【技术实现步骤摘要】
本专利技术涉及机械健康状态监测领域，具体为一种混合距离引导的领域自适应故障诊断方法。
技术介绍
1、随着现代工业设备的精密化、自动化、集成化程度日益提高，工作环境复杂多样。其中，旋转电机设备作为工业发展中机械能与电能相互转换的重要工具，在不同领域占据重要的地位，滚动轴承作为电机设备的关键传动部件，起着支撑轴并引导轴进行旋转的作用。轴承故障会劣化设备的服役表现，影响生产效率和精度，甚至导致严重的安全事故，造成重大的生命财产损失。因此，对滚动轴承进行及时的故障诊断具有重大的意义。
2、故障诊断的目的是判断机械处于何种故障状态，在实际情况中，由于受到工况复杂多变，外界环境干扰等因素的影响，训练和测试数据的分布往往会发生偏移，这种数据偏移会严重影响传统深度学习方法的诊断性能，因此，本专利技术关注不同工况下旋转机械的故障诊断问题，通过域自适应相关算法缩小数据分布差异，可以有效地减少误分类现象，从而提高诊断准确率。
3、现有的传统深度学习方法，由于未进行迁移学习，在面临训练和测试数据的分布存在在差异时，诊断性能大打折扣。而现有的基于域自适应的故障诊断方法仅使用一个距离度量方法来测量源域和目标域之间的差异，所以这些方法只能在单一的度量空间中去缩小域差异，效果并不理想，如果选取不到合适的距离度量方法，则可能导致诊断知识迁移结果不理想，进而影响了诊断准确率。
4、而本文所提方法使用多个距离度量方法，从多个度量空间中减小域差异，选择合适的权重充分发挥每个度量方法的优势，改善了诊断知识的迁移结果，提高了诊断准确率，
技术实现思路
1、为解决
技术介绍
中的问题，本专利技术提供一种混合距离引导的领域自适应故障诊断方法，该方法可从多个度量空间中缩小域分布差异，提高了深度学习模型在不同工况下的故障诊断与分类精度。
2、为实现上述专利技术目的，本专利技术提供一种混合距离引导的领域自适应故障诊断方法，包括以下步骤：
3、s1、采集数据：通过模拟试验台采集平稳工况下的轴承在不同速度和负载下的源域振动信号和目标域振动信号；
4、s2、数据预处理：用快速傅里叶变换（fft）将采集的数据从时域转换成频域并进行归一化处理，仅对源域数据进行标注处理，源域数据表达公式为：
5、（1）
6、目标域数据表达公式为：
7、（2）
8、其中为源域样本数据，为源域样本数据标签，为目标域样本数据；
9、s3、搭建基于堆栈自编码器和混合距离引导的领域自适应模型(csda)：该模型包括两个部分，特征提取器（）和分类器（）；
10、第一部分特征提取器（）， 中的编码器将输入数据映射到一个低维表示（编码），而解码器将这个低维表示映射回原始数据空间，通过数据重构，提取高维抽象特征，充分挖掘信号中的特征信息，来反映不同的健康状况；
11、其中，输入层到隐层的正向传导称为编码，隐层到输出层的正向传导称为解码，隐层主要起到特征提取的作用；输入源域和目标域的数据通过编码器降维，然后降维后的数据经过解码器转换成重构数据；隐层的输出特征为和，激活函数为：
12、（3）
13、（4）
14、、为特征提取器的权重和偏置，为源域输入数据，为目标域输入数据；
15、第二部分分类器（），它用于多种健康状况的分类，经过sae降维后的数据输入到分类器中，输出为一个k维向量，代表着每种健康状况的预测率，预测率最高的作为该样本数据的分类结果；
16、s4、计算重构损失：将源域数据作为特征提取器（）输入，输出为经过编码与解码后的重构数据；重构损失计算公式为：
17、（5）
18、其中，为sae的参数集合，n 表示神经元数量；
19、s5、计算源域分类损失：源域降维后的数据作为分类器（）的输入，输出为k种健康状况的预测，源域分类损失函数为交叉熵损失，计算公式为：
20、（6）
21、其中，为sae的参数集合，为的参数集合，表示源域样本总数，k表示输出的神经元个数，表示指示函数，当成立时返回1，不成立返回0；
22、s6、预训练模型：采用随机梯度下降法最小化重构损失，利用反向传播的方式对特征提取器的参数权值进行持续的更新，可描述为：
23、（7）
24、其中，为特征提取器参数，为学习率，为 adam 优化算法中梯度的矩估计函数；
25、通过最小化损失函数方式实现特征提取网络的收敛，最小化 能有效提取源域和目标域数据集的特征；
26、s7、提取隐层特征：利用预训练好的特征提取网络（）提取源域（）和目标域数据（）的特征，各隐层的输出特征为 和 ；
27、s8、计算混合域距离损失：使用多核和距离测量各输出隐层的非参数化距离，、为第一个隐层的输出，、为第二个隐层的输出，、为第三个隐层的输出，第一个隐层的混合域距离损失可描述为：
28、（8）
29、其中，为多核mmd损失，为距离损失，其计算公式为：
30、（9）
31、（10）
32、其中，为源域样本数量，为目标域样本数量，为核函数；
33、同理可得第二、第三个隐层的混合域距离损失：
34、（11）
35、 （12）
36、因此，总域差异损失可以表示为：
37、（13）
38、其中，、 和 是权衡参数；在总域差异损失 中，、和 拥有不同的重要性；
39、s9、计算分类总损失：分类的总损失函数为：
40、（14）
41、其中，表示源域分类损失的超参数，表示域自适应的超参数，表示sae的权重集合，n表示神经元数量，表示正则化的超参数，为正则化损失；
42、s10、模型训练：最小化分类总损失，特征提取器和分类器的参数将被训练和更新，可描述为：
43、（15）
44、通过最小化，提高了对源域样本的分类准确率、缩小了特征映射后的源域和目标域特征样本的分布差异，以至提高了对目标域特征样本的识别和分类的准确率；
45、s11、获得训练好的模型：利用反向传播的方式对权值进行持续的更新，以找到全局最小损失函数的值，迭代次数为n时，结束训练，得到训练好的模型；
46、s12、模型测试：对目标域测试数据集进行测试，展示故障分类结果，并计算测试准确率；
47、（16）
48、其中，r为正确分类的样本数量，a为参与测试的样本总数量。
49、本专利技术的目的是这样实现的：
50、本专利技术提供一种混合距离引导的领域自适应故障诊断方法，通过采集源域和目标域样本数据，将样本进行预处理后训练搭建好的深度学习模型csda，之后将测试样本数据输入到训练好的模型中，模型可自动对其故障本文档来自技高网...
【技术保护点】
1.一种混合距离引导的领域自适应故障诊断方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种混合距离引导的领域自适应故障...
【专利技术属性】
技术研发人员：孔令谭，饶猛，靳亚强，左明健，
申请(专利权)人：青岛明思为科技有限公司，
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。