【技术实现步骤摘要】
本专利技术属于机械工程自动化，涉及一种基于改进泛化网络的多工况下机床的故障诊断方法。
技术介绍
1、第四次工业革命时代，随着科技的不断进步和发展，智能化生产线正逐渐成为现代企业发展的必然趋势。这对提高企业的生产效率、改善产品品质、减少生产成本、降低能耗、实现企业的可持续发展、实现企业的安全生产具有重要意义。数控机床是零件加工智能产线中最重要的设备之一，如果数控机床某一个零部件出现了故障，就会导致多个系统崩溃，进而引发一系列严重的事故，甚至造成人员伤亡。多品种智能产线上，高负荷生产任务和频繁工况切换给数控机床的安全运维带来了极大挑战。因此先进的故障诊断技术对维持智能产线安全运行具有不可获取的重要作用。
2、在智能产线中，数控机床的工况是频繁多变的，而多工况违背了深度学习中“独立且同分布”的假定。即已有充足够标签的源域的训练样本与无标签的目标域的样本在分布上存在一定差异。使用源域数据训练的模型被用作在目标域进行推理使用时，会使诊断模型的性能下降。同时现有的故障诊断模型域适应(da)对解决跨域故障诊断具有较好效果，但是也存在局限性：首先，目标域中的故障数据对于从源域转移正向的诊断知识是不可或缺的，但获取这些数据往往非常困难。由于所涉及的诊断任务通常是在新的工作条件下，并且真实工业场景中的目标机器或目标工作条件的故障数据通常是不可访问的，因此无法事先收集到目标数据。这限制了现有域适应故障诊断方法的应用范围，使其更适用于离线跨域故障诊断任务。其次，传统的域适应故障诊断方法通常只将诊断知识从单个源域推广到特定的目标域。然而，当诊
技术实现思路
1、本专利技术的目的在于克服现有技术的缺陷，提供一种基于改进泛化网络的多工况下机床的故障诊断方法，当诊断样本的工作条件发生变化时，不易在单个域上过拟合而导致高误诊率，该方法具有通用的域适应框架，能够在跨多个域中共享诊断知识，可有效解决在未知工况下的故障诊断的问题。
2、为解决上述问题，本专利技术采用以下技术方案。
3、一种基于改进泛化网络的多工况下机床的故障诊断方法，包括以下步骤：
4、s1、固有分布聚类阶段：选定一个样本数据为锚样本，所有工况数据中与锚样本相同故障类型的样本为正样本，不同故障类型的样本为负样本，利用三元损失函数最小化锚样本和正样本之间的距离，最大化锚样本和负样本之间的距离以实现强化分类边界，提高不同工况数据下同一故障类别的诊断准确率；
5、s2、动态对抗训练阶段：设计用于将s1得到的整体故障特征分布与所有工况下的故障特征分布重合的广义源域对齐的全局域分类器，并且设计用于将s1得到的各个故障类型的故障特征分布与各个故障类型的广义源域对齐的局部子域分类器；
6、s3、故障诊断阶段：建立动态对抗因子泛化网络模型；将步骤s2的故障特征向量输入到动态对抗因子泛化网络模型中进行训练测试，设计动态对抗因子β对故障特征分布与广义源域的对齐程度进行评价，以调整全局域分类器和局部子域分类器的训练权重，对机床零部件故障进行诊断。
7、具体地，在步骤s1中，所述的固有分布聚类阶段的过程包括：
8、对滚动轴承振动信号采用小波阈值去噪方法进行去噪处理：首先选定一个样本数据为锚样本所有工况数据中与锚样本相同故障类型的样本为正样本不同故障类型的样本为负样本利用三元损失函数最小化锚样本和正样本之间的距离，最大化锚样本和负样本之间的距离以实现强化分类边界，三元损失函数表达式为：
9、
10、
11、
12、其中τ是所有三元组的集合，α是在正负对之间强制执行的裕度，f(·)表示深度学习中的特征提取器，其主要任务是获取特征嵌入。
13、进一步地，在步骤s2中，所述的整体故障特征和广义源域的对齐，具体过程包括：
14、s2.1.1、设计全局域鉴别器gd以区分输入样本特征属于多个工况中的何种工况；
15、s2.1.2、利用特征提取器gf提取到的多个源域的不变特征混淆全局域鉴别器gd；
16、s2.1.3、最小化全局域鉴别器gd的交叉熵损失来训练全局域鉴别器gd的参数θd；
