[发明专利]一种基于深度领域自适应的振动数据故障分类方法

说明书

本发明公开了一种基于深度领域自适应的振动数据故障分类方法，包括：构建含有大量样本数据的源域和含有少量样本数据的目标域；利用源域中的样本数据构建一个分类器；根据源域和目标域中的不同领域下的样本数据构造配对样本；构建一个孪生网络，将配对样本作为训练样本输入到所述孪生网络中进行领域适配，并得到配对样本的最终损失函数；对最终损失函数进行优化，并得到训练完成后的故障分类模型。本发明解决了现有的深度网络模型在故障样本数据不足条件下诊断效果差的问题，将深度学习和迁移学习中的领域自适应方法相结合，最大化地利用已有数据，提高了模型的泛化能力，从而获得更好的分类准确度。

技术领域

本发明涉及振动信号的处理及故障分类的技术领域，尤其是一种基于深度领域自适应的振动数据故障分类方法。

背景技术

风力发电设备、航空发动机、高档数控机床等重大机械装备正在朝着大型化、复杂化、高速高精度的方向发展，设备一旦出现事故，将带来巨大的经济损失和人员伤亡。因此，研究先进的机械故障诊断方法对于保障设备安全运行意义重大。

传统的轴承故障诊断方法通常可以分为：特征提取与分类器分类两个部分。其中，基于信号处理技术的特征提取往往针对特定问题，需要诊断专家深入了解机械装备故障机理和掌握信号处理技术，在此基础上，设计特征提取算法提取故障信息的特征。这种做法，对设计人员的技术要求高，难度较大，还有可能造成信息损失。

深度学习具有强大的建模和表征能力，且在语音识别、图像识别等领域的大数据分析上已有突破性进展。深度学习是在深度神经网络的输入端直接输入原始信号，输出端直接输出结果，通过一个深度神经网络即可完成特征提取、特征降维、分类器分类这一整套过程，无需特征提取等预处理环节。这种方式也被称为“端到端”的识别过程。

但是，深度学习与故障诊断相结合时，必须注意到的一个问题是：深度学习模型训练得到的故障分类模型具有准确性和高可靠性的两个基本前提是：训练与测试数据之间独立且分布相同，以及故障样本数量充足。

然而，变工况环境下的机械振动数据往往无法满足以上两个基本前提，这是因为：一、多工况交替的运行环境下，振动数据涵盖了多种设备、不同工况、多源传感器采集的大量健康或故障状况信息，振动数据映射的故障模式不明且多变，因此不确定的振动数据往往意味着训练与测试数据分布不同；二、复杂机械设备的在线监测系统中，海量的正常运行数据与小样本的故障状态数据是其典型特点，即采集到的振动数据虽然是大容量的，但大部分振动数据没有标注，因此针对每种工况下都收集并标记足够多的故障数据是不现实的，不平衡的振动数据往往意味着可用于训练的故障样本不足。

综合上述两点原因，在大容量、不确定、不平衡的振动数据故障诊断中，是可以通过深度学习模型准确表征大容量数据的故障特征，但是，不确定、不平衡的振动数据往往会造成深度学习模型在变工况环境下的泛化能力不足，直接使用训练集上训练得到的深度学习模型进行多工况下的故障分类，导致故障诊断的精度大幅度下降。这给故障诊断的深度学习模型带来了理论上和现实应用的风险，也成为了现有方法存在的主要缺陷。因此，如何让在一种工况下训练出的深度学习模型能够适应不同工况下的故障诊断任务，克服现有深度学习模型无法泛化到与训练数据服从不同概率分布的小样本数据的局限，实现领域自适应的故障特征提取与分类识别，是智能故障诊断必须解决的问题。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种基于深度领域自适应的振动数据故障分类方法，解决了现有的深度网络模型在故障样本数据不足条件下诊断效果差的问题，将深度学习和迁移学习中的领域自适应方法相结合，最大化地利用已有数据，提高了模型的泛化能力，从而获得更好的分类准确度。

为实现上述目的，本发明采用以下技术方案，包括：

一种基于深度领域自适应的振动数据故障分类方法，先利用样本数据构建故障分类模型，再利用该故障分类模型对待诊断的振动数据进行故障诊断和故障分类；所述构建故障分类模型，包括以下步骤：