【技术实现步骤摘要】
本专利技术涉及故障诊断，具体涉及一种面向单源域的滚动轴承跨域故障诊断方法。
技术介绍
1、在航空航天、交通运输和石油化工等领域，旋转机械扮演着不可或缺的角色。在这些旋转机械的众多组件中，滚动轴承占据着关键地位。鉴于旋转设备运行条件的复杂性，滚动轴承常常不得不在相对恶劣的环境中工作。一旦发生故障，可能会带来巨大的财产损失，甚至危及人员的生命安全。因此，对滚动轴承进行故障诊断显得刻不容缓。由于旋转机械在运行过程中受到运行条件的多变性以及设备的磨损和退化等多种因素的影响，往往在不同工况下运行，这给基于深度学习的故障诊断方法在实际工程中的应用带来了一定的挑战。可变工况引起的分布差异通常会严重影响深度诊断模型的有效性。因此，领域偏移问题成为开发准确且可靠的故障诊断方法时不可忽视的重要挑战。最近，基于领域泛化的方法被设计用来解决跨域故障诊断问题，其核心思想是在训练阶段使用多个不同源域的数据来训练一个泛化模型，在测试阶段使用该模型来预测未知域的故障情况。虽然基于领域泛化的方法已被证明具有实现跨域故障诊断的能力，但是仍然存在一个主要的限制，即需要来自多个源域的充足且多样的样本。然而，在实际工业应用中，由于诊断任务的特殊性，来自可变工作条件的有用样本可能难以收集，因此通常只能利用从单一工作条件采样的数据，这是一个更实际且更具挑战性的场景，可以称为基于单域泛化的故障诊断。现有研究虽然在一定程度上实现了单域泛化故障诊断，但都存在生成伪域多样性不足的问题，仍需要更多有效的方法来解决只有单个源域可用的跨域故障诊断问题。
2、首先，本专利技术分
技术实现思路
1、为解决单一可用源域的有限多样性，本专利技术针对性地提出一种面向单源域的滚动轴承跨域故障诊断方法。本专利技术主要包含两个模块，一个是丰富源域样本集分布的域生成模块，另一个是实现跨域故障诊断的任务诊断模块。通过生成多个伪域、域生成模块与任务诊断模块交替训练的方式，生成了更具多样性的伪域样本，进一步提高了对未知目标域的泛化性能。
2、本专利技术的技术方案如下：一种面向单源域的滚动轴承跨域故障诊断方法，建立故障诊断模型，所述故障诊断模型包括域生成模块和任务诊断模块；通过源域样本训练域生成模块，生成多个伪域样本；源域样本和生成的伪域样本同时训练任务诊断模块，输出预测的轴承健康状态；交替训练域生成模块和任务诊断模块；训练过程中，域生成模块通过最大限度地提高伪域样本与源域样本之间的分布差异以及伪域样本之间的分布差异，模拟未知目标域，同时通过正则化保持伪域样本与源域样本的语义一致性和流形一致性保证生成伪域样本的有效性；通过训练得到的域生成模块和任务诊断模块，进行故障诊断；增强在单一源域上训练的故障诊断模型在未知目标域上的泛化性能，进而使得故障诊断模型能够在未知目标域中进行准确故障诊断。
3、所述域生成模块的输入为源域样本，输出为与源域样本具有相同长度、不同分布的伪域样本；域生成模块包括多伪域生成器和分类器；所述多伪域生成器由个生成器网络组成，；生成器网络将源域样本集转换为对应的伪域样本集；分类器包括特征提取器和状态预测器；特征提取器从源域样本集和生成的伪域样本集中分别提取源域嵌入特征和伪域嵌入特征；状态预测器根据源域嵌入特征和伪域嵌入特征预测轴承健康状态，根据预测轴承健康状态使生成的伪域样本和源域样本具有语义一致性。
4、所述域生成模块的总体目标函数定义如下：
5、 (1)
6、其中，表示多伪域生成器的网络参数，表示特征提取器的网络参数，表示状态预测器的网络参数，表示每个伪域样本集嵌入特征和源域样本集嵌入特征之间的分布差异损失；表示不同伪域样本集嵌入特征之间的分布差异损失；表示源域样本集的分类损失；表示伪域样本集的分类损失；表示流形正则化损失；和为五项损失的平衡超参数；
7、域生成模块训练期间，优化参数、和，最大化和，最小化；优化参数和，最小化；优化参数和，最小化；
8、域生成模块网络参数优化问题表述如下，
9、 (2)
10、其中，表示多伪域生成器的最优网络参数，表示特征提取器的最优网络参数，表示状态预测器的最优网络参数。
11、所述表示如下：
12、 （3）
13、其中，表示源域样本集经过特征提取器映射到嵌入空间中的源域嵌入特征，即，表示生成的第个伪域样本集经过特征提取器映射到嵌入空间中的伪域嵌入特征，，表示嵌入特征概率分布的提取函数，表示分布之间差异的度量。
14、所述表示如下，
15、 （4）
16、其中，表示生成的第个伪域样本集经过分类器的特征提取器映射到嵌入空间中的伪域嵌入特征；表示生成的第个伪域样本集经过分类器的特征提取器映射到嵌入空间中的伪域嵌入特征，表示嵌入特征概率分布的提取函数。
17、所述表示如下，
18、 （5）
19、其中，表示源域的样本个数，表示源域中第个样本，表示用于训练深度网络的交叉熵损失函数；定义如下，
20、 （6）
21、其中，表示状态预测器最后一层的输出向量，表示的第个元素，表示轴承健康状态标签，表示轴承健康状态个数，表示指示函数。
22、为最小化所有生成伪域样本的分类损失，所述表示如下，
23、 （7）
24、其中，表示第个生成器网络，表示源域的样本个数，表示源域中第个样本，表示交叉熵损失函数，表示交叉熵损失函数。
25、为保持伪域样本与源域样本在流形上的一致性，所述表示如下，
26、 （8）
27、其中，，作为超参数本文档来自技高网...
