[发明专利]多工况分布对齐的旋转机械健康诊断方法

说明书

本发明涉及一种多工况分布对齐的旋转机械健康诊断方法，包括：采集N(N≥2)种不同工况下的振动信号，将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；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，包括一个用于提取各个源与目标数据集的公共机械故障特征的公共特征提取器、N‑1个特定域特征提取器，从公共机械故障特征中提取特定特征并进行分布对齐，以及N‑1个特定域分类器，对特定机械故障特征进行故障预测，并对齐决策边界；训练好的模型可对测试数据进行故障预测，能够较好的解决传统方法无法进行跨工况诊断的问题，诊断精度高。

技术领域

本发明涉及机械设备状态监测与健康评估技术领域，尤其是一种多工况分布对齐的旋转机械健康诊断方法。

背景技术

旋转机械被广泛应用于航空、航天、汽车等工业领域，但其在长期运行中无法避免故障，从而导致灾难性损失。旋转机械的健康监测作为故障预测与健康管理(PHM)的重要组成部分，能够确保准确诊断机器的当前健康状态，使其安全可靠持续运行。因此，采用PHM技术可以根据设备的历史数据对其相应诊断，从而可以定制维护计划，并缩短不必要的停机时间，降低成本，并提高机械系统可靠性。

现有的故障诊断方法可分为基于模型方法和数据驱动模型。基于模型方法通常需要先验知识支撑和解释，无法有效的对高阶次系统进行建模模拟，进而不能够准确的诊断复杂系统的健康状态。相反，基于数据驱动模型能够有效的处理机械信号，并提取其中隐藏的故障特征，从而建立特征与故障行为的精确映射，提供准确的诊断结果。因对专家知识的要求较低，它们变得越来越有吸引力。近年来，因其非线性表征和数据挖掘能力，深度学习在处理时间序列问题上表现出显著的优势。因此，深度学习能够从大量的机械信号中自动学习故障特征表示，从而避免了人为特征构造。

然而，这些方法是在源域和目标域数据来自独立同分布的数据空间的假设下开发的。这个假设对于实际的工业场景来说是不切实际的。因为机械运行至故障过程往往承受着时变和复杂工况，无法保证所采集的数据来自相同的分布，即它们具有明显的分布差异。在假设下，预训练模型能够在当前工况下实现最佳的诊断性能，当工况改变时，就无法有效工作。通常需要重新进行模型训练，重构新的特征映射。这显然不是一个可行的解决方案。由于不同工况的数据可能是具有明显的分布差异，即域转移，这会限制模型的域泛化，从而限制模型的性能。

发明内容

针对现有技术的不足，本发明提供一种多工况分布对齐的旋转机械健康诊断方法，以解决了传统方法无法进行跨工况诊断的技术问题，旨在实现较高精度的机械健康诊断。

本发明采用的技术方案如下：

一种多工况分布对齐的旋转机械健康诊断方法，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；