[发明专利]一种基于重要性加权域对抗自适应的智能故障诊断方法

说明书

一种基于重要性加权域对抗自适应的智能故障诊断方法，采集旋转机械在不同工况下的振动信号，分别对不同工况下数据集采用移动时窗进行信号的分割；构造域类别识别网络，输出源域样本在对抗训练中重要性权重；提取数据集中判别性特征；结合特征提取器与域判别器，构造重要性加权域对抗自适应网络；采用对抗式网络的训练策略训练网络模型至模型收敛，使用训练好的类别分类器识别缺乏故障标签的目标域数据集的轴承健康状态。本发明通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断，完成了诊断知识的迁移，同时构造了深度学习网络，克服了传统诊断方法中对专家知识的依赖，为降低未来智能故障诊断系统的成本提供了一种有效的工具。

技术领域

本发明涉及滚动轴承状态评估方法，具体为一种基于重要性加权域对抗自适应的智能故障诊断方法。

背景技术

滚动轴承作为机械设备中重要的旋转部件，广泛应用于航空航天、工程机械、船舶设备、水利工程等领域。滚动轴承的健康状态和性能直接影响到机械设备的安全可靠性。然而滚动轴承却是机械设备中易损坏部件，轴承的故障可能导致整个机械系统的停机，造成不可想象的经济损失。因此，对轴承的健康状态检测和故障诊断技术的研究是具有重要意义的。

通过在轴承运作过程中，使用传感器采集轴承的振动信号来进行分析，可以判断被监测设备的状态。其中随着智能诊断方法的发展，针对一定工况下故障数据难以获取，不足以支撑建立诊断模型，基于迁移学习的智能故障诊断方法得到了广泛的研究。传统的基于迁移学习的智能诊断方法，可以实现将诊断知识从数据量大且容易获得的工况传递到数据量不完备的工况，以此来提高机械设备诊断系统的泛化性能。虽然基于迁移学习的智能诊断方法的在状态检测中已经取得了许多成果，但仍有许多不容忽视的地方。传统的基于迁移学习的智能方法是建立在一定的假设前提下的：即数据量不足的目标域需要具备所有在数据量充足的源域中存在的故障类型，即二者的标签空间是相同的。然而这在实际工业应用中有很大的限制，很难确保目标域中发生了所有源域中存在的故障类型。因此如果能够传输源域知识而不必等待目标领域中每一个可能的故障的发生是非常有意义的。

发明内容

针对现有技术中存在的不足，本发明的目的是提供一种基于重要性加权域对抗自适应的智能故障诊断方法，解决了传统基于迁移学习的智能诊断方法在工业应用中的不足，克服了目标域训练集为不包含完整故障种类的数据集而导致负迁移的产生。

为实现上述目的，本发明是通过以下技术方案来实现：

一种基于重要性加权域对抗自适应的智能故障诊断方法，包括如下步骤，

(1)采集旋转机械在两种不同工况下的振动信号，分别对两种工况下的振动信号采用移动时窗进行分割，获得两种工况下的数据集，并将两种工况下的数据集分为源域数据集与目标域数据集；

(2)构造由特征提取器与域分类器组成的域类别识别网络，采用源域数据集与目标域数据集，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重，得到归一化的源域样本的重要性权重；

(3)将特征提取器与类别标签分类器组成故障模式识别网络；

(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应网络；

(5)采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络，直至所有的网络参数收敛，然后使用类别标签分类器识别目标域数据集中的旋转机械健康状态。

本发明进一步的改进在于，步骤(1)的具体过程如下：

1)使用传感器采集滚动轴承在两种不同工况下各故障类型的振动信号；

2)选择最优前进步长，采用移动时窗对振动信号进行分割；分别获得两种工况下的数据集，其中故障类型完整且带有故障标签的工况数据集设置为源域数据集，故障类型不完整且故障标签缺失的数据集设置为目标域数据集。