【技术保护点】
1.一种面向单源域的滚动轴承跨域故障诊断方法，其特征在于，建立故障诊断模型，所述故障诊断模型包括域生成模块和任务诊断模块；通过源域样本训练域生成模块，生成多个伪域样本；源域样本和生成的伪域样本同时训练任务诊断模块，输出预测的轴承健康状态；交替训练域生成模块和任务诊断模块；训练过程中，域生成模块通过最大限度地提高伪域样本与源域样本之间的分布差异以及伪域样本之间的分布差异，模拟未知目标域，同时通过正则化保持伪域样本与源域样本的语义一致性和流形一致性保证生成伪域样本的有效性；通过训练得到的域生成模块和任务诊断模块，进行故障诊断。
2.根据权利要求1所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述域生成模块的输入为源域样本，输出为与源域样本具有相同长度、不同分布的伪域样本；域生成模块包括多伪域生成器和分类器；所述多伪域生成器由个生成器网络组成，；生成器网络将源域样本集转换为对应的伪域样本集；分类器包括特征提取器和状态预测器；特征提取器从源域样本集和生成的伪域样本集中分别提取源域嵌入特征和伪域嵌入特征；状态预测器根据源域嵌入特征和伪域嵌入特征预测轴承健康状态，根据预
3.根据权利要求2所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述域生成模块的总体目标函数定义如下：
4.根据权利要求3所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述表示如下：
5.根据权利要求3所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述表示如下，
6.根据权利要求3所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述表示如下，
7.根据权利要求3所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，为最小化所有生成伪域样本的分类损失，所述表示如下，
8.根据权利要求3所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，为保持伪域样本与源域样本在流形上的一致性，所述表示如下，
9.根据权利要求1-8任一所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述任务诊断模块主要由特征提取器、状态预测器和域鉴别器组成；所述特征提取器用于自动提取源域样本和伪域样本的嵌入特征；状态预测器根据嵌入特征预测轴承健康状态；域鉴别器通过梯度反转层连接到特征提取器，通过嵌入特征识别样本的域标签；特征提取器和域鉴别器之间实施对抗性训练；
10.根据权利要求9所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述计算如下，
...【技术特征摘要】
1.一种面向单源域的滚动轴承跨域故障诊断方法，其特征在于，建立故障诊断模型，所述故障诊断模型包括域生成模块和任务诊断模块；通过源域样本训练域生成模块，生成多个伪域样本；源域样本和生成的伪域样本同时训练任务诊断模块，输出预测的轴承健康状态；交替训练域生成模块和任务诊断模块；训练过程中，域生成模块通过最大限度地提高伪域样本与源域样本之间的分布差异以及伪域样本之间的分布差异，模拟未知目标域，同时通过正则化保持伪域样本与源域样本的语义一致性和流形一致性保证生成伪域样本的有效性；通过训练得到的域生成模块和任务诊断模块，进行故障诊断。
2.根据权利要求1所述的面向单源域的滚动轴承跨域故障诊断方法，其特征在于，所述域生成模块的输入为源域样本，输出为与源域样本具有相同长度、不同分布的伪域样本；域生成模块包括多伪域生成器和分类器；所述多伪域生成器由个生成器网络组成，；生成器网络将源域样本集转换为对应的伪域样本集；分类器包括特征提取器和状态预测器；特征提取器从源域样本集和生成的伪域样本集中分别提取源域嵌入特征和伪域嵌入特征；状态预测器根据源域嵌入特征和伪域嵌入特征预测轴承健康状态，根据预测轴承健康状态使生成的伪域样本和源域样本具有语义一致性。
3.根据权利要求2所述的面向单源域的滚动轴承跨域故障...
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。