[发明专利]一种基于数据增强和加权域适应的开集故障诊断方法

说明书

本发明公开了一种基于数据增强和加权域适应的开集故障诊断方法。本发明将设备不同工况下采集到数据进行数据增强后转换为二维图片样本，联合基于加权域适应网络模型实现开集故障识别。其包括以下步骤：(1)将采集到的原始数据进行归一化处理并进行重叠采样后，将数据转换为二维图片作为模型的输入；(2)搭建加权域适应模型，包含特征提取、加权和分类模块；(3)特征提取模块提取样本特征；(4)源域特征通过分类模块和加权模块计算损失；(5)目标域特征通过加权模块计算与源域的相似性，为非共享类样本分配小权重；(6)通过每次迭代所得损失，反向传播至模型更新参数。当迭代至最大次数时，确定网络模型用以开集故障诊断。

技术领域

本发明针对实际应用中设备工况的复杂性和开放性，利用深度学习模型设计了一种基于数据增强和加权域适应的开集故障诊断方法，实现了开集故障数据集中共享类样本的识别和非共享类样本的分离，属于故障诊断技术领域。

背景技术

在现代化工业的不断推进过程中，机械设备趋向精细化、大型化、智能化，这能够大大减少人工的参与。但设备在复杂的运行环境中，其零部件易发生故障，这不仅会造成巨大经济损失，严重时更会危急生命。因此保持设备安全和稳定的运行至关重要，其中准确高效的故障诊断方法有着重要作用。故障诊断过程大多包括特征提取和故障识别两部分，传统的故障诊断方法主要是通过提取时域、频域以及时频域特征结合机器学习和先验知识进行，这些方法虽然也能实现较好的故障识别，但在面临大量数据时，会出现效率降低等问题，这已不能满足大数据时代的需求。

在现如今的大数据时代，有效的利用机械设备运行时产生的大量数据准确高效的进行故障诊断成为研究热点。随着科技的发展，深度学习以被广泛用于医学、人工智能等领域，鉴于其强大的特征提取和识别能力，能够从数据中自动学习特征并根据特征精确分类，因而也被用于故障诊断领域，并取得了不错的效果。深度学习应用于故障诊断要求两个前提：1)训练和测试的样本在同一特征空间下具有相似分布；2)训练样本具有充足的标签。但在采集数据时，普遍存在复杂的工况，这导致收集到的数据样本分布不相同、大部分样本无标签。因此在不同工况下，利用有标签样本对无标签样本进行识别分类具有必要性。

作为迁移学习的分支，无监督域适应(UDA)可以有效解决上述问题。域适应方法能够利用源域中已知的标签信息，在目标域无标签或者只有少量标签时，通过减小源域和目标域特征之间的分布差异实现不同工况下的故障诊断。大多数域适应方法都是假设源域与目标域具有相同类别，然而在实际应用中，采集到的目标域样本往往是未知的，可能包含了源域以外的类别。这会导致域适应方法无法通过源域和目标域特征对齐传递故障诊断信息，造成负迁移。因此，解决负迁移对域适应模型的危害已经成为故障诊断过程中亟需解决的问题，具有重要的意义。

本发明提出了一种基于数据增强和加权域适应的开集故障诊断方法，主要通过建立对抗性模型，对故障信号进行特征提取和分类，对于与源域相似性较大的目标域样本分配较大权重，并且设定阈值促进模型在共享类与非共享类之间建立边界，促进源域和目标域共享类别之间的正迁移，在精确识别目标域共享类中不同样本的同时，分离出非共享类样本，具有较高的故障识别准确率。

发明内容

本发明的目的在于提供了一种基于数据增强和加权域适应的开集故障诊断方法。该方法针对机械设备运行中存在的开集识别问题，利用重叠采样增强采集到的数据特征信息并构造二维图片样本，在无需任何目标域标签信息的情况下，利用特征提取器提取源域和目标域样本的高维特征，通过加权模块计算源域和目标域样本特征之间的相似性，为相似性大的目标域样本分配大权重，并计算分类损失及二元交叉熵损失反向传播对模型进行更新实现持续准确的诊断。

S1故障数据的采集

本发明针对旋转机械在不同工况下的各类运行状态，通过在故障部件附近安装加速度传感器，以相同的采样频率及采样时间分别采集不同转速状态下的振动加速度信号，并将数据导入计算机软件中进行预处理作为模型的输入。

S2数据增强及样本构造