基于异构联邦域泛化网络的智能故障迁移诊断方法技术

本发明专利技术涉及一种基于异构联邦域泛化网络的智能故障迁移诊断方法，属于机械故障迁移诊断领域。该方法包括：构建DDA模型；搭建基于MIWM机制的HFDGN；S4：将源客户端的所有辅助域中和目标客户端的源域中划分好的训练样本输入到构建好的DDA模型中，利用DDA模型中的优化目标函数去训练对应的本地客户端模型；S5：将训练好的DDA模型的参数上传到中央服务器，然后利用搭建的HFDGN网络进行联邦迁移故障；S6：经过多次迭代训练，误差曲线趋于稳定，HFDGN网络训练完成，将训练好的HFDGN网络用于异构多源联邦迁移诊断。本发明专利技术能满足实际工程中高数据利用率和实时诊断的应用要求。据利用率和实时诊断的应用要求。据利用率和实时诊断的应用要求。

【技术实现步骤摘要】
基于异构联邦域泛化网络的智能故障迁移诊断方法


[0001]本专利技术属于机械故障迁移诊断领域，涉及一种基于异构联邦域泛化网络的智能故障迁移诊断方法。

技术介绍

[0002]现有的机械故障迁移诊断技术中，虽然已经有一些联邦迁移学习智能诊断方法来解决源域和目标域之间的分布差异和数据隐私保护问题。然而，它们的表现完全依赖于源客户端和目标客户端对应的机械设备是同构的，即源客户端和目标客户端的机械数据应该来自于同一机械零部件。同时，这些方法也要求目标客户端中的测试目标域数据样本在训练过程中是可以获取的。考虑到实际工程中，目标域数据通常是不可见的且和源客户端数据是异构的，因此现有的联邦迁移诊断方法很难满足高数据利用率和实时诊断的应用要求。
[0003]为了解决上述问题，亟需一种新颖的异构联邦域泛化网络(Heterogeneous federated domain generalization network,HFDGN)去填补异构多源联邦诊断方法的空白。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于异构联邦域泛化网络的智能故障迁移诊断方法，在HFDGN网络中，采用一个异构迁移学习框架(Heterogeneous federated transfer learning,HFTL)，它可以通过异构源客户端的公共知识表征映射实现目标客户端的泛化故障诊断。此外，采用解耦域自适应基础模型(Disentangled domain adaptation,DDA)去移除噪声带来的负面影响，同时，该基础模型可以增强域混淆的能力和提取内在故障相关的特征。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于异构联邦域泛化网络的智能故障迁移诊断方法，具体包括以下步骤：
[0007]S1：通过加速度传感器采集机械设备上的原始振动信号，以便于构建后续的迁移诊断任务；并将采集到的原始振动信号利用滑窗采样技术进行样本扩充；
[0008]S2：构建解耦域自适应基础模型，简称DDA模型；
[0009]S3：搭建基于互信息权重匹配机制的异构联邦迁移学习网络，其中，互信息权重匹配机制简称MIWM；异构联邦迁移学习网络简称HFDGN，采用异构迁移学习框架；
[0010]S4：将源客户端的所有辅助域中和目标客户端的源域中划分好的训练样本输入到构建好的DDA模型中，利用DDA模型中的优化目标函数去训练对应的本地客户端模型；
[0011]S5：将训练好的DDA模型的参数上传到中央服务器，然后利用搭建的HFDGN网络进行联邦迁移故障诊断；
[0012]S6：经过多次迭代训练，误差曲线趋于稳定，HFDGN网络训练完成，将训练好的HFDGN网络用于异构多源联邦迁移诊断。
[0013]进一步，步骤S2中，DDA模型的主干网络包括四个部分：特征提取器G
FE
(θ
FE
)、解耦器G
D
(θ
D
)、重构器G
R
(θ
R
)和故障分类器G
FC
(θ
FC
)，其中，θ
FE
、θ
D
、θ
R
和θ
FC
分别表示对应网络模型的可训练权重；特征提取器是被用于挖掘分布差异知识并减小分布差异，然后获得通用特征F
G
；故障分类器是致力于提取标签特征F
L
来识别故障种类；解耦器是用于解耦分离出故障相关特征F
FR
和故障不相关特征F
FI
；重构器是从故障相关特征和故障不相关特征中重构出通用特征，因此解耦器和重构器可以看成自编码器中的编码器和解码器结构。
[0014]DDA模型的优化目标主要包括以下三个部分：1)解耦表征：学习一个解耦表征从通用特征中分离出噪声导致的故障不相关特征；2)分离与重构：最大化故障相关特征和故障不相关特征之间的分布距离，以便于可以保证提取的故障相关特征的独立性；3)分布自适应：最小化任意两个故障相关特征之间的分布差异。
[0015]进一步，步骤S2中，DDA模型的优化目标1)中，解耦表征具体是：用解耦器和故障分类器以对抗训练的方式去移除噪声导致的故障不相关的特征；首先，用交叉熵损失L
C
训练特征提取器、解耦器和故障分类器来精确识别故障种类；
[0016][0017]其中，表示对样本域求期望；X
i
,Y
i
分别代表第i个数据样本和对应的标签；表示样本域，C表示故障种类；I()表示指示函数，当argmax(Y
i
)＝c时，I＝0；
