一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法

本发明涉及机械设备智能故障诊断，具体涉及一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法。

背景技术：

1、随着工业的发展和进步，机械装备被广泛应用于各个行业，重大装备的智能运维需求日益增强，智能运维对机械装备的运行安全和功能执行具有重要意义。然而，机械设备工作环境恶劣，背景噪声强，从传感器所测得的振动信号中包含较多的特征噪声和故障无关的成分；同时，机械设备工作在高速、冲击等工况下，是典型的非平稳工况，不稳定的激励及复杂工况，机械振动、电气干扰、气动流动等多种因素都有可能产生大量的特征噪声。近年来，随着机器学习和深度学习等数据驱动技术的发展，许多研究者开始利用数据驱动的方法进行故障诊断研究，但是故障诊断的性能很大程度上由训练数据的质量决定的。在实际应用中，故障数据的类别依赖人工标记完成的，繁杂的标记过程难免出现一些错误，导致训练样本中包含大量的噪声标签，这些噪声标签很大程度上降低了故障诊断的性能。在面临特征噪声、标签噪声甚至是特征噪声和标签噪声混合的多种噪声存在的场景时，现有的方法在实际工程应用中存在故障识别准确率低的问题。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法，解决现有方法在含有多种噪声的源域中训练网络模型时因噪声存在导致的故障识别准确率低的问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法，包括以下步骤：

3、离线训练：

4、s1：采集的样本数据并进行预处理，得到源域训练数据集和目标域训练数据集；

5、s2：建立纠正网络模块和域适应网络模块，纠正网络模块以步骤s1获得的源域训练数据作为输入，获取干净的源域数据；域适应网络模块以干净的源域数据和目标域训练数据作为输入，实现域知识的迁移及分布对齐；

6、s3：将步骤s2建立的纠正网络模块和域适应网络模块组合，建立多噪声鲁棒故障诊断训练模型；

7、s4：根据损失函数和优化算法进行训练，将源域训练数据和目标域训练数据输入到步骤s3构建的故障诊断训练模型中进行模型训练，得到故障诊断测试模型；

8、s5模型测试：将目标域测试数据的样本依次输入到s4构建的故障诊断测试模型，输出样本的故障类别；

9、在线故障诊断：

10、将需要进行故障诊断的目标域数据输入到s5得到的故障诊断模型，诊断目标域数据对应的故障类型。

11、作为优选，步骤s1中源域数据包括振动、加速度、电流或声发射信号数据；

12、所述预处理方法为：将采集不同工况下的样本数据进行分割，统一样本数据长度，并把样本数据归一化，得到源域训练数据集和目标域训练数据集；其中，源域训练数据集是有标签的，用于模型训练；目标域训练数据是无标签的，用于模型的域适应训练。

13、作为优选，步骤s2中纠正网络模块包括特征提取器、纠正网络分类器、权重生成器；域适应网络模块包括特征提取器、域适应分类器和域判别器；

14、所述特征提取器包括但不限于通过全连接网络、深度卷积网络、深度置信网络、深度残差网络、深度自编码网络中的一种来构建特征提取，用于提取信号中隐藏的故障特征信息；

15、所述纠正网络分类器和域适应分类器均由全连接神经网络和softmax分类器组成，以特征提取器输出的特征作为输入，输出样本的故障类别；

16、所述权重生成器由全连接神经网络组成，以特征提取器输出的特征作为输入，输出每个样本的权重；

17、所述域判别器由全连接神经网络组成，以特征提取器输出的特征作为输入，输出样本来自源域或目标域。

18、作为优选，步骤s2具体包括以下步骤：

19、s2.1将含噪声的源域训练数据输入到纠正网络模块中，通过纠正网络特征提取器提取深层特征，并将深层特征输入到纠正网络分类器和权重生成器中，利用纠正网络分类器的分类损失优化、正则化损失和排序损失优化纠正网络特征提取器、分类器和权重提取器，抑制源域中的噪声样本，最终获取干净的源域数据及样本的权重；

20、s2.2将步骤s2.1获得的干净的源域数据和无标签的目标域训练数据输入到域适应网络中，通过特征提取器提取源域和目标域数据的深层特征，并将深层的特征输入到域适应分类器和域判别器中，利用域适应网络分类器加权的分类损失、对比损失、加权的域差异度量损失优化特征提取器和域判别器，实现域知识的迁移及分布对齐。

21、作为优选，步骤s3具体包括以下步骤：

22、s3.1在纠正网络模块中，对于源域噪声输入样本xs，特征提取器φ输出提取特征φ(xs)，通过下式计算获取预测类别分布μs和样本的不确定性权重s

23、w：

24、

25、其中，c和v表示纠正网络分类器和权重生成器；

26、纠正网络中特征提取器、纠正网络分类器和权重生成器的训练通过加权分类损失：

27、

28、其中，为不确定性加权分类损失函数，||·||1表示l1范数，表示第i个样本可能被污染的类别标签；

29、预测的不确定性权重wi通过1/wi2有效地抑制噪声样本的权重并降低分类损失，使训练后模型对有噪声的输入数据具有更强的鲁棒性，降低大的不确定性权重的噪声样本对训练损失的影响；

