[发明专利]一种面向机电设备的智能故障诊断方法及系统

说明书

本公开提供了一种面向机电设备的智能故障诊断方法及系统，获取目标机器的以往故障数据，构成训练数据；获取目标机器的实时采集数据，构成测试数据；构建域自适应网络模型，对网络模型进行训练，并将不同数据的输出进行标记，并最小化训练数据和测试数据之间的差异，并对训练数据的特征进行提取和分类；利用训练好的模型得到测试数据的伪标记，利用加权伪标记测试数据和原始训练数据，对整个网络模型进行至少一次的重训练；利用重训练后的模型对测试数据进行预测和分类，得到机器的故障诊断结果。能够进一步提高诊断的准确度。

技术领域

本公开属于故障诊断技术领域，涉及一种面向机电设备的智能故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

现代工业中的机器损伤严重影响了工业物联网(Industrial Internet OfThings，IIOT)的安全生产、工作效率和产品质量。利用振动信号或电流信号在事故发生前进行故障诊断，可以提高IIOT在制造业和工业生产中的可信度。

目前，人工神经网络(Artificial Neural Network，ANN)、支持向量机(SupportVector Machine，SVM)、极限学习机(Extreme Learning Machine，ELM)等机器学习算法在智能故障诊断中得到了广泛的应用。据发明人了解，目前具有很多现有文献关于利用机器学习算法对工业机器进行损伤或故障判定，但这些方法大多是利用数据驱动的故障诊断方法，需要使用基于研究者经验的特征选择和一个有效的分类器，这意味着这些特征与分类器没有直接关系，分类的准确度和精度并不高。

近年来，深度学习以其在图像分类、数据挖掘和语音识别等任务上的突出表现而备受关注。因此，许多基于深度学习的故障诊断工作应运而生。但据发明人了解，这些研究工作没有考虑训练数据与测试数据获取条件不一致的情况。在大多数情况下，训练和测试数据集的获取条件是一致的。但对于在不同工作环境下获得的测试数据，利用训练数据训练的模型可能具有较差的泛化性能。

发明内容

本公开为了解决上述问题，提出了一种面向机电设备的智能故障诊断方法及系统，本公开充分考虑到训练数据与测试数据获取条件不一致的情况，进一步提高诊断的准确度。

根据一些实施例，本公开采用如下技术方案：

一种面向机电设备的智能故障诊断方法，包括以下步骤：

获取目标机器的以往故障数据，构成训练数据；

获取目标机器的实时采集数据，构成测试数据；

构建域自适应网络模型，对网络模型进行训练，并将不同数据的输出进行标记，并最小化训练数据和测试数据之间的差异，并对训练数据的特征进行提取和分类；

利用训练好的模型得到测试数据的伪标记，利用加权伪标记测试数据和原始训练数据，对整个网络模型进行至少一次的重训练；

利用重训练后的模型对测试数据进行预测和分类，得到机器的故障诊断结果。

本公开提供的技术方案，通过充分考虑到训练数据与测试数据获取条件不一致的情况，利用对训练样本和测试样本的特征输出分别标记，并最小化训练数据和测试数据之间的差异，保证了模型可适用的广泛性；同时，为了使用测试数据集预测结果中的有效信息，，将基于测试数据集预测结果和原训练数据集进行重训练，进一步优化域自适应网络模型，能够有效的提高分类的精度和准确性，提高诊断的准确度。

作为可选择的实施方式，所述域自适应网络模型具体包括依次连接的特征提取网络、特征域自适应网络和分类网络。

作为可选择的实施方式，所述特征提取网络的输入是分段的一维原始信号，特征提取网络的前两层卷积核长度大于10。