[发明专利]基于多尺度权重选择对抗网络的部分迁移故障诊断方法

说明书

本发明涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，属于机械故障诊断技术领域。该方法包括：S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；S2：利用深度学习构建MDAN；S3：构建多尺度权重选择机制；S4：结合多尺度权重选择机制和MDAN构建MWSAN；S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。本发明提高了故障诊断的精度。

技术领域

本发明属于机械故障诊断技术领域，涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法。

背景技术

近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。轴承、齿轮、轴、转子等机械零件，其健康状态直接影响着整个旋转机械的稳定性，因此故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极重大的意义。

目前，迁移学习已经广泛应用于轴承、齿轮、轴、转子等机械零件的少样本无标签故障诊断中，并取得了良好的诊断精度。但是，这些迁移学习方法假设了源域和目标域的标签空间应该是一致的。在实际工业中，目标域可能是源域标签空间的一个子集，在这种情况下，这些传统的方法可能会导致负迁移，从而降低故障诊断的精度。

因此，亟需一种新的机械故障诊断方法来提高机械设备故障诊断的精度。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，结合多尺度域对抗网络结构和多尺度权重选择机制，用于解决机械设备故障诊断时部分迁移诊断问题，从而提高故障诊断的精度。

为达到上述目的，本发明提供如下技术方案：

一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，具体包括以下步骤：

S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；

S2：利用深度学习构建多尺度域对抗网络(Multiscale domain adversarialnetwork,MDAN)；

S3：构建多尺度权重选择机制；

S4：结合多尺度权重选择机制和MDAN构建多尺度权重选择对抗网络(Multi-scaleweight selection adversarial network，MWSAN)；

S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；

S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。

进一步，步骤S1中，利用滑动采样技术扩充故障样本数据集。

进一步，步骤S2构建的MDAN网络包括特征提取器G_f、多尺度分类器G_y和域分类器G_d；

所述特征提取器包括卷积层(Conv)、最大池化层(MaxPool)、BN层、全局平均池化层(GAP)和激活层(ReLU)；

所述多尺度分类器包括激活层、全连接层和Dropout层；