【技术实现步骤摘要】
本专利技术属于机械，更进一步涉及一种旋转机械自适应迁移故障诊断方法，可用于对旋转机械的故障检测。
技术介绍
1、旋转机械由于其多功能性而被广泛应用于机械工程中。然而，这些机器在恶劣的环境中长时间运行，导致齿轮和轴承等部件随着时间的推移而磨损。为了及时发现和解决机械设备问题，防止机械故障造成进一步的经济损失和人员伤亡，准确和自动诊断旋转机械故障在设备维护和管理中尤为重要。在复杂的机械系统中，依赖单一的传感器信号会导致重要信息的丢失。因此，综合利用多传感器数据对机械进行有效的故障诊断和健康监测是十分必要的。然而，在实际应用中，旋转机械的工作条件是复杂多变的。随着多传感器数据分布的变化，故障诊断的性能下降。
2、针对跨工况下多传感器协同故障诊断问题，学者借鉴多传感器信息融合、迁移学习等思想解决了跨工况下多传感器协同故障诊断问题。主要思想是融合多传感器数据，利用迁移学习，对齐不同工况下的多传感器数据分布，实现跨工况故障诊断。
3、zhuang yuan等人在其发表的论文中“a novel fusion diagnosis method forrotor system fault based on deep learning and multi-sourced heterogeneousmonitoring data”(measurement science and technology，2018，doi:10.1088/1361-6501/aadfb3)中提出一种基于深度学习和多源异构监测数据融合的转子系统故障诊
4、shanchen pang等人在申请号为202211104454.4的专利文献中提出了一种可迁移的多尺度旋转机械故障诊断方法。其首先获取训练数据集；其次，构建多尺度特征提取网络，用于对输入的样本进行多尺度特征提取并融合，得到融合特征；然后，构建全连接神经网络分类器用于对输入的融合特征进行分类，得到故障类别预测结果；最后构建基于反卷积的特征对齐网络，用于鉴别故障类别预测结果的域标签，区分故障类别预测结果来自目标域还是源域。该方法虽说可对旋转机械系统的故障进行诊断，但却没有考虑不同特征对诊断结果的贡献，无法根据工况变化自适应调整不同特征的贡献度，同时在新工况下仅仅减小了域分布差异，没有减小特征分布差异，因而在多传感器数据更复杂、源域和目标域分布差异更大的情况下，诊断精度较低。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提出一种多元信息融合的旋转机械自适应迁移故障诊断方法，以自适应调整不同特征的贡献度，提高在多传感器数据更复杂、源域和目标域分布差异更大情况下的故障诊断精度。
2、实现本专利技术目的的技术思路是：通过利用特征交互和注意力机制融合多传感器数据，实现对不同特征的贡献度自适应调整；通过利用迁移学习方法减小新工况和旧工况的分布差异，提高多传感器数据的融合程度和跨工况下的故障诊断精度。
3、根据上述思路，本专利技术的技术方案包括如下步骤：
4、(1)获取旧工况多传感器数据集ds和新工况多传感器数据集dt；
5、(2)构建多元信息交互融合网络：
6、(2a)分别构建多传感器对应的特征提取器gi，提取对应的传感器特征hi；
7、(2b)采用克罗内克积将hi进行特征交互得到交互特征ki；
8、(2c)通过注意力机制计算交互特征ki的特征权重值，并将交互特征ki和它的特征权重值相乘得到多传感器融合特征fi，完成多元信息交互融合网络的构建；
9、(3)训练多元信息交互融合网络：
10、(3a)设置模型迭代次数epoch，当前模型迭代次数e＝1；
11、(3b)将旧工况多传感器数据集ds输入多元信息交互融合网络中得到旧工况融合特征fis将新工况多传感器数据集dt输入到多元信息交互融合网络中得到新工况融合特征fit；
12、(3c)将旧工况融合特征fis输入到现有的分类器c中得到旧工况的分类结果fis，分别计算旧工况融合特征fis和新工况融合特征fit的协方差矩阵cs和ct；
