一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法技术方案

本发明专利技术公开了一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法：首先，采集发射系统伺服电机轴承等关键处进行振动信号，并分为测试样本集与训练样本集，通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广，获得增广的训练样本集和增广的测试样本集；然后再将所增广的训练样本集输入到所设计的领域泛化图自编码算法中进行训练与学习，该算法主要对多源域数据进行图表示学习，然后输入到图自编码网络中进行解码与编码，尽可能获得足够泛化的算法参数与高维特征，再分别计算图自编码分类损失与领域判别损失进行诊断模型的训练，利用多核最大均值差异损失及梯度反转层来缩小多源域分布差距，学习到能适应于未知目标域的泛化知识；最后，将增广的测试样本集输入到训练好的诊断模型中进行发射系统伺服电机轴承未知域状态样本的测试与诊断。伺服电机轴承未知域状态样本的测试与诊断。伺服电机轴承未知域状态样本的测试与诊断。

【技术实现步骤摘要】
一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法


[0001]本专利技术涉及机械设备中的智能故障诊断技术，具体涉及一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法。

技术介绍

[0002]目前，以火箭炮、火箭、装甲车辆等为代表的高速化、高精化、智能化的发射系统被广泛应用到民用工业服务、国防军工建设等各个领域。其中，伺服电机轴承作为发射系统传动与驱动链上十分重要的一环，扮演着关键的能源与动力传递或转换角色。其中，圆柱滚子轴承由于具有径向承载能力大的特点而广泛应用于高速旋转及冲击载荷下的伺服电机系统中，其在工作中发生的各种故障将直接影响发射系统的控制精度，其工作环境异常恶劣且复杂，且常处于高转速、高温升、变载荷等持续复杂工况，一旦伺服电机轴承系统发生故障或损伤，轻则会导致装备系统振动或噪音等信号异常增大，重则会导致不可逆转的灾难性事故。为此，需要对复杂工况下(如变工况、波动工况等)高端装备的核心零部件如轴承等进行有效的状态监测与故障诊断，这对提高伺服电机系统的稳定性与安全性具有积极的意义。
[0003]具体而言，由于伺服电机轴承系统的运行状况一般是轴承、转子等零部件相互作用、相互耦合为装备提供支撑、旋转等运动服务，其工作状况也时常表现出非线性、非平稳的耦合运动趋势。即复杂工况下伺服电机系统故障诊断带来的问题主要有：(1)复杂工况下轴承故障的频域信号会产生频移和幅变问题，使得传统的信号处理方法无法进行精确区分；(2)工况变化引起相邻两次冲击的时间间隔波动，导致工况波动剧烈；(3)样本之间分布存在显著差异，导致监测数据分布存在差异；(4)工作环境恶劣多变、激励源众多、传递路径复杂、噪声分布更加严重等，导致未知域、新样本诊断困难等。上述这些问题都会使得伺服电机轴承故障诊断任务更加艰巨，跨轴承、跨机器的未知工况下新样本的诊断更加困难，需要更为智能化、可迁移、可泛化的故障诊断方法。