17、s2.1.4、使用grl反转层实现梯度反转，以最大化全局域鉴别器gd的损失学习特征提取器gf的参数θf，最终得到全局域分类器损失表达式为：
18、
19、其中lce是交叉熵函数，gd是全局域分类器，gf是特征提取器，di是输入样本xi的域标签。
20、进一步地，在步骤s2中，所述的各个故障类型的故障特征分布与各个故障类型的广义源域对齐，其过程包括：
21、s2.2.1、每个机器健康状态类别设计一个局部子域鉴别器负责将属于该类别的样本特征匹配至对应源域；
22、s2.2.2、利用特征提取器gf提取到的多个源域的不变特征混淆局部子域鉴别器
23、s2.2.3、最小化局部子域鉴别器的交叉熵损失来训练局部子域鉴别器的参数
24、s2.2.4、使用grl反转层实现梯度反转，以最大化局部子域鉴别器的损失学习特征提取器gf的参数θf，最终得到全局域分类器损失表达式为：
25、
26、其中和是与c类相关的交叉熵和域分类器；是样本xi经过故障分类器后生成的在类c上的概率分布。
27、进一步地，在步骤s3中，所述的利用动态对抗因子β对全局域分类器和局部子域分类器的重要性进行评估，其过程包括：
28、s3.1.1、计算整体故障特征与广义源域的对齐程度：
29、dg＝2(1-2lg)
30、s3.1.2、计算各个故障类型的故障特征分布与各个故障类型的广义源域的对齐程度：
31、
32、s3.1.3、计算动态对抗因子β：
33、
34、s3.1.4、将步骤s3.1.3中得到的动态对抗因子β用于调整全局域分类器和局部子域分类器的训练权重，最终动态对抗因子泛化网络的损失函数可以表示为：
35、
36、其中λ是控制对抗训练的参数，训练刚开始时特征提取器从源域数据中提取有效特征的能力较弱，这时候特征提取器的参数更新应该更多考虑故障分类器的损失，因此λ刚开始应该小一些，随着训练的进行而逐渐增大，因此λ可以设计为：
37、λ＝ln(1.02+1.7×p)
38、其中p对应训练进度，随着训练的轮次增加，p从0到1线性变化，使得λ可以随着训练从0.02动态调整为1。
39、与现有技术相比，本专利技术具有以下优点和有益效果：
40、1.本专利技术将不同工况下的故障样本进行固有分布聚类，使得网络模型在提取不变特征的时候更少受到因为工况不同带来的样本特征差异，实现强化分类边界，提高不同工况本文档来自技高网...
【技术保护点】
1.一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤S1中，所述的固有分布聚类阶段的具体过程包括：
3.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤S2中，所述的整体故障特征和广义源域的对齐，具体过程包括：
4.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤S2中，所述的各个故障类型的故障特征分布与各个故障类型的广义源域对齐，其过程包括：
5.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤S3中，所述的利用动态对抗因子β对全局域分类器和局部子域分类器的重要性进行评估，其过程包括：
【技术特征摘要】
1.一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤s1中，所述的固有分布聚类阶段的具体过程包括：
3.根据权利要求1所述的一种基于改进泛化网络的多工况下机床的故障诊断方法，其特征在于，在步骤s2中，所述的整体故障特征和广义源域的对齐，具体过程包...
【专利技术属性】
技术研发人员：文利燕，冯靖智，陆宁云，姜斌，马亚杰，
申请(专利权)人：南京航空航天大学，
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。