13、(3d)根据协方差矩阵cs、ct，通过平方根关联对齐公式计算旧工况融合特征fis和新工况融合特征fit的域适应损失lsc；
14、(3e)根据旧工况的分类结果fis和旧工况的标签计算旧工况的分类损失lcls，并根据新、旧工况融合特征的域适应损失lsc、旧工况的分类损失lcls计算多元信息交互融合网络总损失ltotal，利用域适应损失lsc和分类损失lcls更新网络参数；
15、(3f)判断e＝epoch是否成立，
16、若是，得到训练好的多元信息交互融合网络，执行步骤(4)
17、否则，令e＝e+1,返回(3b)；
18、(4)将新工况下采集的新的多传感器数据输入训练好的多元信息交互融合网络，得到旋转机械故障诊断结果。
19、本专利技术与现有技术相比，具有如下优点：
20、第一，本专利技术融合多传感器特征时，由于利用特征交互方法进行特征的细粒度交互，使得网络能提取到的特征更加丰富，并通过注意力机制确定不同特征的贡献，根据工况变化自适应调整不同传感器的贡献度，可使网络能提取到更加有用的特征。
21、第二，本专利技术在新工况的故障诊断任务中，采用了融合特征差异度量，并通过减小域适应损失和分类损失来减小融合特征的分布差异，使得提取的特征具有更强的泛化能力，提高了故障诊断模型在新工况中的诊断能力。
22、实验结果表明，本专利技术与现有可迁移的多尺度旋转机械故障诊断方法相比，在多传感器跨工况协同故障诊断任务下故障诊断的精度更高。
本文档来自技高网...【技术保护点】
1.一种多元信息融合的旋转机械自适应迁移故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(2a)中分别构建多传感器对应的特征提取器Gi，是将BatchNorm1d层、Linear层、BatchNorm1d层、ReLU层、Linear层、BatchNorm1d层、ReLU层、Linear层依次连接组成每个特征提取器，各层通道数参数是根据其对应传感器的输入数据特征维度设置。
3.根据权利要求1所述的方法，其特征在于，步骤(2b)采用克罗内克积将hi进行特征交互得到交互特征ki，公式如下：
4.根据权利要求1所述的方法，其特征在于，步骤(2c)中通过注意力机制计算交互特征ki的特征权重值，公式如下：
5.根据权利要求1所述的方法，其特征在于，步骤(3c)中分别计算旧工况融合特征fiS和新工况融合特征fiT的协方差矩阵CS和CT，公式如下：
6.根据权利要求1所述的方法，其特征在于，步骤(3d)中计算旧工况融合特征fiS和新工况融合特征fiT的域适应损失公式如下：
7.根据权利
8.根据权利要求1所述的方法，其特征在于，步骤(3e)中根据新、旧工况融合特征的域适应损失旧工况的分类损失计算多元信息交互融合网络总损失公式如下：
9.根据权利要求1所述的方法，其特征在于，步骤(3e)中利用域适应损失和分类损失更新网络参数，公式如下：
...【技术特征摘要】
1.一种多元信息融合的旋转机械自适应迁移故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(2a)中分别构建多传感器对应的特征提取器gi，是将batchnorm1d层、linear层、batchnorm1d层、relu层、linear层、batchnorm1d层、relu层、linear层依次连接组成每个特征提取器，各层通道数参数是根据其对应传感器的输入数据特征维度设置。
3.根据权利要求1所述的方法，其特征在于，步骤(2b)采用克罗内克积将hi进行特征交互得到交互特征ki，公式如下：
4.根据权利要求1所述的方法，其特征在于，步骤(2c)中通过注意力机制计算交互特征ki的特征权重值，公式如下：
5....
【专利技术属性】
技术研发人员：王奇斌，余粼钖，崔雁鹏，孙丽强，郑定龙，李梦婷，
申请(专利权)人：西安电子科技大学，
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。