30、s3.2随机打乱训练样本的标签获得噪声样本权重生成器通过打乱标签的噪声样本去训练，生成新的不确定性权重假设权重分类器v的当前参数为θ，对于每个随机打乱的批次θ通过一个梯度下降被更新为该过程表示为：

31、

32、其中，表示不确定性加权分类损失函数；

33、不确定性排序损失被表示为：

34、

35、其中，δ表示边际；

36、假设和表示目标概率和模型概率输出，对于第k次训练中的样本i，k+1次的目标概率输出计算为：

37、

38、其中，β表示动量；

39、利用估计的目标概率输出，对于一个训练批次的b个样本，早期正则化项表示为：

40、

41、其中，＜·,·＞表示内积运算；

42、总的训练损失为：

43、

44、纠正网络训练完成后，对噪声源域进行重新标记，通过选择最大的预测概率重新标记样本实现去除噪声标签的目的，为训练自适应网络提供相对干净的训练数据；

45、s3.3在鲁棒域适应模块中，步骤s2.1获取的干净训练数据和目标域训练数据作为输入被用于训练模型，根据分类损失和不确定性权重的聚合来选择用于训练的源域样本，样本的平均聚合被表示为：

46、

47、式中，m表示训练次数，表示分类损失，w(xi)表示第i个样本的预测不确定性权重；按类别按升序排列平均聚合的值，第(nc×p)个样本作为第c类故障的阈值来选择样本，nc是类故障的样本数目，p是选择比例；

48、通过上述的样本选择策略，建立多噪声鲁棒故障诊断训练模型，更加干净的样本会被用于训练鲁棒域适应模块。

49、作为优选，步骤s4中损失函数为：

50、(1)以同类样本特征为正样本，不同类样本特征为负样本，构建对比学习损失，使得同类样本往同样的聚类中心聚集，不同类样本特征相互远离，从而实现重叠特征的分离，构建的对比损失函数为：

51、

52、其中，n表示故障的样本数量，s(·)表示相似度度量，采用余弦相似度、欧式距离等，zi表示第i个样本特征，表示正样本特征，表示负样本特征，τ表示比例参数；

53、通过对比损失，同类的样本特征被聚集，不同类的样本特征被拉远，克服时变工况导致的不同故障特征重叠难分离问题；

54、(2)采用的域差异度量促使网络利用源域干净的数据和目标域数据学习一个判别模型，总损失表示为：

55、

56、其中，表示差异度量，ψ(xi)表示域适应网络特征提取器，f(·,·)表示域适应网络分类器，f′表示域适应网络域判别器。

57、作为优选，所述域差异度量包括但不仅限于最大均值差异、多核最大均值差异度量、相关对齐度量和最大边际差异度量中的一种来构建，减少域漂移减少不同工况变化带来的域漂移，提高在跨工况过程的诊断精度。

58、作为优选，所述域差异度量采用最大边际差异度量时，最大差异度量的度量损失表示为：

59、

60、其中，disp(ρ)(f′,f)表示边际差异，定义为：

61、

62、其中，ρf′是域适应网络域判别器f′假设的边际，hf(x)是分类器f的标记函数，φρ是ρ边际损失；

63、最小化mdd是一个对抗的过程，表示为：

64、

65、结合鲁棒域适应模块加权分类损失和对比损失，鲁棒域适应的整个的优化过程表示为：

66、

67、其中，表示期望，σ表示softmax函数，γ＝exp(ρ)用于保护边际ρ，λi表示权重，根据平均聚合定义为：

68、

69、其中，表示样本xi的平均聚合，表示样本xi在k次迭代中平均聚合的最小值，表示表示样本xi在k次迭代中平均聚合的最大值。

70、作为优选，所述优化算法包括但不仅限于随机梯度下降算法、均方根传递算法、自适应矩估计算法中的一种。

71、作为优选，步骤s5具体为：故障诊断测试模型由训练好的特征提取器ψ和分类器f组成，目标域测试数据中故障样本只验证模型输出预测标签的准确性，若准确性达到预设标准，输出预测标签对应各故障样本的类别，得到故障诊断模型；否则根据损失函数和优化算法继续进行训练。

72、总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的时变工况下多噪声鲁棒的跨工况迁移故障诊断方法主要具有以下

73、有益效果：

74、1、本发明的一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法在时变的多噪声条件下，具有较高的诊断准确率。

75、2、本发明的一种时变工况下多噪声鲁棒的跨工况迁移故障诊断方法无需对数据进行复杂的预处理步骤，能够对时变的工况条件、标签噪声、特征噪声和标签噪声和特征噪声的混合噪声具有较好的鲁棒性。