[发明专利]基于部分迁移卷积网络的机械设备智能故障诊断方法

说明书

本发明提供了一种基于部分迁移卷积网络的机械设备智能故障诊断方法，其采集机械设备在不同运行工况下的运行数据，组成数据集，将数据集X中的部分数据作为源域训练样本集和目标域测试样本集，并对每个样本数据进行数据标准化，然后使用源域训练样本集训练两个结构相同但初始化参数不同的一维卷积神经网络模型并基于目标域测试样本集对训练后的两个卷积神经网络模型进行修正得到卷积神经网络机械设备故障诊断模型，使用故障诊断模型基于实时运行数据对机械设备进行故障诊断输出故障类型。本发明能够有效地在更真实的机械故障诊断中使用，即考虑到目标域的无标签性，使得训练出的诊断模型可以更佳的诊断机械设备的故障。

技术领域

本发明涉及机械故障诊断技术领域，特别涉及一种基于部分迁移卷积网络的机械设备智能故障诊断方法。

背景技术

随着社会的快速发展，机械装备已经成为了现代工业的重要支柱。然而由于连续的运转和环境的干扰，机械设备不可避免地会发生退化和故障。一旦发生故障，轻则引起设备停机和经济损失，重则引发人员伤亡，因此，对机械装备进行健康监测和故障诊断已经在工业界和学术界引起了越来越多的关注。

在过去的许多年里，各种各样的诊断方法已经被相继提出。其中，深度神经网络作为一颗耀眼的新星已经逐渐被越来越多地研究，目前基于深度网络的智能诊断方法也取得了比较满意的效果。尽管基于深度网络的诊断方法取得了非常大的进步，但是在使用过程中一些问题仍不能被忽略：1)在实际工业环境中获取有标签的数据是困难的，因此在基于标签数据训练深度神经模型在许多情况下也是不现实的；2)当试图将已训练好的模型迁移到无标签的目标域时，模型通常在测试数据上无法获得满意的结果，这是由于运行工况的变化、设备的磨损和环境噪声等因素使得原始训练数据和目标测试数据具有不同的数据分布；3)在现实工业环境中，用于训练数据集与需要测试的目标数据集的标签空间很有可能也是不同的。因此在实际诊断任务中，我们无法等到收集到与训练集标签类别完全相同的目标集后才进行诊断，因此目标数据域的标签类别往往是小于原始训练域的，特别是在工业大数据的环境下，这种情况显得更加自然。

而近年来，虽然基于深度神经网络的方法取得了一定的成就，但是上述三个问题通常被忽略而未能被很好地解决。这些问题的存在不仅会造成误诊和漏诊的现象，使得故障诊断精度较低，甚至可能会阻碍智能诊断的发展。

发明内容

本发明针对上述现有技术中的缺陷，提出了如下技术方案。

一种基于部分迁移卷积网络的机械设备智能故障诊断方法，其包括以下步骤：

采集步骤S1，采集所述机械设备在不同运行工况下的运行数据，每个工况对应不同的机械健康状态，将采集的所有组成数据集表示为：X∈R^d×n，其中， d表示样本维度，n表示样本个数，X表示一个运行数据，R表示实数；

设置步骤S2，将数据集X中的部分数据作为源域训练样本集和目标域测试样本集；其中，源域训练样本集表示为：其中，上标s表示源域；n_s表示源域样本数；表示源域的第i个样本；表示相对于 的标签。目标域测试样本集表示为：其中，上标t表示目标域；n_t表示目标域样本数；表示目标域的第i个样本。所述源域训练样本集为有标签数据集，所述目标域测试样本集为无标签数据集；

格式化步骤S3，对源域训练样本集和目标域测试样本集中的每个样本数据使用如下表达式进行数据标准化：

其中，μ_i是x_i的平均值；σ_i是x_i的标准差；j表示x_i的第j 个元素。

训练步骤S4，使用源域训练样本集训练两个结构相同但初始化参数不同的一维卷积神经网络模型并基于目标域测试样本集对训练后的两个卷积神经网络模型进行修正得到卷积神经网络机械设备故障诊断模型；