基于域自适应的多模态数据融合的智能故障诊断方法技术

基于域自适应的多模态数据融合的智能故障诊断系统，本发明专利技术涉及智能故障诊断、人工智能、深度学习、迁移学习。本发明专利技术是为了解决在变工况条件下对故障进行智能诊断的问题。系统包括：采集不同工况条件下的故障振动信号数据；对采集的数据通过快速傅里叶变换转为二维的频域图像；对已知数据样本打上真实标签；通过已知数据样本训练分类器；将目标数据和已知数据的特征进行对齐以减小差异；通过分类器对目标数据进行分类来实现智能故障诊断。本发明专利技术用于基于域自适应的多模态数据融合的智能故障诊断领域。诊断领域。诊断领域。

【技术实现步骤摘要】
基于域自适应的多模态数据融合的智能故障诊断方法


[0001]本专利技术设计基于域自适应的多模态数据融合的智能故障诊断方法

技术介绍

[0002]近几十年来，由旋转机械故障导致的事故时有发生。旋转机械作为机械设备的重要组成部分，如涡轮发动机、电动机、汽轮机等，在工业生产、航空航天、交通运输等领域扮演着十分重要的角色。旋转机械一旦出现故障，轻则会造成停工、财产损失等，重则会造成人员伤亡。实践表明，对旋转机械的运行状态进行实时监测和诊断有很强的现实需求和经济价值，能够提升设备的管理水平，延长设备的使用寿命，提前预判故障发生，有效防止因故障导致的非正常停工。轴承作为旋转机械传递动力的关键部件，其性能状态对旋转机械设备运行及效率具有重要的影响。据统计，在旋转机械的故障中轴承损坏故障约占41％，因此对轴承零部件开展故障诊断研究是旋转机械设备故障研究中的关键所在。
[0003]本专利技术首先对采集到的故障振动信号数据进行快速傅里叶变换预处理，通过模型对预处理后的图像与原始数据的特征进行提取，将提取后的特征进行融合，最终实现智能故障诊断。由于实际生产环境中，零件所处工作条件是变化的，因此模型在变化后的故障数据样本上的效果大幅度降低，针对此问题，本专利技术通过特征对齐来减少差异，最终实现故障分类。模型的输入源包括快速傅里叶变换后的频谱图和原始时域图，将提取后的特征进行相加融合，通过已知数据对分类器的性能进行训练，对目标数据的特征通过局部最大均值差异算法与已知数据的特征进行对齐，经过分类器对目标数据样本实现分类。本文提出了一种基于域自适应数据融合的智能故障诊断方法，该方法的泛化性能和鲁棒性很强，更具有实际应用价值。