[0004]目前，实现复杂工况下高端装备智能运维与健康管理主要以深度学习、迁移学习等特征学习与模式识别算法为代表。深度学习作为当前最为先进的数据及信息处理工具之一，通过多层特征提取，从而提升分类或预测的准确性。现阶段，国内外学者基于深度学习的智能故障诊断方法开展了大量研究工作。然而，由于伺服电机系统所测量的数据为“高维、海量”的状态，跨工况、跨模态、跨通道的多源信息交叉耦合导致其诊断模型泛化性难以得到保障。事实上，深度学习只对欧式空间数据进行非线性映射，易忽略数据之间相互依赖的关联性。仅依靠经典的深度学习算法等对大规模数据进行一刀切地处理与分析是不恰当的，会丢失重要的诊断信息，造成特征提取的不准确性、故障诊断的误判性等现象。
[0005]上述基于深度学习的故障诊断方法大多假设训练集(源域)和测试集(目标域)遵循相似的概率分布。相反地，由于工业设备总是在多变的工作条件下，数据分布必然会发生变化。由源域样本训练的深度模型遵循一定的概率分布，但对具有不同概率分布的目标域
样本进行分类的性能会降低。因此，有必要开发智能故障故障诊断方法来应对跨域或未知域诊断任务。迁移学习为上述问题提供全新的解决方案，它可利用数据、任务或模型之间的相似性，将在旧领域(源域)学习过的模型与知识应用于新领域(目标域)。然而，上述迁移学习故障诊断方法大多忽略了源域与目标域之间的关系，其本质是从源域学习可迁移的知识，现有的迁移学习诊断方法本质上均是故障信息与诊断知识间的迁移，例如轴承故障工况波动大、多源参数耦合等都会导致其图域间几何结构关系及非欧式空间的关联性容易被忽略。为解决上述问题，图神经网络应运而生。
[0006]目前，火热的图神经网络(GNN)更加注重关注数据的连接关系，其目标是为图域中存储的数据建立特定的网络联系，从而处理非欧式空间数据的结构信息。其中，图卷积网络(Graph Convolutional Network,GCN)解决了传统神经网络在非欧式的数据结构上不具有平移不变性(无法采用同样大小的卷积核来进行卷积)的不足，使得在不规则的图结构上卷积变成可能。最近，诸如图注意网络(GAT)、图自编码(GAE)等算法被相继提出，这些算法具有更强的数据稀疏性与重构性。
[0007]仅依靠经典的机器学习算法对大规模数据进行“一刀切”地处理与分析是不恰当的，会造成运行状况评估的不合理性、故障诊断的误判性及模型泛化不可靠性等现象。即上述图迁移学习算法没有考虑未知域问题，其泛化、未知域故障诊断能力有限，即如何将跨域图关系构建有效地融入迁移学习中实现未知域样本的智能诊断，值得深入研究。为了解决上述问题，深度图迁移学习应运而生，主要是融合图神经网络的几何结构关系抽取性能与迁移学习强泛化的知识迁移能力，为解决现有航空装备故障诊断存在的问题开辟了崭新的研究思路。因此，展开深度学习、迁移学习、领域泛化、图神经网络理论在机械设备关键机械部件智能故障诊断中的应用研究，对于保障工业设备的安全运行和提高发射系统实际效率具有重要积极意义。

