[发明专利]基于半监督对抗域泛化智能模型的故障诊断方法

说明书

本发明公开了一种基于半监督对抗域泛化智能模型的故障诊断方法。本发明基于半监督对抗域泛化智能模型的故障诊断方法以域对抗神经网络为基础，采用半监督学习的方式，通过提出域模糊策略来消除多源域之间的数据分布差异，学习标记的源域和未标记的源域中与分布无关的表示，提取域不变特征，并且引入度量学习来促进模型学习特征的类内聚集性和类间可分性，提高特征的可判别性，从而极大提高机械故障诊断模型的泛化能力，实现未知工况下的半监督机械健康状态智能识别，识别精度高。

技术领域

本发明涉及机械故障识别技术领域，尤其是指一种基于半监督对抗域泛化智能模型的故障诊断方法。

背景技术

对机械系统健康状态的智能识别可以及时诊断出机械故障，有利于机械系统的安全、稳定运行。现在发展的机械智能故障诊断技术大多是基于数据驱动的方法。受深度神经网络在计算机模式识别领域应用的启发，研究者们近些年热衷于探索基于深度学习的智能故障诊断方法。深度神经网络的故障特征提取能力强，且便于直接构建端到端的故障诊断方案。由于机械关键零部件经常处于变转速或者变负载的环境中，导致不同工况下的数据存在分布差异，但深度学习故障诊断方法通常假设测试数据和训练数据是相同分布的，这阻碍了基于深度学习的故障诊断方法在实际诊断任务中的应用。面对变工况故障诊断的问题，一些学者引入迁移学习，通过将域适应这一迁移学习方法与深度神经网络相结合，提出了深度域适应方法。进一步，对抗思想从生成对抗网络中被引入到深度神经网络，形成了域对抗神经网络，它可以动态地选择不同域间可迁移特征。这些域适应方法对于跨域故障诊断问题具有很好的效果，可以较好地处理训练数据与测试数据分布不一致的问题。

域适应方法取得优异性能的一个前提就是需要目标数据的先验分布，然而在实际的工业场景中，目标工况的故障数据在训练阶段通常是不可见的。当无法预先获得目标数据参与模型训练时，如果将训练好的模型应用于新的工况常常会出现灾难性的失败。因此，需要探索一个能够推广到不可见工况的更现实的故障诊断模型，在训练阶段只需要利用源域数据，而无需访问目标数据，训练好的模型可以适用于目标任务的轴承故障诊断。适用于这种故障诊断任务的模型称为域泛化模型。

现有的域泛化故障诊断模型是全监督泛化网络模型，该模型一般由三个部分组成：特征提取器、域判别器和标签分类器。特征提取器以带标签的多源域数据为输入，输出隐含特征。域判别器和标签分类器均以提取的隐含特征向量为输入，并分别输出特征向量的来源和种类。在多源数据之间进行对抗性训练，提取域不变特征以提高网络的泛化性和鲁棒性。采用全监督泛化网络进行智能故障诊断时，首先需要将带有标签的多源域数据集输入到网络中进行模型参数训练，在训练完成之后将目标域测试数据输入到训练好的特征提取器和标签分类器中进行故障诊断，得到其故障类别。

全监督泛化网络模型在进行未知工况下的机械智能故障诊断中，要求所有源域均带有类别标签。然而，给工程数据做标记需要领域专家知识，而且工作量十分巨大，所以实际的多源域数据集可能只有部分源域带有类别标签而另一部分源域不带有类别标签，此时全监督泛化网络模型不再适用。另外，全监督泛化网络模型将多源域数据输入传统的域对抗神经网络中进行对抗训练，该模型或者没有考虑到多个源域数据之间的细粒度对齐，导致域泛化能力不足，或者需要采用多个域判别器和分类器来提高域泛化能力，从而显著增加模型的复杂度。因此，现有的域泛化模型存在以下缺点：1)部分源域标签缺失时不适用；2)域泛化能力弱；3)模型复杂度高。

发明内容

为此，本发明所要解决的技术问题在于提供一种泛化能力强、识别精度高的基于半监督对抗域泛化智能模型的故障诊断方法。

为解决上述技术问题，本发明提供了一种基于半监督对抗域泛化智能模型的故障诊断方法，其包括以下步骤：

S1、将采集的机械振动时域信号截取成数据样本，统一样本长度，并把样本幅值归一化，将数据集划分为多源域数据集和目标域数据集；

S2、构建特征提取器，所述特征提取器用于将预处理后的数据样本映射到目标特征空间，所述特征提取器以数据样本作为输入，以数据样本的高层隐含特征作为输出；