基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法技术

本发明专利技术提供了一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，获取滚动轴承的振动信号；根据获取的振动信号，结合优化后的平衡混合对抗分布和平滑抑制标签细化网络，得到故障诊断结果；其中，平衡混合对抗分布和平滑抑制标签细化网络的优化中，目标域数据集的故障种类为源域数据集的子集；采用源域样本特征增强目标域样本特征，对源域和目标域中的数据特征分别进行域内混合，在目标域的软伪标签的基础上，结合补充熵对不确定性预测进行均衡抑制；本发明专利技术缓解了自适应网络任务中源域和目标域数据具有相同的标签空间的限制

【技术实现步骤摘要】
基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法


[0001]本专利技术涉及故障诊断
，特别涉及一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术
。
[0003]旋转机械设备广泛应用于制造业等相关领域，齿轮
、
轴承等作为现代设备的关键组件，往往处在不同的运行负载和恶劣的外部环境中，失效的概率会大大增加
。
突然的故障发生，将会造成一定的经济损失甚至安全事故
。
因此，开发必要的故障诊断技术对设备进行健康监测显得十分重要
。
相关学者已经开发了各种先进的信号处理技术
、
机器学习和深度学习的方法应用于该领域
。
[0004]近年来，随着智能故障诊断技术的快速发展，基于深度学习的故障诊断方法也备受关注，尤其是数据驱动的故障诊断，可以较好地从原始输入中提取复杂的内部结构并进行高维度的特征表示，已然成为机器健康监测的重要方法
。
相较于传统的浅层网络架构，深度学习方法实现了特征层的自动学习，但是大多数仍然局限于相同的数据分布之间的训练和测试
。
然而，由于诸如机器的运转条件和工作环境的变化等原因，这种同分布的假设将无法适应于现实的工业场景，致使模型的泛化性能下降
。
[0005]迁移学习通过学习源域数据的特征，来改善相关目标域数据的特征学习，解决了变工况
、
跨设备等情形下的故障诊断任务
。
域自适应作为迁移学习的子类，通常假设源域和目标域具有相同的标签空间，但是训练和测试数据来自不同的分布
。
目的是使用两个域的数据来学习域不变的特征表示，从而最大化的缩小域间差异，但是并不会利用到目标域数据的标签
。
然而，这种域自适应仍然存在一个必要的前提，源域和目标域数据的故障种类相同，即标签空间一致
。
[0006]专利技术人发现，在现实应用中，获得完整的源域数据集相对容易，但是收集具有完全相同故障种类的目标域数据集将变得相对困难，一般的故障诊断情形下，并不会出现大量的源域中都包含的故障种类，仅仅是其子集，现有的域自适应网络，在进行此种情形下的故障诊断，将会出现显著的性能下降，主要是因为源域数据集中出现了离群源类，它们在进行域间匹配的过程中，会出现负迁移
。

