[發明專利]基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法

有效

• 申請號: 202110020442.2
• 申請日: 2021-01-07
• 公開（公告）號: CN112860183B
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 陳景龍;馮勇;宋霄罡;訾艷陽
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F3/06
• 分類號: G06F3/06;G06F13/40
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 賀小停

本發明公開了一種基于高階矩匹配的多源蒸餾?遷移機械故障智能診斷方法，利用從多臺機械設備采集的運行數據建立多源數據集，預處理后將其劃分為源域數據集、目標域訓練數據集和目標域測試數據集；構建基于高階矩匹配的多源蒸餾?遷移學習網絡模型，使用源域數據集和目標域訓練數據集進行高階矩匹配、最大分類器差異以及多源蒸餾訓練；將目標域測試數據集作為測試輸入，使用自適應加權策略綜合多個分類器的輸出，完成跨域故障診斷。本發明利用多源數據，在域、類別層面對齊源域和目標域特征，通過多源蒸餾提高模型對目標樣本的分類能力，并提出自適應加權以綜合診斷結果，解決了傳統方法在跨域診斷中性能下降的問題，大幅提升了深度模型的性能。

技術領域

本發明涉及機械設備故障診斷領域，特別涉及一種基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法。

背景技術

大型旋轉機械設備如風機、壓縮機和燃氣輪機等是國民經濟領域中的關鍵生產設備，其運行中產生的嚴重機械故障會對操作人員生命安全及設備運行安全造成極大威脅。準確、及時識別該類機械設備運行過程中萌生和演變的故障，對保障機械設備安全運行，避免災難性事故發生意義重大。

在傳統的機械故障智能診斷方法中，基于機器學習的方法依賴于耗時的特征工程且因其淺層結構而泛化能力較弱；在工業大數據的背景下，基于深度學習的方法因其強大的特征自動提取能力，獲得了廣泛關注與研究。近年來，為解決在實際工況中設備故障數據量少、數據分布差異大而造成的模型性能下降的問題，提出了一系列基于深層神經網絡的遷移學習方法，利用實驗室數據和歷史數據將模型遷移至特定診斷場景中，取得了較好的效果。但現有方法均基于單個源域的模型遷移，而在實際中，對于可能獲得多個設備、多種工況下的歷史數據而言是極大的浪費。同時，單源域中數據特征單一、樣本質量的參差不齊容易造成負遷移，而多源域提供了更多數據及其分布。在同種設備故障特征具有內在聯系的基礎上，研究用于機械故障智能診斷的多源遷移學習與樣本甄別方法，對于進一步提高深度學習模型在跨域機械故障診斷中的性能具有指導意義。

發明內容

本發明的目的在于提供一種基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法，以克服現有技術的缺陷，本發明利用多源域數據，通過高階矩匹配在域層面實現域自適應以對齊源域、目標域特征，通過最大最小化分類器差異實現類別層面的特征對齊，基于樣本高階矩實現多源樣本蒸餾，進一步提高模型對目標樣本的分類能力，在測試階段提出自適應加權策略以得到綜合診斷結果，大幅提升了深度模型在跨域故障診斷中的性能。

為達到上述目的，本發明采用如下技術方案：

基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法，包括以下步驟：

步驟1：利用從多臺機械設備采集的設備運行狀態數據，建立多源數據集，對該多源數據集進行預處理，并將預處理后的數據集劃分為包含多個設備數據的源域數據集和包含單設備數據的目標域數據集，將目標域數據集分為目標域訓練數據集和目標域測試數據集；

步驟2：構建基于高階矩匹配的多源蒸餾-遷移學習網絡模型；

步驟3：使用步驟1中的源域數據集和目標域訓練數據集對步驟2中構建的模型進行訓練；

步驟4：以步驟1中的目標域測試數據集作為步驟3中訓練模型的輸入，使用自適應加權策略綜合多個分類器的輸出結果，完成跨域故障智能診斷。

進一步地，步驟1中的預處理具體包括，以固定長度將數據無重復地切分為不同樣本，為樣本賦予類別標簽，并對樣本進行標準化處理，公式如下：

式中，l表示樣本包含的數據點個數，x₀表示預處理前的樣本，x表示預處理后的樣本，x₀(i)為x₀的第i個分量。