【技术实现步骤摘要】
本专利技术属于机械故障诊断，涉及样本生成以及迁移学习中域泛化，具体涉及一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法。
技术介绍
1、在现代工业中，机械设备的诊断十分重要。可靠的故障诊断可以显著减少经济损失，提高运行过程的安全性。随着深度学习在传统上依赖专业知识的几个领域取得了有希望的成果，神经网络不断显示出它在模式识别等领域的潜力，神经网络可以从复杂的机械振动信号中提取出故障特征，并依据所提取的故障特征进行故障类型的判别。这种端到端的方式能够极大提高故障诊断的速度，有望于应用到现实生产中。因此，许多结合深度学习的智能故障诊断方法得到了广泛的研究，吸引了越来越多学者的关注。
2、尽管传统的智能故障诊断方法依靠稀疏自编码器，卷积网络等神经网络已经产生了令人鼓舞的结果，但它们受到训练和测试数据服从相同分布的潜在假设的限制，在现实变工况场景下，这种条件往往难以满足。在分布不同的条件下，在特定工况下训练好的网络往往会因为域偏移的影响，使得跨工况诊断效果较差。迁移学习中的域自适应技术被提出用于缓解这个问题，域自适应技术通过将源域和目标域映射到相同空间的方式，增强知识在源域和目标域间迁移的能力，从而显著缓解域偏移问题，但域自适应技术基于目标域样本及其标签可获取的假设，这类假设在现实生产中也较难得到满足。
3、在现实条件下，目标域下样本往往数据及其标签量极少，这使得跨工况故障诊断在现实的应用受到了极大限制。为了减轻对于目标域数据及其标签的依赖，域泛化技术在近些年被提出并逐渐得到了相关领域学者的重视，成为目前迁移
技术实现思路
1、专利技术目的：针对以上问题，本专利技术提出一种变工况下基于风格迁移的高泛化性机器故障智能诊断方法。在基于现实生产的实验场景下，解决变工况下域偏移问题。
2、技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，包括以下步骤：
3、第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。
4、第二步，利用源域样本及辅助训练样本构建新训练集，测试集为目标域样本。
5、第三步，构建故障诊断网络，包括特征提取、特征筛选和特征分类，首先通过新训练集对特征提取器进行训练，将特征提取器的输出作为原始特征。
6、第四步，对第三步所得到的原始特征进行特征筛选，获得筛选后特征。
7、第五步，设计双分支分类器子模型对第四步筛选后的特征进行分类，优化损失函数，并对子模型的输出进行分布对齐。
8、第六步，训练故障诊断网络，将故障信号输入训练好的网络进行诊断。
9、进一步的，生成辅助训练样本过程如下：
10、以不同工况划分源域及目标域，获得源工况下原始时域振动信号作为源域样本，以及目标工况下正常状态时域振动信号作为目标域正常样本。
11、源域样本为，目标域正常样本为，其中和分别为源域样本数及目标域正常样本数，和分别为源域第个样本及其故障类型，和分别为目标域第个样本及其故障类型。
12、通过一维循环一致性对抗生成网络，利用获得的源域样本和目标域正常样本参与训练，生成辅助训练样本。
13、参与训练的输入信号均为一维时域振动信号，并且在一维循环一致性对抗生成网络中，卷积、池化层均采用一维形式，其计算过程为：
14、(1)
15、(2)
16、(3)
17、(4)
18、其中，、表示不同的域，、为对应、域内样本，、表示生成器，其输入信号分别为引入域工况信号和域工况信息，、表示鉴别器，分别用于鉴别是否包含域和域工况信息；表示期望值，表示从真实数据分布中采样的数据，表示从真实数据分布中采样的数据，为生成对抗损失，为循环一致性损失函数，为识别损失函数，为目标函数，和分别为和权重系数。
19、辅助训练样本为，为辅助训练样本数，和分别为第个辅助训练样本及其故障类型标签。
20、进一步的，特征筛选过程如下：
21、根据经反向传播计算得到的相关梯度信息及超参数设置，对原始特征进行特征筛选；将梯度由高到低排序，在梯度排名前的特征中，随机对其中进行掩膜计算，计算过程为：
22、(5)
23、(6)
24、(7)
25、其中，为以梯度信息作为标准的掩膜矩阵，为以随机性作为标准的掩膜矩阵，为最终用于筛选特征的掩膜矩阵，为处于处的梯度，为梯度信息，由将softmax层的输入反向传播至特征层，计算得到相应梯度信息，表示输入的第个样本的梯度信息，和两个超参数共同控制掩膜区间范围，掩膜矩阵同原始特征进行计算，得到筛选后特征。
26、进一步的，分类训练方法如下：
27、通过第五步得到的处理后特征，分别对双分支下的分类器子模型进行训练，分别经由两个分类器的softmax层得到输出，分别计算子模型下的分类损失，并对子模型的输出进行分布对齐，添加至损失函数中，子模型经训练后，得到特征分类网络，其计算过程为：
28、(8)
29、(9)
30、(10)
31、其中，与为两个子模型的分类损失，由交叉熵函数表示，为输入样本数，为类别数，表示第个样本中第个类别的真实标记，表示第个样本中第个类别的模型预测概率，为子模型分布对齐损失，为诊断网络整体损失函数，为子模型分布对齐损失的权重。
32、有益效果：与现有技术相比，本专利技术的技术方案具有以下有益的技术效果：
33、本专利技术通过引入风格迁移技术，实现了对于目标域正常样本的有效利用，并于诊断网络中，通过特征筛选，迫使模型从低梯度信息的特征中学习一般表示，进一步挖掘了特征的潜在信息，随后通过对子模型分布对齐进行损失函数优化，加强了模型鲁棒性。在样本生成以及学习策略两方面改进了变工况下故障诊断方法，提高其泛化能力、稳定性等多方面性能。试验显示，该方法能够有效提升跨工况下诊断性能。
本文档来自技高网...【技术保护点】
1.一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，生成辅助训练样本过程如下：
3.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，特征筛选过程如下：
4.根据权利要求1-3任一所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，分类训练方法如下：
【技术特征摘要】
1.一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，生成辅助训练样本过程如下：
3.根...
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。