[发明专利]多工况分布对齐的旋转机械健康诊断方法

权利要求书

1.一种多工况分布对齐的旋转机械健康诊断方法，其特征在于，包括：

采集N种不同工况下旋转机械在不同故障运行中的振动信号，将N种不同工况所对应的振动信号随机划分为N-1个源数据集和一个目标数据集，每个数据集对应一种工况；获取振动信号对应的时频图，并对源数据集的时频图进行故障类型标记；将各个源数据集分别和目标数据集组合，构成N-1个源与目标数据集；

构建多源适应模型，包括一个公共特征提取器，N-1个特定域特征提取器和N-1个特定域分类器；

训练多源适应模型，包括：

将N-1个源与目标数据集输入公共特征提取器，提取各个源与目标数据集的公共机械故障特征；

将各个源与目标数据集的公共机械故障特征分别对应输入N-1个特定域特征提取器，提取各个源与目标数据集的特定机械故障特征，并最小化各特定机械故障特征之间的最大均值差异，以对齐各源与目标数据集的特定机械故障特征的分布；

将各个源与目标数据集的特定机械故障特征分别对应输入N-1个特定域分类器，预测源域数据的故障类型，并对齐各特定域分类器的决策边界；

其中N为大于等于2的整数；

将训练好的多源适应模型预测测试数据的故障类型，实现任意工况下的旋转机械健康诊断。

2.根据权利要求1所述的多工况分布对齐的旋转机械健康诊断方法，其特征在于，所述特定域特征提取器由上、下两层结构相同的多尺度注意网络堆叠组成；

每层多尺度注意网络包括第一子层和第二子层，第一子层是多头注意网络，第二子层是两层的全连接网络；

对于单个特定域特征提取器的上、下两层多头注意网络的输入，分别进行相对位置编码，对于上层多头注意网络的输入，采用正弦函数sin(·)进行相对位置编码，表达式如下：

其中，PE_(pos，2i)是位置编码输出，pos是位置，i是维度；d_modle表示模型的维度和；表示上层多头注意网络的输入，x表示矩阵和。

3.根据权利要求2所述的多工况分布对齐的旋转机械健康诊断方法，其特征在于，上层多头注意网络的输入与输出通过残差连接，层规范化后，作为第二子层的输入；第二子层的输入与输出也通过残差连接，层规范化后，作为下层多头注意网络的输入；

对于下层多头注意网络的输入，采用三个不同的感受野的1D卷积进行相对位置编码，表达式如下：

其中，分别是第二子层的输出和下层多头注意网络的输入，w₁，b₁是感受野为1的1D卷积的权重和偏值，w₂，b₂是感受野为3的1D卷积的权重和偏值，w₃，b₃是感受野为5的1D卷积的权重和偏值，ReLU为激活函数。

4.根据权利要求1所述的多工况分布对齐的旋转机械健康诊断方法，其特征在于，所述特定域分类器包括两层多层感知器，特定域分类器通过嵌入softmax函数，以计算给定任何输入样本的每个故障类型的概率，概率通过下式计算：

其中，y_i是数据标签，k是故障类型的编号，x_i是目标特定机械故障特征，p(y_i＝k|x_i)是x_i所预测是k类故障的概率，exp为指数函数，C_k为softmax函数生成的第k个故障类型的输出值，f_c是多层感知器的输出。

5.根据权利要求1所述的多工况分布对齐的旋转机械健康诊断方法，其特征在于，采用交叉熵作为特定域分类器的分类损失：

其中，是分类损失，是第j个源特定机械故障特征的数量，log为对数函数，C_i表示第i个特定域分类器，是第j个源特定机械故障特征和是第j个源数据的标签。