[发明专利]基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法

说明书

本公开揭示了一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括：分别采集在不同工况下运行的高铁牵引电机轴承的第一和第二振动信号，将第一振动信号作为源域数据，将第二振动信号作为目标域数据；建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；同时输入有标签的源域数据和无标签的目标域数据对该网络进行训练；训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。本公开能够有效提高模型在目标域数据上的诊断准确率、减小了域间差异以及增强了特征分布的区分性从而提高了模型的鲁棒性。

技术领域

本公开属于机械故障诊断领域，尤其涉及一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法。

背景技术

近年来，由于强大的特征提取能力与处理大数据的能力，深度学习被广泛应用于智能故障诊断。但由于高铁牵引电机工况频繁变化，打破了深度学习的训练样本与测试样本服从独立同分布的假设，导致深度学习在应用于高铁牵引电机故障诊断时的诊断准确率大大下降。现有的深度域自适应方法由于没有利用标签信息，导致不能充分减小域间差异，并且，高铁牵引电机需承受机车轮轨动力作用产生的冲击和振动，导致采集到的振动信号中噪声和干扰成分较多，因此需要一种具有较强鲁棒性的模型。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，通过将特征与标签预测值的张量积代替特征输入到域分类器中，并在优化目标中加入区分性损失函数，从而进一步减小域间差异及增强特征分布的区分性以提高模型的鲁棒性。

为实现上述目的，本公开提供以下技术方案：

一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括如下步骤：

S100：通过加速度传感器分别采集在不同工况下运行的高铁牵引电机轴承的第一振动信号和第二振动信号，将所述第一振动信号作为源域数据，其所包含的故障类型是已知的，将所述第二振动信号作为目标域数据，其所包含的故障类型的未知的；

S200：建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；

S300：同时输入有标签的源域数据和无标签的目标域数据对所述条件对抗域自适应网络进行训练；

S400：训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。

优选的，步骤S100中，所述振动信号的源域数据表示为：

其中，表示第i个源域样本，表示与源域样本相对应的故障类别标签，n_s表示源域的样本数目。

优选的，步骤S100中，所述振动信号的目标域数据表示为：

其中，表示第i个目标域样本，表示与目标域样本相对应的故障类别标签，n_t表示目标域的样本数目。

优选的，步骤S200中，所述特征提取器有卷积层和全连接层构成，用于从输入数据中提取特征；所述标签预测器由全连接层构成，用于对输入特征进行分类；所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。

优选的，步骤S300中，对所述条件对抗域自适应网络进行训练包括以下步骤：