【技术实现步骤摘要】
本专利技术涉及机械装备智能运维，尤其涉及一种装备域泛化特征解耦方法。
技术介绍
1、有效的健康监测和故障诊断技术对保证机械装备的安全、可靠运行具有重要意义。基于数据驱动的方法已广泛应用于机械装备故障诊断。深度学习故障诊断方法具有自动挖掘隐含故障相关特征和通过逐层学习表征工业大数据内部信息的强大能力，近年来已成为发展最快的数据驱动方法之一。然而，传统深度学习方法的诊断性能在变工况条件下通常会严重退化。因为大多数深度学习故障诊断方法以训练数据集和测试数据集是在相同的工况条件下收集的为基本前提，从而假设训练数据集和测试数据集遵循相同的数据分布。但是这一基本前提在许多实际工程场景中很难成立。
2、为了解决这个问题，基于迁移学习思想的域适应故障诊断方法逐渐发展，能够实现在不同工况条件下的故障诊断。域适应故障诊断方法旨在将诊断知识从训练数据(即源域)迁移到测试数据(即目标域)，从而消除数据分布的差异，在目标域中获得较好的诊断结果。
3、但是，机械装备通常在不断变化的运行工况下工作，新的工况条件下的状态监测数据往往不可以事先参与模型的训练。因此，实际应用场景对模型的在线诊断要求进一步提高。由于目标域数据的不可访问性，域适应故障诊断方法不适用于这种更实际、更棘手的诊断场景。因此，由于域泛化故障诊断方法可以将从多个源域中学习的诊断知识泛化到不可见目标域中，近年来逐渐发展。现有的域泛化故障诊断方法试图通过直接提取域不变特征来学习源域之间的共享知识，尽管取得了一定的诊断效果，但这些方法忽略了与机械装备运行工况条件变化相关的域特
4、目前的研究表明，在故障特征提取中忽视域工况特征的移除，会影响模型的知识学习效果和故障诊断性能。因此，现有的域泛化故障诊断方法存在以下缺点：1)提取的故障特征包含工况相关的冗余信息；2)故障诊断准确性低；3)对未参与模型训练的新工况数据泛化能力弱。
技术实现思路
1、为此，本专利技术实施例提供了一种装备域泛化特征解耦方法，用于解决现有技术中提取故障特征包含工况相关的冗余信息、故障诊断准确性低、对未参与模型训练的新工况数据泛化能力等问题。
2、为了解决上述问题，本专利技术实施例提供一种装备域泛化特征解耦方法，该方法包括：
3、步骤s1：收集机械装备状态监测数据，并对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集；
4、步骤s2：构建机械装备域泛化特征解耦故障诊断模型，所述机械装备域泛化特征解耦故障诊断模型包括机械装备域不变特征提取网络、机械装备域特定特征去除辅助网络分支，其中所述机械装备域不变特征提取网络由故障特征提取器g1、故障分类器c、域分类器d和投影头p1构成，用于对输入样本进行域不变特征的提取，所述机械装备域特定特征去除辅助网络分支由工况特征提取器g2和投影头p2构成，用于对输入样本进行域特定特征的提取；
5、步骤s3：将一个标记的源域样本集和多个无标记的辅助源域样本集输入到构建的机械装备域泛化特征解耦故障诊断模型中，通过特征解耦策略来实现域不变特征中域特定信息的去除，根据给定的损失函数和优化算法进行模型训练；
6、步骤s4：将目标域样本集输入训练好的故障特征提取器g1和故障分类器c中，进行机械设备域泛化故障诊断，在线识别样本的健康状态类别。
7、优选地，在步骤s1中，对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集，具体包括：
8、将收集的机械装备振动信号截取成相同长度的数据样本，并进行归一化处理，依据机械装备的不同运行工况来划分样本集，相同负载和转速为同一工况，将相同工况下的多种健康状态样本划为一个域中，不同域中包含的机械健康状态类别相同，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集。
9、优选地，在步骤s2中，所述故障特征提取器g1以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述故障分类器c和所述域分类器d以所述故障特征提取器g1提取的高维特征作为输入，分别输出故障类别标签和域类别标签，所述投影头p1以所述故障分类器c的低维概率作为输入，输出高维特征；所述工况特征提取器g2以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述投影头p2以域分类器d的低维概率作为输入，输出高维特征。
10、优选地，所述故障特征提取器g1包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述故障分类器c和所述域分类器d由全连接层和softmax分类器组成；所述投影头p1由全连接层组成；所述工况特征提取器g2包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述投影头p2由全连接层组成。
11、优选地，在步骤s2中，所述故障特征提取器g1、所述故障分类器c构成一个前馈神经网络，用来预测输入样本的故障类别标签；所述故障特征提取器g1、所述域分类器d构成一个前馈神经网络，并在所述故障特征提取器g1和所述域分类器d之间插入梯度翻转层，用来预测输入样本的域标签；所述工况特征提取器g2、所述故障分类器c构成一个前馈神经网络，并在所述工况特征提取器g2和所述故障分类器c之间插入梯度翻转层，用来预测输入样本的故障类别标签；所述工况特征提取器g2、所述域分类器d构成一个前馈神经网络，用来预测输入样本的域标签。
12、优选地，在步骤s3中，将一个标记的源域样本集和多个无标记的辅助源域样本集输入到构建的机械装备域泛化特征解耦故障诊断模型中，通过特征解耦策略来实现域不变特征中域特定信息的去除，根据给定的损失函数和优化算法进行模型训练，具体包括：
