[發明專利]基于關系遷移域泛化網絡的機械故障智能診斷方法

在審

• 申請號: 202211067497.X
• 申請日: 2022-09-01
• 公開（公告）號: CN115420490A
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 秦毅;錢泉;羅均;蔡維;周江洪
• 申請（專利權）人: 重慶大學
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01M13/021;G01M13/028;G01M13/045;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 方鐘苑

本發明涉及一種基于關系遷移域泛化網絡的機械故障智能診斷方法，屬于機械故障診斷技術領域。該方法包括：S1：采集不同工況下的原始振動信號，然后劃分樣本集；S2：構建關系遷移框架；S3：構建關系遷移域泛化網絡RTDGN；S4：對RTDGN訓練優化：TIDA階段，將所有任務不相關輔助數據輸入到RTDGN中，對構建的對抗網絡的權重參數進行迭代訓練；TRDG階段：首先繼承TIDA階段特征提取器的權重參數，然后將任務相關數據中的源域數據輸入到RTDGN中進行微調訓練；S5：經過多次迭代，將訓練好的RTDGN將用于旋轉機械部件的關系遷移任務下的跨工況遷移故障診斷，具有高泛化能力和強魯棒性的診斷結果。

技術領域

本發明屬于機械故障診斷技術領域，涉及一種基于關系遷移域泛化網絡的機械故障智能診斷方法。

背景技術

齒輪、軸承等機械關鍵零部件廣泛應用在航空航天、軌道交通、石油化工等重要工程領域，一旦發生故障將造成嚴重的經濟損失和無可挽回的人員傷亡。目前，針對訓練數據和測試數據分布不一致，大量基于域自適應技術的遷移診斷方法已經廣泛應用于機械診斷領域；但是，這些方法的成功完全依賴于在模型訓練的時候可以獲得目標域數據這一先驗假設。在大多數實際工程應用中，這一先驗假設往往是不成立的。

因此，亟需一種新的機械智能診斷方法來解決以上問題。

發明內容

有鑒于此，本發明的目的在于提供一種基于關系遷移域泛化網絡的機械故障智能診斷方法，使得在數據分布不一致和目標域數據不可見情況下的旋轉機械部件具有高泛化能力和強魯棒性的診斷結果。

為達到上述目的，本發明提供如下技術方案：

一種基于關系遷移域泛化網絡的機械故障智能診斷方法，具體包括以下步驟：

S1：在機械設備上采集不同工況下的原始振動信號，然后根據采集的原始振動信號劃分樣本集，以便于構建后續的關系遷移診斷任務；

S2：根據要實施的關系遷移診斷任務，構建關系遷移框架；

S3：基于步驟S2構建的關系遷移框架和卷積神經網絡，構建關系遷移域泛化網絡(relationship transfer domain generalization network,RTDGN)；

S4：分兩步對RTDGN訓練優化：①在任務不相關域自適應階段(task-irrelevantdomain adaptation,TIDA)：將所有任務不相關輔助數據輸入到RTDGN中，然后對構建的對抗網絡的權重參數進行迭代訓練，其中對抗網絡的權重參數包括特征提取器、故障分類器和域判別器的權重參數θ_FE、θ_FC和②在任務相關域泛化階段(task-relevant domaingeneralization,TRDG)：首先繼承TIDA階段特征提取器的權重參數，然后將任務相關數據中的源域數據輸入到RTDGN中進行微調訓練；

S5：經過多次迭代訓練，觀察損失曲線是否趨于平穩收斂，如果曲線收斂則RTDGN訓練完成，訓練好的RTDGN將用于旋轉機械部件的關系遷移任務下的跨工況遷移故障診斷。

進一步，步驟S2中，構建關系遷移框架具體包括：首先定義任務不相關輔助數據由多個輔助域構成，其中Q表示為輔助域的個數，和分別表示第q個輔助域的第i個樣本以及它相應的標簽向量，n_q為第q個輔助域的樣本數量；任務相關數據由源域數據和目標域數據構成，定義為其中和分別表示有標簽源域和不可見的無標簽目標域，分別表示源域的第i個樣本以及它相應的標簽向量，n_S為源域的樣本數量，表示目標域的第i個樣本以及它相應的標簽向量，n_T為目標域的樣本數量；