技术实现思路

[0007]为了解决现有技术的不足，本专利技术提供了一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，提出了一种新的部分域自适应网络，用于更真实的故障诊断任务，缓解了自适应网络任务中源域和目标域数据具有相同的标签空间的限制
。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术第一方面提供了一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法
。
[0010]一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，包括以下过程：
[0011]获取滚动轴承的振动信号；
[0012]根据获取的振动信号，结合优化后的平衡混合对抗分布和平滑抑制标签细化网络，得到故障诊断结果；
[0013]其中，平衡混合对抗分布和平滑抑制标签细化网络的优化中，目标域数据集的故障种类为源域数据集的子集；
[0014]采用源域样本特征增强目标域样本特征，对源域和目标域中的数据特征分别进行域内混合，在目标域的软伪标签的基础上，结合补充熵对不确定性预测进行均衡抑制
。
[0015]作为本专利技术第一方面进一步的限定，真实分类的索引对应的软伪标签小于或等于设定阈值时，则所有的软伪标签均小于或等于设定阈值，则该样本的预测置信度较低，将被排除在目标域数据的平滑抑制标签细化的损失函数之外
。
[0016]作为本专利技术第一方面更进一步的限定，对源域中不确定类别的信息，采用补充熵进行均衡抑制，得到源域数据的平滑抑制标签细化的损失函数；
[0017]根据目标域数据的平滑抑制标签细化的损失函数以及源域数据的平滑抑制标签细化的损失函数，结合可调参数，得到平滑抑制标签细化的损失函数
。
[0018]作为本专利技术第一方面更进一步的限定，平衡混合对抗分布的损失函数，包括：平衡对抗分布损失函数
、
混合对抗分布损失函数
、
混合源域损失函数和混合目标域损失函数的加和
。
[0019]作为本专利技术第一方面更进一步的限定，结合目标域数据估计的类级权重，得到优化后的源域分类损失函数，根据平滑抑制标签细化的损失函数
、
平衡混合对抗分布的损失函数以及优化后的源域分类损失函数，得到最终的损失函数
。
[0020]本专利技术第二方面提供了一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断系统
。
[0021]一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断系统，包括：
[0022]数据获取模块，被配置为：获取滚动轴承的振动信号；
[0023]故障诊断模块，被配置为：根据获取的振动信号，结合优化后的平衡混合对抗分布和平滑抑制标签细化网络，得到故障诊断结果；
[0024]其中，平衡混合对抗分布和平滑抑制标签细化网络的优化中，目标域数据集的故障种类为源域数据集的子集；
[0025]采用源域样本特征增强目标域样本特征，对源域和目标域中的数据特征分别进行域内混合，在目标域的软伪标签的基础上，结合补充熵对不确定性预测进行均衡抑制
。
[0026]作为本专利技术第二方面进一步的限定，故障诊断模块中，真实分类的索引对应的软伪标签小于或等于设定阈值时，则所有的软伪标签均小于或等于设定阈值，则该样本的预测置信度较低，将被排除在目标域数据的平滑抑制标签细化的损失函数之外
。
[0027]作为本专利技术第二方面更进一步的限定，故障诊断模块中，对源域中不确定类别的信息，采用补充熵进行均衡抑制，得到源域数据的平滑抑制标签细化的损失函数；
[0028]根据目标域数据的平滑抑制标签细化的损失函数以及源域数据的平滑抑制标签细化的损失函数，结合可调参数，得到平滑抑制标签细化的损失函数
。
[0029]作为本专利技术第一方面更进一步的限定，故障诊断模块中，平衡混合对抗分布的损
失函数，包括：平衡对抗分布损失函数
、
混合对抗分布损失函数
、
混合源域损失函数和混合目标域损失函数的加和
。
[0030]作为本专利技术第一方面更进一步的限定，故障诊断模块中，结合目标域数据估计的类级权重，得到优化后的源域分类损失函数，根据平滑抑制标签细化的损失函数
、
平衡混合对抗分布的损失函数以及优化后的源域分类损失函数，得到最终的损失函数
。
[0031]与现有技术相比，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，其特征在于，包括以下过程：获取滚动轴承的振动信号；根据获取的振动信号，结合优化后的平衡混合对抗分布和平滑抑制标签细化网络，得到故障诊断结果；其中，平衡混合对抗分布和平滑抑制标签细化网络的优化中，目标域数据集的故障种类为源域数据集的子集；采用源域样本特征增强目标域样本特征，对源域和目标域中的数据特征分别进行域内混合，在目标域的软伪标签的基础上，结合补充熵对不确定性预测进行均衡抑制
。2.
如权利要求1所述的基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，其特征在于，真实分类的索引对应的软伪标签小于或等于设定阈值时，则所有的软伪标签均小于或等于设定阈值，则该样本的预测置信度较低，将被排除在目标域数据的平滑抑制标签细化的损失函数之外
。3.
如权利要求2所述的基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，其特征在于，对源域中不确定类别的信息，采用补充熵进行均衡抑制，得到源域数据的平滑抑制标签细化的损失函数；根据目标域数据的平滑抑制标签细化的损失函数以及源域数据的平滑抑制标签细化的损失函数，结合可调参数，得到平滑抑制标签细化的损失函数
。4.
如权利要求3所述的基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，其特征在于，平衡混合对抗分布的损失函数，包括：平衡对抗分布损失函数
、
混合对抗分布损失函数
、
混合源域损失函数和混合目标域损失函数的加和
。5.
如权利要求4所述的基于平衡混合对抗和平滑抑制标签的故障迁移诊断方法，其特征在于，结合目标域数据估计的类级权重，得到优化后的源域分类损失函数，根据平滑抑制标签细化的损失函数
、
平衡混合对抗分布的损失函数以及优化后的源域分类损失函数，得到最终的损失函数
。6.
一种基于平衡混合对抗和平滑抑制标签的故障迁移诊断...

【专利技术属性】
技术研发人员：张法业，刘福政，冯德军，耿湘宜，姜明顺，张雷，隋青美，
申请(专利权)人：山东大学，
类型：发明
国别省市：