基于多尺度权重选择对抗网络的部分迁移故障诊断方法

摘要

本发明涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，属于机械故障诊断技术领域。该方法包括：S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；S2：利用深度学习构建MDAN；S3：构建多尺度权重选择机制；S4：结合多尺度权重选择机制和MDAN构建MWSAN；S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。本发明提高了故障诊断的精度。

说明书

技术领域

本发明属于机械故障诊断技术领域，涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法。

背景技术

近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。轴承、齿轮、轴、转子等机械零件，其健康状态直接影响着整个旋转机械的稳定性，因此故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极重大的意义。

目前，迁移学习已经广泛应用于轴承、齿轮、轴、转子等机械零件的少样本无标签故障诊断中，并取得了良好的诊断精度。但是，这些迁移学习方法假设了源域和目标域的标签空间应该是一致的。在实际工业中，目标域可能是源域标签空间的一个子集，在这种情况下，这些传统的方法可能会导致负迁移，从而降低故障诊断的精度。

因此，亟需一种新的机械故障诊断方法来提高机械设备故障诊断的精度。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，结合多尺度域对抗网络结构和多尺度权重选择机制，用于解决机械设备故障诊断时部分迁移诊断问题，从而提高故障诊断的精度。

为达到上述目的，本发明提供如下技术方案：

一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，具体包括以下步骤：

S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；

S2：利用深度学习构建多尺度域对抗网络(Multiscale domain adversarialnetwork,MDAN)；

S3：构建多尺度权重选择机制；

S4：结合多尺度权重选择机制和MDAN构建多尺度权重选择对抗网络(Multi-scaleweight selection adversarial network，MWSAN)；

S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；

S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。

进一步，步骤S1中，利用滑动采样技术扩充故障样本数据集。

进一步，步骤S2构建的MDAN网络包括特征提取器G

所述特征提取器包括卷积层(Conv)、最大池化层(MaxPool)、BN层、全局平均池化层(GAP)和激活层(ReLU)；

所述多尺度分类器包括激活层、全连接层和Dropout层；

所述域判别器包括梯度反转层(GRL)、激活层(ReLU，Sigmoid)和全连接层(FC)。

进一步，步骤S3中，构建的多尺度权重选择机制包括实例权重和类权重；

(1)实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本

其中，

(2)类别权重：在实际工业中，采集的原始振动信号中往往混杂大量的随机噪声，因此可以近似的假设这些样本服从高斯分布。考虑到不同类样本的分布差异是不一样，我们利用极大似然估计和高斯混合模型分别估计源域和目标域中每个类的高斯分布参数。为了加快计算速度，因此假设第k个分类器的输出

其中，n为

①对于有标签的源域样本，采用极大似然估计法去估计第c类的高斯分布

其中，

然后，通过计算式(5)的偏微分，获得均值和方差的计算公式：

最后，重复式(5)～(7)，计算得到该源域所有类别

②对于无标签目标域样本，通过经典的高斯混合模型去近似评估目标域

通过式(8)，计算得到所有源域和目标域类别之间的Wasserstein距离，如图2所示；然后根据可迁移的前提条件，即在两个域之间的同种类别样本之间的分布差异是最小的；因此，越小的Wasserstein距离代表两个类别之间的相似性越大，这个第k个分类器的第i个目标域在源域标签空间的最大相似度

其次，第k个分类器的类别权重w

最后，如图1所示，考虑所有K个分类器的权重融合，最后获得实列权重

进一步，步骤S4中，构建的MWSAN网络损失函数包括多尺度分类损失函数L

其中，

进一步，步骤S5中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练，具体迭代过程为：

其中，选择RMSProp作为优化器，θ

进一步，步骤S5中，经过多次迭代训练，观察损失曲线是否趋于平稳收敛，如果曲线收敛则MWSAN网络训练完成。

本发明的有益效果在于：本发明结合多尺度域对抗网络结构和多尺度权重选择机制构建一种新的多尺度权重选择对抗网络(MWSAN)，用于解决机械设备(如风机行星齿轮箱)故障诊断时部分迁移诊断问题，从而提高故障诊断的精度，并且本发明的MWSAN网络具有更高的迁移诊断精度和更强的鲁棒性和泛化能力