[0018]然后，固定特征提取器和故障分类器的权重参数，通过最大化信息熵损失来训练解耦器欺骗故障分类器，从而学习到故障不相关特征，其中信息熵损失是一个可以反映样本预测标签的纯度；信息熵损失越小代表预测标签概率纯度越高。信息熵(Information entropy,IE)损失L
IE
表示如下：
[0019][0020]其中，表示对样本域求期望；表示样本X
i
的预测标签向量，表示预测标签向量中的第c个元素，预测标签向量由下式获得：
[0021][0022]通过公式(1)和(2)之间的对抗训练，最终的故障不相关特征和故障相关特征可以通过解耦器分离获得。
[0023]进一步，步骤S2中，DDA模型的优化目标2)中，分离与重构具体是：通过最大化平均差异损失L
D
来训练解耦器去扩大故障相关特征和故障不相关特征之间的分布差异：
[0024][0025]其中，分别表示对故障不相关特征和故障相关特征求期望；φ(
·
)是再生希尔伯特空间中的高维映射函数；表示再生希尔伯特空间的2范数；
[0026]故障相关特征F
FR
和故障不相关特征F
FI
通过下式获得：
[0027]{F
FR
,F
FI
}＝G
D
(G
FE
(X))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0028]同时，为了避免式(5)的过度训练破坏了提取的故障相关特征的内在属性，通过重
构损失L
R
来训练重构器，从故障相关特征和故障不相关特征中重构出通用特征；
[0029][0030]其中，表示对样本域求期望。
[0031]进一步，步骤S2中，DDA模型的优化目标3)中，分布自适应具体是：用最小化平均差异指标作为域混淆损失L
DC
来训练特征提取器和解耦器，从而实现分布自适应；
[0032][0033]其中，表示对故障不相关特征求期望，φ(
·
)是再生希尔伯特空间中的高维映射函数；表示再生希尔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构联邦域泛化网络的智能故障迁移诊断方法，其特征在于，该方法具体包括以下步骤：S1：通过传感器采集机械设备上的原始振动信号，并将采集到的原始振动信号进行样本扩充；S2：构建解耦域自适应基础模型，简称DDA模型；S3：搭建基于互信息权重匹配机制的异构联邦迁移学习网络，其中，互信息权重匹配机制简称MIWM；异构联邦迁移学习网络简称HFDGN，采用异构迁移学习框架；S4：将源客户端的所有辅助域中和目标客户端的源域中划分好的训练样本输入到构建好的DDA模型中，利用DDA模型中的优化目标函数去训练对应的本地客户端模型；S5：将训练好的DDA模型的参数上传到中央服务器，然后利用搭建的HFDGN网络进行联邦迁移故障诊断；S6：经过多次迭代训练，误差曲线趋于稳定，HFDGN网络训练完成，将训练好的HFDGN网络用于异构多源联邦迁移诊断。2.根据权利要求1所述的智能故障迁移诊断方法，其特征在于，步骤S2中，DDA模型的主干网络包括四个部分：特征提取器G
FE
(θ
FE
)、解耦器G
D
(θ
D
)、重构器G
R
(θ
R
)和故障分类器G
FC
(θ
FC
)，其中，θ
FE
、θ
D
、θ
R
和θ
FC
分别表示对应网络模型的可训练权重；特征提取器是被用于挖掘分布差异知识并减小分布差异，然后获得通用特征F
G
；故障分类器是致力于提取标签特征F
L
来识别故障种类；解耦器是用于解耦分离出故障相关特征F
FR
和故障不相关特征F
FI
；重构器是从故障相关特征和故障不相关特征中重构出通用特征；DDA模型的优化目标包括以下三个部分：1)解耦表征：学习一个解耦表征从通用特征中分离出噪声导致的故障不相关特征；2)分离与重构：最大化故障相关特征和故障不相关特征之间的分布距离；3)分布自适应：最小化任意两个故障相关特征之间的分布差异。3.根据权利要求2所述的智能故障迁移诊断方法，其特征在于，步骤S2中，DDA模型的优化目标1)中，解耦表征具体是：用解耦器和故障分类器以对抗训练的方式去移除噪声导致的故障不相关的特征；首先，用交叉熵损失L
C
训练特征提取器、解耦器和故障分类器来精确识别故障种类；其中，表示对样本域求期望；X
i
,Y
i
分别代表第i个数据样本和对应的标签；表示样本域，C表示故障种类；I()表示指示函数，当argmax(Y
i
)＝c时，I＝0；然后，固定特征提取器和故障分类器的权重参数，通过最大化信息熵损失来训练解耦器欺骗故障分类器，从而学习到故障不相关特征；信息熵损失L
IE
表示如下：其中，表示对样本域求期望；表示样本X
i
的预测标签向量，表示预测标签向量中的第c个元素，预测标签向量由下式获得：
通过公式(1)和(2)之间的对抗训练，最终的故障不相关特征和故障相关特征通过解耦器分离获得。4.根据权利要求2所述的智能故障迁移诊断方法，其特征在于，步骤S2中，DDA模型的优化目标2)中，分离与重构具体是：通过最大化平均差异损失L

【专利技术属性】
技术研发人员：秦毅，钱泉，蒲华燕，毛永芳，周江洪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：