一种基于生成特征重放的轴承增量故障诊断终身学习方法

本发明涉及机械故障诊断与机器学习，尤其是指一种基于生成特征重放的轴承增量故障诊断终身学习方法及系统。

背景技术：

1、在技术水平的推动下，现代工业正朝着信息化、智能化的方向发展。工业设备作为现代工业的重要载体，其故障不仅会造成巨大的经济损失，而且会带来巨大的安全风险。轴承是工业设备中不可缺少的一部分，需要在高温高压等恶劣环境下长时间工作。轴承在恶劣条件下的健康稳定运行对工业生产非常重要。因此，对轴承的健康状态进行监测至关重要。

2、传统的机器学习往往需要大量的专业知识和复杂的特征工程，也就是专业人员人工操作处理。先对数据集执行深入的探索性数据分析，再由pcn或者其他方法对数据进行降维处理，最后才是特征提取。其中最麻烦的还是人工的步骤，不同领域的专业知识交叉并不多，在不同的领域研究问题，往往需要多个该领域的专业人员进行手动特征提取，这导致研究成本的增大。

3、而深度学习的发展使得利用人工智能可以自动实现机器设备零件的故障检测和识别。例如，将卷积神经网络(cnn)、自动编码器(nes)、循环神经网络(rnn)、深度信念网络(dbn)和多层感知器引入故障诊断领域。然而，这些诊断模型需要基于两个假设：训练数据与测试数据同分布且训练数据足够多；即要为每种故障类型都收集不同工况下的足量故障信息，以确保高精度诊断。但是由于机器在实际操作过程中工况多变且故障类型复杂多变，导致两个假设在实际工作条件下很难实现，使得模型的诊断效果不佳。这个问题被称为灾难性遗忘，解决灾难性遗忘和建立稳定、可靠和可持续的智能诊断模型是深度学习领域的重要问题。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术在实际操作过程中工况多变且故障类型复杂多变导致的灾难性遗忘问题。

2、为解决上述技术问题，本发明提供了一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括:

3、s1：采集不同故障类型的轴承振动加速度时域信号，进行预处理，获取灰度图片样本，添加故障类型标签，构建轴承状态数据集，并划分为多个不同诊断阶段的数据集；

4、s2：构建原始故障诊断模型，设置其分类器全连接层神经元数量为初始阶段故障类型数量；根据初始阶段故障类型的灰度图片样本，训练得到第一特征提取器与第一分类器；利用第一特征提取器提取的特征，交替训练鉴别器与生成器，获取第一特征生成器；

5、s3：在第n阶段，通过第n-1阶段的第n-1特征提取器与第n-1分类器，初始化第n特征提取器与第n分类器；利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器，同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异；

6、其中，n＝1,2,3，…，n；n取1时，为初始阶段；n为诊断阶段的个数；

7、s4：利用第n特征提取器提取的特征与第n-1特征生成器生成的特征，共同训练更新第n分类器，并利用分类损失函数防止第n分类器遗忘；更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和；

8、s5：通过第n-1特征生成器初始化第n阶段的第n特征生成器，再通过第n-1特征生成器生成的特征和第n特征提取器提取出的特征，共同训练得到第n特征生成器；同时利用重放对齐损失函数，约束第n特征生成器生成的特征与第n-1特征生成器生成的特征相似，防止第n特征生成器遗忘；

9、s6：重复步骤s3至s5，直至训练完所有诊断阶段，得到n＝n时的最终故障诊断模型；

10、s7：利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本，得到轴承故障诊断结果。

11、在本发明的一个实施例中，所述步骤s1具体包括：

12、利用加速度传感器采集不同故障类型的轴承振动加速度时域信号，添加故障类型标签，构建轴承状态数据集，划分不同阶段的故障诊断任务；

13、为n+1个故障诊断任务划分n+1个学习阶段；学习阶段的数量随着诊断任务数量的增加而增加，n+1个学习阶段的数据集d0,d1,...,dn被依次学习；第n阶段中数据集被学习，为dn的第i个样本数据，为第i个样本数据对应的故障类型标签，kn为第n阶段数据集中样本的数量；pn代表所有已经学过故障类型t0:n-1＝{t0,t1,...,tn-1}的数量，qn代表当前阶段学习到故障类型tn的数量，即pn+1＝pn+qn,所以将表示为

