[發明專利]基于最優輸運的傳動鏈無監督域適應故障診斷方法

在審

• 申請號: 202011152085.7
• 申請日: 2020-10-23
• 公開（公告）號: CN112232252A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 劉朝華;蔣林博;王暢通;吳亮紅;陳磊;張紅強;李小花
• 申請（專利權）人: 湖南科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N7/00
• 代理公司: 湘潭市匯智專利事務所(普通合伙) 43108
• 代理人: 陳偉

本發明公開了一種基于最優輸運的傳動鏈無監督域適應故障診斷方法，包括以下步驟：搭建傳動鏈故障數據庫；構造無監督域適應特征提取及分類模型；建立融合最優輸運的無監督域適應故障診斷模型；將目標域數據送入訓練好的特征提取器和softmax分類器，得到目標域數據的預測標簽，并計算其分類精度。本發明將最優輸運理論與域適應理論結合在一起，通過最小化故障源域和目標域特征和標簽的距離來對齊特征空間和標簽空間的分布，解決了故障診斷中的源域和目標域的域適應問題，提高了故障診斷的精度。

技術領域

本發明涉及一種傳動鏈故障診斷方法，特別涉及一種基于最優輸運的傳動鏈無監督域適應故障診斷方法。

背景技術

傳動鏈在工業應用中起著重要的作用，是許多工業系統的組成部分，如高鐵、飛機、風電系統等，但傳動鏈往往容易發生故障。傳動鏈的故障診斷對于確保系統的安全運行、減少機器停機時間、節約維護成本至關重要。因此，傳動鏈的故障診斷受到了廣泛的關注，大量的故障診斷方法被提出。

故障診斷方法大致可以分為基于模型的方法和數據驅動的方法。早期故障診斷主要基于物理模型，它可以準確地描述故障與相關工業系統之間的聯系；但這種故障診斷方法主要有兩個缺點：1)高度依賴于系統的先驗知識；2)工業運行過程中的干擾和對系統的一些假設(如噪聲的形式和系統的工作條件)可能不合適，這些可能導致不確定性和誤診。數據驅動故障診斷方法直接對采集到的數據進行分析，使用信號處理、機器學習等技術，可以減少對系統先驗知識的依賴，更適合現代工業應用；比如Hilbert變換和小波變換被廣泛用于故障特征分析上。雖然這些方法可以在故障診斷任務上取得良好的性能，但它們仍然面臨著從初始故障信號中自動提取故障特征的挑戰。而且，人工提取故障特征是非常耗時的。

近年來，深度學習在故障診斷領域的應用取得了很大進展，像深度堆棧網絡和卷積神經網絡，由于具有良好的自動提取特征能力，被用以解決故障診斷問題。現有的大多數方法都能準確地檢測故障，但這些方法的成功是基于兩個假設：1)有大量帶標簽的訓練數據；2)源域的訓練數據和目標域的測試數據分布相同。當違反這兩個假設時，這些算法的性能可能會顯著下降。但在實際的工業應用中，如風力發電系統，由于工作環境的變化和負載轉矩的不穩定，這些假設往往不能成立。并且，收集數據是非常耗時的，所以收集大量有標簽的訓練數據往往比較困難。人們還普遍意識到，從原始數據中訓練出來的模型可能不太可靠。即使在一定的工作條件下可以獲得標簽數據，但數據分布可能會隨著新的工作條件而改變。

域適應是解決數據不平衡或數據稀缺問題的有效方法，可以有效緩解數據分布差異的影響，顯著提高分類器的性能。然而，現有基于域適應理論的故障診斷方法主要存在兩個缺點：1)當源域和目標域的分布為多模態時，這些方法使用的概率度量不能代表源域和目標域之間的差異；2)僅在高維特征空間中考慮源域和目標域的差異，而往往忽略標簽空間的差異，導致適應不夠。最優輸運(Optimal transport，OT)理論作為一個強大的工具，可以計算概率分布之間的距離。OT距離可以根據分布的樣本直接計算，不需要進行密度估計或其他非參數方法。

發明內容

為了解決上述技術問題，本發明提供一種算法簡單、診斷精度高的基于最優輸運的傳動鏈無監督域適應故障診斷方法。

本發明解決上述問題的技術方案是：一種基于最優輸運的傳動鏈無監督域適應故障診斷方法，包括以下步驟：

(1)搭建傳動鏈故障數據庫：采集傳動鏈源域和目標域故障數據，有標簽源域故障樣本集為其對應標簽為其中為第m個源域故障樣本，為對應的標簽，s表示源域，m為源域樣本總數；無標簽目標域故障樣本集為其中為第n個目標域故障樣本，t表示目標域，n為目標域樣本總數；源域故障樣本集和目標域故障樣本集共同構成傳動鏈故障數據庫；