[發明專利]一種基于重要性加權域對抗自適應的智能故障診斷方法

有效

• 申請號: 202010711903.6
• 申請日: 2020-07-22
• 公開（公告）號: CN112101085B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 王宇;孫曉杰;訾艷陽
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

一種基于重要性加權域對抗自適應的智能故障診斷方法，采集旋轉機械在不同工況下的振動信號，分別對不同工況下數據集采用移動時窗進行信號的分割；構造域類別識別網絡，輸出源域樣本在對抗訓練中重要性權重；提取數據集中判別性特征；結合特征提取器與域判別器，構造重要性加權域對抗自適應網絡；采用對抗式網絡的訓練策略訓練網絡模型至模型收斂，使用訓練好的類別分類器識別缺乏故障標簽的目標域數據集的軸承健康狀態。本發明通過借助有豐富數據信息的工況對數據信息不足的工況進行故障診斷，完成了診斷知識的遷移，同時構造了深度學習網絡，克服了傳統診斷方法中對專家知識的依賴，為降低未來智能故障診斷系統的成本提供了一種有效的工具。

技術領域

本發明涉及滾動軸承狀態評估方法，具體為一種基于重要性加權域對抗自適應的智能故障診斷方法。

背景技術

滾動軸承作為機械設備中重要的旋轉部件，廣泛應用于航空航天、工程機械、船舶設備、水利工程等領域。滾動軸承的健康狀態和性能直接影響到機械設備的安全可靠性。然而滾動軸承卻是機械設備中易損壞部件，軸承的故障可能導致整個機械系統的停機，造成不可想象的經濟損失。因此，對軸承的健康狀態檢測和故障診斷技術的研究是具有重要意義的。

通過在軸承運作過程中，使用傳感器采集軸承的振動信號來進行分析，可以判斷被監測設備的狀態。其中隨著智能診斷方法的發展，針對一定工況下故障數據難以獲取，不足以支撐建立診斷模型，基于遷移學習的智能故障診斷方法得到了廣泛的研究。傳統的基于遷移學習的智能診斷方法，可以實現將診斷知識從數據量大且容易獲得的工況傳遞到數據量不完備的工況，以此來提高機械設備診斷系統的泛化性能。雖然基于遷移學習的智能診斷方法的在狀態檢測中已經取得了許多成果，但仍有許多不容忽視的地方。傳統的基于遷移學習的智能方法是建立在一定的假設前提下的：即數據量不足的目標域需要具備所有在數據量充足的源域中存在的故障類型，即二者的標簽空間是相同的。然而這在實際工業應用中有很大的限制，很難確保目標域中發生了所有源域中存在的故障類型。因此如果能夠傳輸源域知識而不必等待目標領域中每一個可能的故障的發生是非常有意義的。

發明內容

針對現有技術中存在的不足，本發明的目的是提供一種基于重要性加權域對抗自適應的智能故障診斷方法，解決了傳統基于遷移學習的智能診斷方法在工業應用中的不足，克服了目標域訓練集為不包含完整故障種類的數據集而導致負遷移的產生。

為實現上述目的，本發明是通過以下技術方案來實現：

一種基于重要性加權域對抗自適應的智能故障診斷方法，包括如下步驟，

(1)采集旋轉機械在兩種不同工況下的振動信號，分別對兩種工況下的振動信號采用移動時窗進行分割，獲得兩種工況下的數據集，并將兩種工況下的數據集分為源域數據集與目標域數據集；

(2)構造由特征提取器與域分類器組成的域類別識別網絡，采用源域數據集與目標域數據集，訓練域類別識別網絡，得到源域數據集中源域樣本的重要性權重，根據重要性權重，得到歸一化的源域樣本的重要性權重；

(3)將特征提取器與類別標簽分類器組成故障模式識別網絡；

(4)將特征提取器、歸一化的源域樣本的重要性權重以及域判別器組成重要性加權域對抗自適應網絡；

(5)采用對抗博弈策略依次迭代訓練域分類器、故障模式識別網絡與重要性加權域對抗自適應網絡，直至所有的網絡參數收斂，然后使用類別標簽分類器識別目標域數據集中的旋轉機械健康狀態。

本發明進一步的改進在于，步驟(1)的具體過程如下：

1)使用傳感器采集滾動軸承在兩種不同工況下各故障類型的振動信號；

2)選擇最優前進步長，采用移動時窗對振動信號進行分割；分別獲得兩種工況下的數據集，其中故障類型完整且帶有故障標簽的工況數據集設置為源域數據集，故障類型不完整且故障標簽缺失的數據集設置為目標域數據集。