[发明专利]一种基于子空间的异构迁移故障诊断方法、系统和模型

说明书

本发明提出了一种基于子空间的异构迁移故障诊断模型，包括特征提取器、公共空间提取模块和分类器；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且训练样本对应各标签的概率总和为1。本发明可有效地利用其他零部件的故障信息，对目标故障零部件进行分类，从而对故障信号同类的零部件集中处理，极大地增加了智能故障诊断的实用性，有利于推进智能故障诊断的实际应用。

技术领域

本发明涉及故障分类领域，尤其涉及一种基于子空间的异构迁移故障诊断方法、系统和模型。

背景技术

齿轮箱、轴承等旋转体被广泛地应用于机械装置。机械故障在很大程度上会影响现代工厂的安全、效率、产品质量。随着现代工业智能化和信息化的发展，数据驱动的故障诊断方法被广泛的运用于故障诊断，并体现出了巨大的优势和传统机器学习方法一样，想要取得较好的故障诊断效果，需要满足以下两个要求：大量带标签数据用于训练神经网络；源域和目标域的数据分布相同。然而，当零件不同时，将会造成训练集和测试集的样本空间、标签空间存在差异，以至于故障诊断的精度会急剧下降。从工业设备中采集大量带标签的机械振动信号非常昂贵，为每个零件建立训练集几乎是不可能。带标签振动数据的不足严重阻碍了智能故障诊断的发展。

面对训练数据不足的问题，挖掘可用数据成为研究的重点。迁移学习可以将从源域学习到的有用知识应用到不同但相关的目标领域，为解决训练数据不足的问题提供了可能。目前，基于迁移学习的跨领域智能故障诊断得到了广泛发展。然而，现有方法仅可应用于解决同一台机器在不同运行条件下的领域迁移问题。当源域和未标记目标域为两个完全不同的工件时，即两个域的样本空间和类别空间均不相同，如何实现无监督异构迁移故障诊断任务仍然是一个极具挑战的问题。

发明内容

为了解决上述现有技术中缺少无监督异构迁移故障诊断的技术的缺陷，本发明提出了一种基于子空间的异构迁移故障诊断方法、系统和模型。

本发明的目的之一采用以下技术方案：

一种基于子空间的异构迁移故障诊断方法，首先获取用于对测试数据进行分类识别的故障分类模型，故障分类模型的获得包括以下步骤：

S1、基于深度神经网络构建故障分类模型，故障分类模型由特征提取器、公共空间提取模块和分类器组成；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且每一个训练样本对应各标签的概率总和为1；

S2、获取标注数据构建训练样本，并结合训练样本对故障分类模型进行训练。

优选的，步骤S1中，用于训练故障分类模型的损失函数L_Total(θ)为：