[发明专利]一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法

说明书

本发明提供一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法，利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取，得到轴承健康状态的特征；将轴承健康状态的特征向量和类别预测向量进行多线性映射融合，并进行动态多特征对抗迁移诊断训练：通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化；总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失，动态鉴别损失中设有动态对抗因子；优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集，输出目标域装备健康状态。本发明方法提高了目标域工况健康状态的识别精度，能有效识别变工况下旋转机械的健康状态。

技术领域

本发明涉及旋转机械故障诊断技术领域，具体涉及一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法。

背景技术

由于先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法在轴承预测中得到了广泛的应用。

机械工业现场工况非常复杂，机械设备的工作运行环境可能发生一定变化，比如设备的工作转速、工作负载以及工业现场噪声等都可能发生变化。开展变工况下机械设备的状态监测与诊断，对可能发生的故障进行检测、诊断和预测，对保证机械的可靠、连续和稳定运行，减少经济损失和运行成本以及避免重大事故发生，具有十分重要的现实需求。

深度学习方法由于其强大的自动特征学习能力在故障诊断领域已取得较大的成功。但其良好的分类性能通常受限于以下两个基本假设：(1)测试数据与训练数据需满足独立同分布；(2)待诊断任务有充足的标签故障样本。

迁移学习放宽了传统机器学习中测试数据和训练数据须服从独立同分布的约束。在迁移学习中，源域任务与目标域任务的特征空间分布不需一致，能够在彼此不同但相关的两个域间挖掘领域不变的本质结构和特征，使得标注数据等有监督信息可在领域间实现迁移和复用。对抗迁移学习通过将对抗学习用于无监督域适应，确实减少了源域和目标域之间的差异，并提高了泛化能力。引入对抗性训练学习类判别特征和域不变特征，并采用加权学习策略来权衡它们对源分类器和域判别器的贡献。现有迁移诊断方法存在以下不足：(1)都是基于单特征迁移，没有充分利用神经网络学习到的特征，捕捉复杂数据分布后的多模态结构；(2)都是基于单个鉴别器进行域适应，没有考虑网络中全局与局部的信息。

发明内容

针对现有技术中存在不足，本发明提供了一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法，能够有效地用于旋转机械中的故障诊断。

本发明是通过以下技术手段实现上述技术目的的。

一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法，具体包括：

采集旋转机械关键部件的振动信号，并利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取，得到轴承健康状态的特征；

将轴承健康状态的特征向量f和类别预测向量g进行多线性映射融合，并进行动态多特征对抗迁移诊断训练；所述进行动态多特征对抗迁移诊断训练的过程是通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化；所述总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失，所述动态鉴别损失中设有动态对抗因子η；

优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集，输出目标域装备健康状态。

进一步地，所述多线性映射融合采用如下公式：

其中：Z(h)为融合后的特征，Z表示融合操作，d_f表示特征向量f的维数，d_g表示特征向量g的维数，d表示融合后的维数，R_f表示特征向量f引入的随机项，R_g表示特征向量g引入的随机项，表示拼接操作，表示多线性映射，⊙表示维数超过4096时的融合操作。

进一步地，所述总损失函数满足下式：