[发明专利]基于多任务对抗判别域自适应的跨域故障诊断系统及方法

说明书

本发明公开了基于多任务对抗判别域自适应的跨域故障诊断系统及方法，该系统包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块；所述故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，所述特征生成器和领域鉴别器构成一个博弈，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，实现类级对齐。通过本发明提高故障诊断的准确性。

技术领域

本发明属于机械设备故障诊断技术领域，特别涉及基于多任务对抗判别域自适应的跨域故障诊断系统及方法。

背景技术

早期滚动轴承故障诊断的方法主要采用小波变换、希尔伯特-黄变换等数学工具提取故障特征，并采用人工干预来判断轴承是否发生故障。传统方法主要面临的问题是没有考虑特定的类别信息，导致故障分类精度不够高，这是由于领域对抗算法只在全局上对齐源域和目标域特征，类别特征的匹配非常局限。因此，引入跨域故障诊断方法，跨域故障诊断利用迁移机制，通过某种映射方法将目标域和源域特征映射至同一空间。跨域故障诊断包括两个关键过程，其一，在单一域中开展特征工程，获得高质量的源域故障特征嵌入；其二，利用迁移机制，根据某种映射规则将源域特征与目标域特征进行匹配。

其中，Jiao等人提出了一种无监督的基于分类器差异的对抗性域适配方法，包括特征生成和特征迁移两个模块，该方法的优势在于能够减少领域差异并完成未标记目标域的故障诊断任务，但是，该方法存在以下问题：

第一，故障分类的性能过于依赖源分类器的精度。例如虽然当前方法通过类对齐实现了领域自适应诊断，但最终分类结果很大程度上还是依赖于源分类器的精度。当领域差距较大时，基于L1距离的分类器差异度量在实际应用中效果较差，容易引起准确率将严重下降。

第二，不具备非参数性质。例如，当前方法在进行特征迁移时可能会隐式的对输入分布进行参数假设，所以对样本所对应的总体分布有比较严格的要求，这样就限制了它的适用范围，当数据中非稳态噪声较大时数据呈偏态分布，当前方法的准确率将严重下降。

发明内容

针对现有技术存在的不足，本发明提供一种基于多任务对抗判别域自适应的跨域故障诊断系统及方法，在进行领域对齐时，建模两组极大极小博弈，执行域对齐和类对齐两个子任务，提升领域表征对齐的全面性；在优化目标域特征嵌入时，使用非参数化的基于三元组损失和中心磁体损失的架构，提升目标域特征嵌入的规则性。

为了解决上述技术问题，本发明采用的技术方案是：

首先，本发明提供一种基于多任务对抗判别域自适应的跨域故障诊断系统，包括信号采集模块、信号处理模块、故障诊断模块和故障结果输出模块；所述信号采集模块用于采集实时信号数据并存储于数据库中，所述信号处理模块用于从数据库中调取信号数据并经过快速傅里叶变换后输入故障诊断模块；所述故障诊断模块包括特征生成器、差异鉴别器、领域鉴别器，

其中特征生成器用于从源域和目标域中挖掘输入信号的特征表示并生成特征图，且源域和目标域共享特征生成器的参数；领域鉴别器用于区分特征生成器提取的特征是来自源域还是来自目标域，通过博弈对齐两者的边缘特征分布；差异鉴别器包括两个分类器，用于检测远离源域特征的目标样本，以实现特征对齐；

所述特征生成器和领域鉴别器构成一个博弈，特征生成器从源域和目标域中挖掘输入振动信号的特征表示并欺骗领域鉴别器，领域鉴别器区分提取的特征是来自源域还是来自目标域，二者通过最小化域预测损失进行训练，当领域鉴别器无法判断特征生成器生成的特征来源时，实现了领域级分布对齐；所述特征生成器和差异鉴别器构成一个博弈，特征生成器通过训练来欺骗差异鉴别器，使得差异鉴别器无法鉴别两个分类器的输出差异，差异鉴别器通过最大化两个分类器的输出差异来检测模糊目标样本，从而进行类级对齐。