一种自适应多任务智能故障诊断模型及故障诊断方法

摘要

本发明属于智能故障诊断领域，本发明公开了一种自适应多任务智能故障诊断模型及故障诊断方法，模型通过设置相关辅助任务作为正则项，在增加较少训练参数的条件下提升了主任务的性能和稳定性；该模型设置双路故障诊断网络能够同时对输入信号的时域信息和频域信息进行特征提取，更有效地挖掘隐藏在信号中的故障特性，提升模型的可鉴别特征提取能力；该模型结合注意力机制对噪声信号或冗余特征进行自适应分析提取，有利于抑制不同工况下噪声对输入信号的干扰，提升了模型的泛化能力和准确性。本发明公开的智能故障诊断模型极大减轻了故障诊断对人力物力的消耗，有效支撑工业一体化进程对高可靠、无人化的应用需求具有较强的通用性。

说明书

技术领域

本发明属于智能故障诊断领域，尤其涉及一种自适应多任务智能故障诊断模型及故障诊断方法。

背景技术

随着工业一体化进程的发展，设备的功能和组件结构越来越复杂，组件之间的联系越来越密切。现实生产中由于设备受各种复杂运行因素（自身磨损、外部环境）的影响，因此其性能和系统的状态会随着使用时间的增加而逐渐退化，若其中某一重要零件损坏，极有可能造成设备无法正常工作甚至引发事故，因此需要对设备进行实时监测和故障诊断。

近年来，随着传感器技术、计算机技术和网络技术的迅猛发展，机器学习已被越来越多地被应用于故障检测与诊断技术中，目前基于机器学习的智能故障诊断方法主要又分为传统智能故障诊断方法和基于深度学习的智能故障诊断方法，其中传统智能故障诊断方法主要是通过提取手工设计的时域或者频域信号标量特征，将特征送入浅层分类模型（如支持向量机、K近邻分类器等）中进行设备工作状态识别，这种方法存在以下两点不足：（1）基于人为设计的浅层特征提取方式难以充分反映实际工作信号的复杂性和非线性，在面对较为复杂工况时，人为设计特征的泛化能力和表达能力受限；（2）将特征提取与故障识别孤立为两个阶段，不利于直接提取最有效的特征；基于深度学习的智能故障诊断方法具有强大的数据挖掘能力与自适应特征提取能力，无需先验信息和精确的数学模型即可直接从原始数据中提取最具分辨力的特征，克服了传统智能诊断的内在缺陷，因而逐渐成为工业界和学术界的研究热点，然而，现有的基于深度学习的智能故障诊断方法仍存在以下缺陷：（1）仅利用单一信号，即时域信号或频域信号其中的一种作为深度模型的输入，不能充分挖掘信号的多域特征信息；（2）实际不同工作环境下存在不同程度的噪声干扰，故障诊断模型的泛化能力和可迁移性较差；（3）数据量较大时特征存在较多冗余信息容易干扰故障识别结果。

因此，亟需一种新的智能故障诊断方法，该方法能够克服现有的基于深度学习的智能故障诊断方法存在的缺陷。

发明内容

有鉴于此，本发明提供一种自适应多任务智能故障诊断模型及故障诊断方法，该故障诊断模型能够同时对输入信号的时域信息和频域信息进行特征提取，并结合注意力机制对噪声信号或冗余特征进行自适应分析提取，通过多任务协同优化达到复杂工况条件下的精准故障诊断效果。

为达此目的，本发明采用以下技术方案：一种自适应多任务智能故障诊断模型，所述模型包括：两路并行的故障诊断网络和主任务处理网络；

其中，所述两路并行的故障诊断网络分别为时域信号故障诊断网络和频域信号故障诊断网络；每一路故障诊断网络均包括注意力网络、特征提取网络和辅助任务处理网络，按照信号处理的顺序，注意力网络、特征提取网络和辅助任务处理网络依次连接；所述主任务处理网络只有一路，连接在两路并行的故障诊断网络的特征提取网络之后；所述自适应多任务智能故障诊断模型采用多任务联合优化训练方法进行训练而成。

优选的，所述注意力网络包括两层全连接层，其中第一层全连接层将输入信号向量进行降维，第二层全连接层将降维后的向量重新升回原来的维度。

优选的，所述特征提取网络包括：卷积神经网络、堆叠式自编码器和全连接网络中任意一种或多种。

优选的，所述卷积神经网络由多层卷积层组成，每一层卷积层均包括卷积操作模块、批量正则化模块和激活函数模块。

优选的，所述辅助任务处理网络为两层全连接层，辅助任务处理网络利用

优选的，所述主任务处理网络包括时域和频域特征向量深度融合模块、主任务处理全连接层和故障诊断分类诊断模块。

优选的，所述主任务处理全连接层利用

一种自适应多任务智能故障诊断方法，所述方法包括：

S1：建立如上所述的自适应多任务智能故障诊断模型；

S2：利用待诊断设备的训练集对上述自适应多任务智能故障诊断模型进行多任务联合训练，求解得到模型中的未知参数；

S3：利用测试集，对自适应多任务智能故障诊断模型进行测试，若测试正确率达到预定要求，执行步骤S4；若测试正确率不满足预定要求，则继续对自适应多任务智能故障诊断模型进行优化训练，直至测试正确率满足预定要求，并执行步骤S4；

