【技术实现步骤摘要】
目标工况数据不可用下的机械故障诊断方法、装置及设备
[0001]本专利技术涉及机械故障诊断
，尤其是指一种目标工况数据不可用下的机械故障诊断方法、装置及设备。
技术介绍
[0002]有效的故障监测和诊断技术对保证机械设备的安全运行具有十分重要的意义，随着深度学习的快速发展，基于数据驱动技术的智能故障诊断方法是目前学者广泛研究的热点。基于深度神经网络的故障诊断方法在处理故障分类问题时相比其他方法具有显著的优势，它能够从原始数据中学习更具判别性的有效特征，是一种端到端的故障诊断方法。然而机械部件的工况经常发生变化，比如转速变化和负载变化，测得数据的概率分布在不同工况下变化较大，深度学习方法在面对复杂的工况变化时，诊断性能受到了很大限制。
[0003]随着迁移学习被引入到故障诊断领域，基于深度迁移学习的故障诊断方法广泛应用于变工况下机械故障诊断。为了提取更具迁移能力的特征，对抗思想从生成对抗网络中被引入，与深度神经网络结合形成了域对抗故障诊断模型。这些故障诊断模型需要源域工况和目标域工况数据同时参与模型训练，通过特征...
【技术保护点】
【技术特征摘要】
1.一种目标工况数据不可用下的机械故障诊断方法，其特征在于，包括：S1、将采集的机械振动时域信号进行截取，统一样本长度并进行幅值归一化，得到数据集；将数据集划分为多源域数据集与目标域数据集；S2、基于第一特征提取器、第一辅助分类器与辅助判别器，构建域间不变表示学习网络分支，用于提取输入样本的域间不变特征；S3、基于快速傅里叶变换模块、第二特征提取器与第二辅助分类器，构建域内不变表示学习网络分支，用于提取输入样本的域内不变特征；S4、基于全连接层与Softmax分类器构建融合分类器，用于融合所述域间不变特征与所述域内不变特征，并预测融合后特征的故障类别标签；S5、构建包括所述域间不变表示学习网络分支、所述域内不变表示学习网络分支与所述融合分类器的故障诊断训练模型；S6、将所述多源域数据集中的样本，输入所述故障诊断训练模型中，利用相互学策略、特征差异最大化策略、损失函数与优化算法进行模型训练，获取训练好的故障诊断训练模型；S7、将所述目标域数据集中的样本，输入训练好的故障诊断训练模型中，获取样本的故障类别。2.根据权利要求1所述的目标工况数据不可用下的机械故障诊断方法，其特征在于，所述数据集依据机械的不同工况来进行划分，相同转速和负载为同一工况，将相同工况下的多种健康状态样本放在同一个域中，不同域中包含的机械健康状态的类别相同；所述多源域数据集中包含一个标记的源域和多个未标记的辅助源域，用于模型的训练；所述目标域数据集在模型训练阶段不可用，不参与模型训练。3.根据权利要求2所述的目标工况数据不可用下的机械故障诊断方法，其特征在于,在步骤S6中,所述故障诊断训练模型的训练过程包括:在域间不变表示学习网络分支中，对来自标记的源域和未标记的辅助源域的样本数据，最小化辅助判别器D的二值交叉熵损失L
adv
来优化辅助判别器D，最大化辅助判别器D的二值交叉熵损失L
adv
来优化第一特征提取器F1；对来自源域的带标签样本数据，最小化第一辅助分类器C1的交叉熵损失L
s1
来优化第一辅助分类器C1和第一特征提取器F1；在域内不变表示学习网络分支中，对来自源域的带标签样本数据，进行快速傅里叶变换，最小化第二辅助分类器C2的交叉熵损失L
s2
来优化第二辅助分类器C2和第二特征提取器F2；在融合分类器FC中，对来自多源域数据集的带标签样本数据，最小化融合分类器FC的交叉熵损失L
s3
来优化融合分类器FC、第一特征提取器F1和第二特征提取器F2；通过相互学习策略，最小化第一辅助分类器C1输出软分布z1和第二辅助分类器C2输出软分布z2的集成软分布(z1+z2)/2与融合分类器FC输出软分布z
f
之间的KL散度损失，将域间不变表示学习网络分支和域内不变表示学习网络分支的分类知识蒸馏到融合分类器中；分别最小化融合分类器输出软分布z
f
与第一辅助分类器C1输出软分布z1和第二辅助分类器C2输出软分布z2之间的KL散度损失，分别将融合分类器的知识蒸馏到域间不变表示学习网络分支和域内不变表示学习网络分支中；通过特征差异最大化策略，最大化从标记的源域中提取的域间不变特征到域内不变特征的欧式距离损失；设置固定的迭代训练次数，直至故障诊断训练模型
稳定时，停止训练，输出训练好的故障诊断训练模型。4.根据权利要求2所述的目标工况数据不可用下的机械故障诊断方法，其特征在于，在步骤S2中，提取输入样本的域间不变特征，包括：第一特征提取器F1以标记的源域和未标记的辅助源域作为输入，输出...
【专利技术属性】
技术研发人员：王俊，任贺，黄伟国，石娟娟，杜贵府，
申请(专利权)人：苏州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。