13、步骤s51、训练机械装备域不变特征提取网络：对标记的源域样本集和无标记的辅助源域样本集，最小化故障分类器c的交叉熵损失lc来优化故障分类器c和故障特征提取器g1；最小化域分类器d的交叉熵损失ld来优化域分类器d和故障特征提取器g1；最小化投影头p1的代理对比损失来优化投影头p1和故障特征提取器g1：
14、
15、式中，k∈[1,k]表示故障类别序数，k表示故障类别总数；m∈[1,m]表示源域序数，m表示源域总数量；表示样本序数，表示第m个源域的样本总数；表示故障特征提取器g1提取的第m个源域中第i个样本的高维特征；ωk表示投影头p1输出的第k种故障类别的代理向量；j∈[1,jf]表示的域内负样本序数，jf表示的域内负样本总数；c∈[1,k]表示对应的故障类别序数；
16、步骤s52、训练机械装备域特定特征去除辅助网络分支：对标记的源域样本集和无标记的辅助源域样本集，最小化域分类器d的交叉熵损失ld来优化域分类器d和工况特征提取器g2，最小化故障分类器c的交叉熵损失lc来优化故障分类器c和工况特征提取器g本文档来自技高网...
【技术保护点】
1.一种装备域泛化特征解耦方法，其特征在于，包括：
2.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S1中，对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集，具体包括：
3.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S2中，所述故障特征提取器G1以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述故障分类器C和所述域分类器D以所述故障特征提取器G1提取的高维特征作为输入，分别输出故障类别标签和域类别标签，所述投影头P1以所述故障分类器C的低维概率作为输入，输出高维特征；所述工况特征提取器G2以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述投影头P2以域分类器D的低维概率作为输入，输出高维特征。
4.根据权利要求3所述的装备域泛化特征解耦方法，其特征在于，所述故障特征提取器G1包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述故障分类器C和所述域分类器D由全连接层和Softmax分类器组成；
5.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S2中，所述故障特征提取器G1、所述故障分类器C构成一个前馈神经网络，用来预测输入样本的故障类别标签；
6.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S3中，将一个标记的源域样本集和多个无标记的辅助源域样本集输入到构建的机械装备域泛化特征解耦故障诊断模型中，通过特征解耦策略来实现域不变特征中域特定信息的去除，根据给定的损失函数和优化算法进行模型训练，具体包括：
7.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S3中，所述优化算法包括但不限于自适应矩估计算法、随机梯度下降算法和均方根传递算法中的一种。
8.一种装备域泛化特征解耦系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的装备域泛化特征解耦方法，具体包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的装备域泛化特征解耦方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的装备域泛化特征解耦方法。
...【技术特征摘要】
1.一种装备域泛化特征解耦方法，其特征在于，包括：
2.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤s1中，对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集，具体包括：
3.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤s2中，所述故障特征提取器g1以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述故障分类器c和所述域分类器d以所述故障特征提取器g1提取的高维特征作为输入，分别输出故障类别标签和域类别标签，所述投影头p1以所述故障分类器c的低维概率作为输入，输出高维特征；所述工况特征提取器g2以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述投影头p2以域分类器d的低维概率作为输入，输出高维特征。
4.根据权利要求3所述的装备域泛化特征解耦方法，其特征在于，所述故障特征提取器g1包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述故障分类器c和所述域分类器d由全连接层和softmax分类器组成；所述投影头p1由全连接层组成；所述工况特征提取器g2包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述投影头p2由全连接层组成。
5.根据权利要求1所...
【专利技术属性】
技术研发人员：王前，宋秋昱，江星星，郑建颖，
申请(专利权)人：苏州城市学院，
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。