]步骤4：从与目标域数据相同工况的数据中选取部分数据作为测试数据，将测试数据输入已经训练好的双级对齐部分迁移网络，预测测试数据的类别信息。
[0014]2.根据权利要求1所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤1中，有标签的源域数据集表示为其中表示源域第i个样本，表示第i个样本的故障标签，n
s
表示源域样本数；源域数据集的标签空间为Y
s
，对应的边缘状态分布为P
s
。
[0015]3.根据权利要求2所述的基于双级对齐部分迁移网络的故障诊断方法，其特征在于，所述步骤2中，无标签的目标域数据集表示为其中表示目标域第i个样本，n
t
表示目标域样本数；目标域数据集的标签空间为Y
t
，对应的边缘状态分布为P
t
；目标域标签空间为源域标签空间子集，即源域数据和目标域数据的边缘状态分布存在差异，即P
s
≠P
t
，源域共享类别数据和目标域数据的边缘状态分布也存在差异，即P
s,c
≠P
t
。
[0016]4.根据权利要求3所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤3中，双级对齐部分迁移网络的网络结构包括三个基本单元，分别为特征提取器G、域判别器D和分类器C；其中，特征提取器G利用ViT网络构造而成，域判别器D和分类器C均为三层全连接神经网络；
[0017]所构造的ViT网络包括输入处理模块、Transformer编码器模块以及分类模块；在输入处理模块中，设采集的监测数据为一维振动信号输入处理模块中，设采集的监测数据为一维振动信号表示L维空间，首先，将振动信号等间隔分为Z段，即分为Z个token，每段包含的采样点数为S，确保L＝Z
×
S，得到ViT网络的输入数据其次，将截断后的振动信号带入输入节点为S输出节点为N的全连接神经网络，得到处理后的特征然后，将特征x
f
与参数可训练的类别token特
征进行拼接，得到组合特征最后，将可训练参数视为位置嵌入，与组合特征x
cb
相加得到后续Transformer编码器模块输入特征
[0018]Transformer编码器模块由多头自注意力机制、残差连接、层标准化和全连接神经网络组成，利用多头自注意力机制挖掘监测数据中的全局特征信息；经Transformer编码器模块处理后的输出特征与输入特征维度相同，将输出特征表示为在分类模块中，选取Transformer编码器模块输出特征中分类token位置的特征输入全连接神经网络，得到ViT网络输出特征
[0019]5.根据权利要求4所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤3中，利用加权平衡机制约束源域和目标域特征对齐过程，实现源域和目标域共享类别边缘分布对齐；在加权平衡机制中，根据分类器给出的目标域数据标签概率分布构造类别权重系数，评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，包括如下步骤：步骤1：收集某一工况下包含故障类别数较多的数据作为源域数据，源域数据均为有标签数据；步骤2：收集其他工况下包含故障类别数较少的数据作为目标域数据，目标域数据均为无标签数据；步骤3：将源域数据和目标域数据同时输入到所构造的双级对齐部分迁移网络中，通过更新双级对齐部分迁移网络的内部参数，实现源域和目标域共享类别边缘分布对齐以及源域和目标域共享类别各子类间的状态分布对齐；步骤4：从与目标域数据相同工况的数据中选取部分数据作为测试数据，将测试数据输入已经训练好的双级对齐部分迁移网络，预测测试数据的类别信息。2.根据权利要求1所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤1中，有标签的源域数据集表示为其中表示源域第i个样本，表示第i个样本的故障标签，n
s
表示源域样本数；源域数据集的标签空间为Y
s
，对应的边缘状态分布为P
s
。3.根据权利要求2所述的基于双级对齐部分迁移网络的故障诊断方法，其特征在于，所述步骤2中，无标签的目标域数据集表示为其中表示目标域第i个样本，n
t
表示目标域样本数；目标域数据集的标签空间为Y
t
，对应的边缘状态分布为P
t
；目标域标签空间为源域标签空间子集，即源域数据和目标域数据的边缘状态分布存在差异，即P
s
≠P
t
，源域共享类别数据和目标域数据的边缘状态分布也存在差异，即P
s,c
≠P
t
。4.根据权利要求3所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤3中，双级对齐部分迁移网络的网络结构包括三个基本单元，分别为特征提取器G、域判别器D和分类器C；其中，特征提取器G利用ViT网络构造而成，域判别器D和分类器C均为三层全连接神经网络；所构造的ViT网络包括输入处理模块、Transformer编码器模块以及分类模块；在输入处理模块中，设采集的监测数据为一维振动信号处理模块中，设采集的监测数据为一维振动信号表示L维空间，首先，将振动信号等间隔分为Z段，即分为Z个token，每段包含的采样点数为S，确保L＝Z
×
S，得到ViT网络的输入数据其次，将截断后的振动信号带入输入节点为S输出节点为N的全连接神经网络，得到处理后的特征然后，将特征x
f
与参数可训练的类别token特征进行拼接，得到组合特征最后，将可训练参数视为位置嵌入，与组合特征s
cb
相加得到后续Transformer编码器模块输入特征Transformer编码器模块由多头自注意力机制、残差连接、层标准化和全连接神经网络组成，利用多头自注意力机制挖掘监测数据中的全局特征信息；经Transformer编码器模块处理后的输出特征与输入特征维度相同，将输出特征表示为在分类模块中，选取Transformer编码器模块输出特征中分类token位置的特征输入全连接神经
网络，得到ViT网络输出特征5.根据权利要求4所述的基于双级对齐部分迁移网络的旋转设备故障诊断方法，其特征在于，所述步骤3中，利用加权平衡机制约束源域和目标域特征对齐过程，实现源域和目标域共享类别边缘分布对齐；在加权平衡机制中，根据分类器给出的目标域数据标签概率分布构造类别权重系数，评估源域不同类...

【专利技术属性】
技术研发人员：俞昆，战启冉，王雪松，程玉虎，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：