S4：利用训练完成的自适应多任务智能故障诊断模型，进行设备工作状态判断和 评估，诊断过程包括：首先利用传感器采集待诊断设备运行过程中的信号数据；接着对采集 的信号数据进行长度截取，并对截取后的时域信号

本发明的有益效果是：本发明公开的自适应多任务智能故障诊断模型为基于注意力机制的多任务联合优化训练的自适应智能故障诊断模型，该模型通过设置相关辅助任务作为正则项，在增加较少训练参数的条件下提升了主任务的性能和稳定性，该模型能够同时对输入信号的时域信息和频域信息进行特征提取，更有效地挖掘隐藏在信号中的故障特性，提升模型的可鉴别特征提取能力；该模型结合注意力机制对噪声信号或冗余特征进行自适应分析提取，有利于抑制不同工况下噪声对输入信号的干扰，提升了模型的泛化能力和准确性，利用该模型进行故障诊断操作无需依赖专业人员的任何手工特征提取操作及复杂先进信号处理技术，直接利用原始信号的时域信息和频域信息进行端到端的特征挖掘与故障识别，极大减轻了对人力物力的消耗，可有效支撑工业一体化进程对高可靠、无人化的应用需求，除此之外，本发明提供的自适应多任务智能故障诊断模型通用性强，可针对多种设备开展故障诊断。

附图说明

图1 为本发明实施例中的自适应多任务智能故障诊断模型的结构示意图；

图2为本发明实施例中利用10种轴承数据测试集进行模型测试时，不同噪声条件下的测试集的准确率曲线。

具体实施方式

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

下面结合附图和具体实施例对本发明进行详细说明。

一种如图1所示的自适应多任务智能故障诊断模型，所述模型包括：两路并行的故障诊断网络和主任务处理网络；其中，所述两路并行的故障诊断网络分别为时域信号故障诊断网络和频域信号故障诊断网络；每一路故障诊断网络均包括注意力网络、特征提取网络和辅助任务处理网络，按照信号处理的顺序，注意力网络、特征提取网络和辅助任务处理网络依次连接；所述主任务处理网络只有一路，连接在两路并行的故障诊断网络的特征提取网络之后；所述自适应多任务智能故障诊断模型采用多任务联合优化训练方法进行训练而成。

上述两路故障诊断网络中的注意力网络分别为时域注意力网络

通过时域注意力网络

其中

接着通过注意力网络提出的自适应信号特征输入特征提取网络中，特征提取网络 一般为卷积神经网络、堆叠式自编码器和全连接网络中的任意一种或者组合。作为一种实 施例，此处特征提取网络为卷积神经网络，根据实际需求设置该卷积神经网络为三层卷积 层，这里卷积神经网络的层数可根据实际处理的信号进行调整。每一层卷积层均包括卷积 操作模块、批量正则化模块和激活函数模块，即每一个卷积层的基本操作

其中

之后，将深层次的时域特征

其中，

同时，将深层次的时域特征

其中

每次利用上述自适应多任务智能故障诊断模型对不同的设备进行故障诊断时，需 要进行模型训练和测试。对自适应多任务智能故障诊断模型训练的过程即为求解上述各任 务权重参数和偏置参数的过程，求解上述各任务权重参数和偏置参数的原则为最小化总损 失函数

其中

一种自适应多任务智能故障诊断方法，所述方法包括：

S1：建立如上所述的自适应多任务智能故障诊断模型；

S2：利用待诊断设备的训练集对上述自适应多任务智能故障诊断模型进行多任务联合训练，求解得到模型中的未知参数；

S3：利用测试集，对自适应多任务智能故障诊断模型进行测试，若测试正确率达到预定要求，执行步骤S4；若测试正确率不满足预定要求，则继续对自适应多任务智能故障诊断模型进行优化训练，直至测试正确率满足预定要求，并执行步骤S4；

S4：利用训练完成的自适应多任务智能故障诊断模型，进行设备工作状态判断和 评估，诊断过程包括：首先利用传感器采集待诊断设备运行过程中的信号数据；接着对采集 的信号数据进行长度截取，并对截取后的时域信号

本实施例中利用美国凯斯西储大学的滚动轴承数据集，验证本发明公开的自适应多任务智能故障诊断模型的有效性。

滚动轴承数据集包括10种不同的工作状态，分别为：正常，内圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)，滚动体故障(故障程度分别为：0.1778、0.3556、0.5334mm)和外圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)；测试时，振动传感器安装于被测轴承的附近，利用4种不同负载(0、1、2、3hp)下采集每种健康状态的数据，采样频率为12kHz。

之后对采集到的数据采用合适的长度截取，截取后的时域信号长度为1024，对每 段信号进行快速傅里叶变换，得到样本