技术实现思路

[0008]本专利技术为实现发射系统伺服电机轴承等部件的智能故障特征提取与诊断，设计了一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，旨在通过优化的图自编码网路以及领域泛化迁移学习机制，实现未知域下发射系统伺服电机轴承故障特征智能提取与诊断，提高其诊断的可迁移性。
[0009]实现本专利技术的技术解决方案为：本专利技术公开了一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，在设计出领域泛化图自编码的基础上，专利技术了领域泛化图自编码的发射系统伺服电机轴承智能诊断方法：首先，该方法采集发射系统伺服电机轴承等关键处进行振动信号，并分为测试样本集与训练样本集，通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广；然后再将所增广的数据输入到所设计的领域泛化图自编码算法中进行模型训练与学习，该算法主要对多源域数据进行图表示学习，然后输入到图自编码网络中进行解码与编码，尽可能的提取到足够泛化的高维特征，再分别计算其图自编码分类损失与领域判别损失，利用多核最大均值差异损失及梯度反转层来缩小多源域分布差距，学习到能适应于未知目标域的泛化知识；最后，将测试样本输入到训练好的诊断方法中进行发射系统伺服电机轴承系统未知域状态样本的测试与诊断。
[0010]本专利技术与现有技术相比，其显著优点在于：
[0011](1)本专利技术首次提出领域泛化图自编码算法，并将其应用到发射系统伺服电机轴承智能故障诊断中，首先对发射系统伺服电机轴承处进行振动信号的进行采集，将采集到的振动信号构建为训练样本集与测试样本集，再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广，可实现数据与信息的增强、克服未知工况或样本不确定性，提高诊断的可泛化性。
[0012](2)所设计的领域泛化图自编码算法，相比与其他算法能够充分利用图神经网络与迁移学习优势，学到对齐的高层敏感特征，实现未知域的轴承故障状态识别。
附图说明
[0013]图1是本专利
泛化图自编码的发射系统伺服电机轴承智能诊断方法流程图。
[0014本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，其特征在于，包括以下步骤：步骤1：采集发射系统伺服电机轴承处的振动信号，将采集到的振动信号构建为训练样本集与测试样本集，再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广，得到增广后的多源域数据集，并将其分为增广的训练样本集的和增广的测试样本集；步骤2：将增广的训练样本集输入到设计的领域泛化图自编码算法中进行训练与学习：先对增广的训练样本集进行图表示学习，然后输入到图自编码网络中进行解码与编码，接着分别计算其图自编码故障分类损失与领域判别损失，利用多核最大均值差异损失及梯度反转层来缩小多源域分布差距，学习到能适应于未知目标域的泛化知识，利用训练好的领域泛化图自编码算法得到足够泛化的高维对齐特征；步骤3：将获得的高维对齐特征输入到故障分类器与领域判别器中进行诊断模型的训练，得到训练好的诊断模型；步骤4：将增广的测试样本集输入到训练好的诊断模型中进行发射系统伺服电机轴承系统未知域状态样本的测试与诊断。2.根据权利要求1所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，其特征在于：步骤1中对发射系统伺服电机的关键零部件轴承处进行振动信号采集是指对火箭炮发射装置的伺服电机轴承位置处设置振动传感器采集不同工况下振动信号，再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广。3.根据权利要求2所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，其特征在于：所述步骤1中将采集到的振动信号构建为训练样本集与测试样本集，再通过狄利克雷混合与蒸馏增强实现特征层与标签层的领域数据增广，得到增广后的多源域数据集，并将其分为增广的训练样本集与测试样本集，具体如下：步骤1.1：利用传感器技术对不同工况下、不同位置的伺服电机进行多源域的轴承信号采集，不同源域具有不同的标签集且服从不同分布，即每个领域都包含其独有的知识，同时又缺乏其他领域中特有的领域分布及标签知识，将所采集的多源域的轴承信号分为测试样本集与训练样本集；步骤1.2：定义狄利克雷混合，生成增广后的数据及其标签；狄利克雷分布由一组多元超参数α确定，采样得到多次狄利克雷混合过程中对各条数据的权重λ
(s)
；在特征层面进行混合叠加，狄利克雷混合计算为：λ～Dirichlet(α)其中，S表示源域个数，z
s
表示第s个源域的数据样本集，y
s
表示第s个源域的标签集；z
D
‑
mix
表示增广后的数据样本，y
D
‑
mix
表示增广后的标签集；步骤1.3：对于第s个源域从数据标签层对其进行增广，引入模型蒸馏思想，从其他领域中迁移与该领域数据相关的软标签知识，对第s个源域的数据增广后得到的标签为：
其中，y
distill
表示蒸馏后的样本标签，j表示第j维特征，F
j
(x
s
)表示对x
s
的特征提取器，G
j
(F
j
(x
s
))表示对F
j
所做的分类器；通过混合上述两种数据增广操作，得到一个增广后的多源域数据集，并将其分为增广的训练样本集与增广的测试样本集。4.根据权利要求3所述的一种领域泛化图自编码的发射系统伺服电机轴承智能诊断方法，其特征在于：步骤2中将增广后的训练样本集输入到设计的领域泛化图自编码算法中进行模型训练与学习，具体如下：步骤2.1：利用图表示方法实现分布数据的表征，组合成多源域的增广后的训练数据集，设计领域泛化图自编码进行图表示学习，使用图卷积网络作为编码器Encoder，采用内积作为解码器Decoder来重构原始图，输出重构之后的混淆矩阵，计算表示为：积作为解码器Decoder来重构原始图，输出重构之后的混淆矩阵，计算表示为：其中，GCN为卷积神经网络，Z表示编码数据，X表示原始数据，A为权重数据集，Q(X
s
)表示对第s个源域数据进行编码，σ表示激活函数，H表示隐藏层输...

【专利技术属性】
技术研发人员：赵孝礼，姚建勇，邓文翔，孙宇昕，朱炜，杨玉磊，胡健，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：