14、在本发明的一个实施例中，所述对所述轴承振动加速度时域信号进行预处理，获取灰度图片样本包括：

15、对所述轴承振动加速度时域信号进行快速傅里叶变换，将所述轴承振动加速度时域信号转变为轴承振动加速度频域信号，同时保留1×1024的形状；

16、将轴承振动加速度频域信号从1×1024重塑为1×32×32，并在新的维度上进行重建，以获得1×32×32的灰度图片样本。

17、在本发明的一个实施例中，所述根据初始阶段故障类型的灰度图片样本，训练得到第一特征提取器与第一分类器，包括：

18、利用resent-18网络学习初始阶段的灰度图片样本，训练得到第一特征提取器f0和第一分类器c0，获取原始故障诊断模型m0，设置其全连接层神经元数量为初始阶段故障类型数量；

19、初始阶段分类损失为交叉熵损失函数：

20、

21、其中，表示初始阶段的轴承振动加速度频域信号，γ表示真实标签，为原始故障诊断模型m0的分类预测结果，kn为第n阶段的灰度图像样本的数量，q0代表初始阶段学习到故障类型t0的数量。

22、在本发明的一个实施例中，所述使用第一特征提取器提取出的第一特征，利用对抗生成网络交替训练，得到第一特征生成器，包括：

23、使用第一特征提取器f0提取出的第一特征，利用wnsserstein gnn交替更新鉴别器d0与生成器，得到第一特征生成器g0：

24、

25、

26、通过鉴别器损失函数与生成器损失函数使第一特征生成器适应特征生成和持续学习：

27、鉴别器损失函数

28、生成器损失函数

29、其中，χn表示第n阶段的数据集，t为所需的故障类型，z为服从高斯分布的随机噪声，

30、表示重放对齐损失函数。

31、在本发明的一个实施例中，所述重放对齐损失函数表示为：

32、

33、其中，gn(t,z)表示第n特征生成器生成的特征，gn-1(t,z)表示第n-1特征生成器生成的特征当以给定的先验故障类型t和给定的隐向量z为条件时，约束第n阶段的生成特征与第n-1阶段的生成特征相似。

34、在本发明的一个实施例中，所述特征蒸馏损失函数为：

35、

36、其中，fn-1(x)表示第n-1特征提取器提取的特征，fn-1(x)表示第n特征提取器提取的特征。

37、在本发明的一个实施例中，所述增量学习阶段的分类损失包括新分类任务损失与旧分类任务损失：

38、

39、所述新分类任务损失为第n阶段学习到的故障类型的交叉熵损失：

40、

41、所述旧分类任务损失为第n阶段之前所有阶段学习过的故障类型的交叉熵损失：

42、

43、其中，pn代表所有已经学过故障类型的数量，qn代表第n阶段学习到故障类型tn的数量，即pn+1＝pn+qn，γ表示真实标签，为原始故障诊断模型m0的分类预测结果。

44、在本发明的一个实施例中，所述利用最终故障诊断模型诊断所有已学习任务的灰度图片样本，得到轴承故障诊断结果后，还包括：

45、利用所有已学习故障类型的诊断任务，测试轴承状态数据集中所有的故障类型，以验证最终故障诊断模型具有克服灾难性遗忘的能力。

46、本发明实施例还提供了一种基于生成特征重放的轴承增量故障诊断终身学习系统，包括：

47、数据获取与预处理模块，采集不同故障类型的轴承振动加速度时域信号，构建轴承状态数据集，并划分为多个不同诊断阶段的轴承故障诊断任务；对所述轴承振动加速度时域信号进行预处理，获取灰度图片样本；

48、初始阶段训练模块，通过学习初始阶段的灰度图片样本，训练得到第一特征提取器和第一分类器；使用第一特征提取器提取出的第一特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；

49、增量阶段训练模块，根据n-1阶段的第n-1特征提取器、第n-1分类器与第n-1特征生成器训练n阶段的第n特征提取器、第n分类器与第n特征生成器；利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异，利用重放对齐损失函数约束第n特征生成器生成的第n生成特征与第n-1生成特征相似，更新分类器全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型；

50、故障诊断模块，利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本，得到轴承故障诊断结果。

51、本发明的上述技术方案相比现有技术具有以下优点：

52、本发明所述的基于生成特征重放的轴承增量故障诊断终身学习方法，通过初始阶段灰度图片样本的学习，训练特征提取器、分类器与特征生成器，构建原始故障诊断模型；在增量学习阶段，利用特征提取器用于提取第n阶段故障类别的特征，并利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异来防止特征提取器的遗忘；利用分类器预测目标标签，并通过分类损失函数来防止分类器的遗忘；利用特征生成器生成精准的旧类特征分布，以便于在不同的类和任务之间共享参数，并利用重放对齐损失函数，通过使第i阶段的生成特征与第n-1阶段的生成特征相似，来确保特征生成器从旧类型中正确地生成特征，从而使本发明提供的最终故障诊断模型解决了灾难性遗忘问题，诊断精度高，鲁棒性强，适用于故障增量类型的故障诊断。