[发明专利]一种多源域自适应智能机械故障诊断方法及系统

说明书

本公开提供了一种多源域自适应智能机械故障诊断方法及系统，获取机械设备的运行状态数据；利用预设特征提取器对获取的运行状态数据进行特征提取；将提取到的特征输入到预设分类器中，得到故障分类预测结果；其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新；本公开能够有效解决不同操作条件下训练集和测试集数据之间因特征分布不同导致的训练集学习的模型无法适应于测试集的问题，有效提高了机械设备在新工况下的故障诊断分类准确率。

技术领域

本公开涉及机械设备故障诊断技术领域，特别涉及一种多源域自适应智能机械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，并不必然构成现有技术。

随着机械设备向自动化、智能化方向发展，健康状态监测与维护对保障机械系统高精度高可靠性运行尤为重要。机械设备一旦发生故障，将发生灾难性后果，及时诊断出故障对于确保机械设备的高精度和高可靠性操作尤为重要。

故障诊断的目的是通过使用获得的测量值监视和分析机器的状态来检测故障系统上的故障。故障诊断的基本方法是在被测部件周围安置传感器，监测振动信号，利用故障诊断算法进行检测，关键环节在于故障特征提取，提取特征的质量对最终的故障诊断结果具有重要影响。传统的故障诊断方法通常采用人工特征提取，需要操作人员具有一定的专业知识背景。

物联网的快速发展，使得机械系统运行状态的数据规模不断扩大，同时机器学习及深度学习理论的进步，促使基于数据驱动的智能故障诊断算法蓬勃发展。一方面，现有方法大多基于训练集和测试集具有相同的数据分布的假设，然而在获取振动数据时，工业环境的复杂性和工作环境的变化可能会改变实际的机械数据和培训数据的分布，利用训练集训练的网络不适合实际故障诊断任务。另一方面，大部分故障诊断算法假定有足够的标记数据来训练模型，在实际工程应用场景中，机器通常在健康状态下工作，很少发生故障；同时获取标签数据需要花费巨额成本，故障数据不足且无标签将导致已有方法不适用，不足以训练出可靠的诊断模型。

域自适应是解决该问题的一个方法，基于知识重用的思想，可以在实验室中模拟机械设备的各种故障状况，收集充足的标记数据，使利用实验室轴承数据训练的诊断模型也可以适用于工程场景中的轴承故障诊断。现有的一些方法都大多采用单源域自适应方法，即采用单个数据源作为训练集(源域)，而实际应用场景下，可能存在多个数据源可供使用的情况。实际应用下，测试集(目标域)无标签，无法确定使用哪个数据源进行域自适应效果更好。一种方法是将所有数据源合为一个数据集作为训练集，但这忽略了数据集之间的差异。

发明内容

为了解决现有技术的不足，本公开提供了一种多源域自适应智能机械故障诊断方法及系统，能够有效解决不同操作条件下训练集和测试集数据之间因特征分布不同导致的训练集学习的模型无法适应于测试集的问题，有效提高了机械设备在新工况下的故障诊断分类准确率。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种多源域自适应智能机械故障诊断方法。

一种多源域自适应智能机械故障诊断方法，包括以下步骤：

获取机械设备的运行状态数据；

利用预设特征提取器对获取的运行状态数据进行特征提取；

将提取到的特征输入到预设分类器中，得到故障分类预测结果；

其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。

本公开第二方面提供了一种多源域自适应智能机械故障诊断系统。

一种多源域自适应智能机械故障诊断系统，包括：