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为多尺度域对抗网络(MDAN)结构图；

图2为类别权重计算原理图；

图3为DDS试验台示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图2，本实施例提出一种基于多尺度权重选择对抗网络的风机行星齿轮箱的部分迁移故障诊断方法，具体包括以下步骤：

步骤1：在机械设备(如风机行星齿轮箱)上安装加速度传感器，采集不同工况下的原始振动信号，以便于构建后续的迁移诊断任务。然后，将采集到的原始振动信号利用滑动采样技术扩充故障样本数据集。

步骤2：利用深度学习框架构建好多尺度域对抗网络(MDAN)。

尺度域对抗网络结构如图1所示，它由特征提取器G

表1多尺度域对抗网络详细结构参数

步骤3：结合提出来的多尺度权重选择机制和多尺度域对抗网络构建多尺度权重选择对抗网络(MWSAN)。

其中，多尺度权重选择机制结构为：

该多尺度权重选择机制由实例权重和类权重构成，为了更好的理解该权重机制，我们以第k个分类器为例讲述。

实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本

其中，

类别权重：在实际工业中，采集的原始振动信号中往往混杂大量的随机噪声，因此可以近似的假设这些样本服从高斯分布。考虑到不同类样本的分布差异是不一样，我们利用极大似然估计和高斯混合模型分别估计源域和目标域中每个类的高斯分布参数。为了加快计算速度，因此我们假设第k个分类器的输出

其中，n为

①对于源域样本是有标签的，因此，我们采用极大似然估计去估计第c类的高斯分布

其中，

然后，通过计算式(5)的偏微分，可以获得均值和方差的计算公式：

最后，重复式(5)～(7)，这个源域所有类别

②对于无标签目标域样本，我们通过经典的高斯混合模型去近似评估目标域

通过式(8)，所有源域和目标域类别之间的Wasserstein距离可以被计算得到，如图2所示。然后根据可迁移的前提条件，即在两个域之间的同种类别样本之间的分布差异是最小的；因此，越小的Wasserstein距离代表两个类别之间的相似性越大，这个第k个分类器的第i个目标域在源域标签空间的最大相似度可以被定义为：

其次，这第k个分类器的类别权重向量可以通过式(10)计算得到：

最后，如图1所示，考虑这所有K个分类器的权重融合，这个最后获得实列权重和类别可以分别通过式(11)和(12)得到。

步骤4：将划分好的的训练样本输入到构建好的MWSAN网络中，利用源域有标签样本分类损失函数(式13)和源域与目标域之间的域判别损失函数(式14)对该部分迁移诊断网络进行迭代优化训练。

结合上述的多尺度域对抗网络和多尺度权重选择机制，构建多尺度权重选择对抗网络(MWSAN)来进行部分迁移诊断。该网络损失函数由多尺度分类损失L

其中，K在本实施例中取值为3，

其中，选择RMSProp作为优化器，θ

步骤5：经过多次迭代训练，观察损失曲线是否趋于平稳收敛，如果曲线收敛则网络模型训练完成，训练好的迁移网络将用于不同工况下的行星齿轮箱部分迁移故障诊断。

下面的实验结果说明上述方法的有效性。

验证实验：本实验收集的齿轮原始振动信号来自DDS试验台，如图3所示。DDS试验台主要由电机、行星齿轮箱、平行齿轮箱及磁粉制动器五部分组成。不同工况信号可以通过磁粉制动器加载模拟获得。该行星齿轮箱共有五种健康信息：正常(NC)、表面磨损(SW)、齿根破裂(RC)、轮齿缺损(CT)、轮齿折断(MT)。加速度传感器A和B安装在行星齿轮箱上收集原始振动信号。通过上述不同工况和不同测点收集到的振动信号，可以建立六种部分迁移任务，如表2所示。

表2部分迁移诊断任务

对比实验：为了证明提出本发明基于多尺度权重选择对抗网络的部分迁移故障诊断方法的优越性，对比当前典型迁移学习网络模型，其实验结果如表3。通过表3的数据可以得出本发明提出的多尺度权重选择对抗网络(MWSAN)具有更高的迁移诊断精度和更强的鲁棒性和泛化能力。

表3跨工况部分迁移诊断

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。