技术实现思路

[0004]本专利技术的目的是为了解决在工况条件变化下故障诊断效果差的问题，而提出的一种基于域自适应的多模态数据融合的智能故障诊断方法。
[0005]上述专利技术目的主要是通过以下技术方案实现的：
[0006]S1、选取不同工况(转速，负载不同)的数据作为原始数据，下文用工况1，2分别代表；
[0007]S2、将原始信号通过快速傅里叶变换处理为二维图像；
[0008]S3、将一维时域数据和二维图像的特征进行融合；
[0009]跨域诊断步骤：
[0010]S4、将不同工况的数据作为输入源；
[0011]S5、通过工况1训练分类器；
[0012]S5、通过LMMD算法实现工况2与工况1数据特征的对齐，即可用步骤S5的分类器对工况2做故障诊断。
[0013]2、如权力要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S2
中所述的快速傅里叶变换的原理及计算公式如下：
[0014][0015]式中计算出来的是信号f(t)的连续频谱，ω代表频率，t代表时间，数据ω的取值为20000，因为快速傅里叶变换只能每次对有限数据长度进行变换，因此需要对数据进行信号截断，而截断后的信号会存在泄露，丢失部分信息，为了将泄露误差减少到最小程度，需要对信号进行加窗处理，加窗的实质是对原始时域信号与窗函数作乘积，这里，我们选取了汉宁窗处理，汉宁窗的计算公式如下：
[0016][0017]时间t的取值范围为0＜t＜T，T为采样周期，对截取的信号进行加窗处理时，需要设定帧移和窗长，在此基础上，通过快速傅里叶变换为频域图。
[0018]3、如权力要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S3中的特征融合是将一维时域信号与频域图的特征进行融合，原始信号为一维时域图，但由于时域中的特征并不明显，因此通过快速傅里叶变换将时间域上的信号转换为频率域上的信号，随着域的不同，同一信号中所展现的特征也会发生变化，因此将时域图与频率图的特征进行融合，有利于获取代表信号的全面特征，我们进行的是特征融合，为了减少计算量，因此选取add操作，add操作公式如下：
[0019][0020]式中X，Y代表两个通道的输入，c代表输入个数，*代表卷积操作，K
i
为卷积核，通过对输入进行卷积操作，得到两个输入的特征向量，将得到的特征向量进行相加，add操作不会改变特征维度，只是对特征量进行求和。
[0021]4、如权力要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S4中的不同输入源分别为源域与目标域，其表示为：
[0022][0023][0024]D
s
与D
t
分别为源域样本和目标域样本的数据分布，其中m，n分别表示源域样本总数和目标域样本总数。源域与目标域同时作为网络的输入，我们将工况1作为源域，工况2作为目标域。
[0025]5、如权力要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S5中，将源域与目标域同时输入模型中，由于源域带有标签，通过源域的真实标签训练网络分类器，将目标域的特征与源域特征对齐之后，通过训练好的分类器对目标域数据进行分类。
[0026]6、如权力要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S5中的MMD公式如下：
[0027][0028]式中
H
是具有特征核的再生核希尔伯特空间，n
s
代表源域样本总数，数值为2400，n
t
代表目标域样本总数，数值为960，φ(
·
)是从原始空间到再生核希尔伯特空间的非线性映射，特征核k(X
s
,X
t
)＝<φ(X
s
),φ(X
t
)>，<
·
,
·
>表示两向量的内积，其变形为局部最大均值差异LMMD的计算公式如下：
[0029][0030]其中C为故障类别数，其数值为6，和分别表示与属于类别c的权重，与的值为1，权重的计算公式如下：
[0031][0032]代表第个类的向量，源域样本的真实标签通过one
‑
hot向量来表示，目标域的标签通过网络预测的概率来作为伪标签。通过LMMD公式将源域样本与目标域样本的特征进行对齐，以此来达到识别目标域样本的作用。
[0033]专利技术效果
[0034]本专利技术针对在实际生产中复杂工况下的故障诊断问题，同时对原始数据进行了一个融合的操作，传统的深度学习模型在不同工况下的表现效果大大降低，同时传统的方法都是基于一种模态的数据进行诊断的，本专利技术将原始的数据通过快速傅里叶变换处理与一维的时序数据特征进行融合作为模型的特征数据，同时通过局部子域对齐算法将不同工况的数据差异减小或消除来达到同一模型可以同时诊断多种工况下的故障数据，这不仅减少了模型搭建的复杂性，同时更能符合实际生产中的要求。
附图说明
[0035]图1为本专利技术的流程示意图。
[0036]图2为本专利技术的系统结构示意图。
具体实施方式
[0037]为了使本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于域自适应的多模态数据融合的智能故障诊断方法，其特征在于，包括数据处理融合与跨域诊断:数据处理融合包含步骤：S1、选取不同工况(转速，负载不同)的数据作为原始数据，下文用工况1，2分别代表；S2、将原始信号通过快速傅里叶变换处理为二维图像；S3、将一维时域数据和二维图像的特征进行融合；跨域诊断步骤：S4、将不同工况的数据作为输入源；S5、通过工况1训练分类器；S6、通过LMMD算法实现工况2与工况1数据特征的对齐，即可用步骤S5的分类器对工况2做故障诊断。2.如权利要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S2中所述的快速傅里叶变换的原理及计算公式如下：式中计算出来的是信号f(t)的连续频谱，ω代表频率，t代表时间，数据ω的取值为20000HZ，因为快速傅里叶变换只能每次对有限数据长度进行变换，因此需要对数据进行信号截断，而截断后的信号会存在泄露，丢失部分信息，为了将泄露误差减少到最小程度，需要对信号进行加窗处理，加窗的实质是对原始时域信号与窗函数作乘积，这里，我们选取了汉宁窗处理，汉宁窗的计算公式如下：时间t的取值范围为0＜t＜T，T为采样周期，对截取的信号进行加窗处理时，需要设定帧移和窗长，在此基础上，通过快速傅里叶变换为频域图。3.如权利要求1所述的基于迁移学习的多模态故障诊断方法，其特征在于，步骤S3中的特征融合是将一维时域信号与频域图的特征进行融合，原始信号为一维时域图，但由于时域中的特征并不明显，因此通过快速傅里叶变换将时间域上的信号转换为频率域上的信号，随着域的不同，同一信号中所展现的特征也会发生变化，因此将时域图与频率图的特征进行融合，有利于获取代表信号的全面特征，我们进行的是特征融合，为了减少计算量，因此选取add操作，add操作公式如下：式中X，Y代表两个通道的输入，c代表输入个数，*代表卷积操作，K
i
为卷积核，通过对输入进行卷积操作，得到两个输入的特征向量，将得到的特征向量进行相加，add操作不会改变特征维度，只是对特征量进行求和。4.如权利要求1所述的基于迁移学习的多模态故...

【专利技术属性】
技术研发人员：谢怡宁，石江涛，高聪，赵志超，朱银平，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：