[发明专利]高速动车组轴承的开集故障诊断方法

权利要求书

1.一种高速动车组轴承的开集故障诊断方法，包括如下步骤：

S100：通过加速度传感器采集运行中的高速动车组轴承的振动信号；

S200：若高速动车组在恒定工况下运行，将所述振动信号划分为带有标签的训练数据、带有标签的验证数据和无标签的测试数据，设定所述测试数据的标签集包括部分已知故障类型和未知故障类型，若高速动车组在工况变化下运行，则将其中一种工况下运行的振动信号划分为带有标签的源域数据和带有标签的验证数据，另一种工况下运行的振动信号作为目标域数据，目标域数据是无标签的，设定目标域数据的标签集包括部分已知故障类型和未知故障类型，在所述设定下开展的故障诊断任务为开集故障诊断；

S300：针对恒定工况的开集诊断场景，建立包括特征提取器F、标签预测器G的一维卷积神经网络；针对工况变化的开集诊断场景，建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器D_ω的双边加权对抗网络；

S400：针对恒定工况的开集诊断场景，输入带有标签的训练数据对所述一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练；

S500：训练完成后，利用训练数据或源域数据建立极值理论模型以在测试阶段检测未知故障类型；

S600：对于恒定工况的开集诊断，将所述测试数据输入训练完成的一维卷积神经网络进行前向传播，所述训练完成的一维卷积神经网络输出特征和标签预测值；对于工况变化的开集诊断，将所述目标域数据输入训练完成的双边加权对抗网络进行前向传播，所述训练完成的双边加权对抗网络输出特征和标签预测值；

S700：将验证数据的特征输入极值理论模型确定阈值；

S800：将测试样本或目标域样本的特征输入极值理论模型，输出测试样本或目标域样本属于未知故障类型的概率，若概率大于阈值，则测试样本或目标域样本属于未知故障类型，否则属于已知故障类型，根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。

2.根据权利要求1所述的方法，其中，优选的，步骤S200中，所述训练数据或源域数据表示为：

其中，表示第i个训练样本或源域样本，表示与训练样本或源域样本相对应的故障类别标签，n_s表示训练样本或源域样本的数目，所述测试数据或目标域数据表示为：

其中，表示第i个测试样本或目标域样本，n_t表示测试样本或目标域样本的数目。

3.根据权利要求1所述的方法，其中，步骤S300中，所述特征提取器由卷积层和全连接层构成以从输入数据中提取特征；所述标签预测器由全连接层构成以对输入特征进行分类；所述域分类器由全连接层构成以辨别输入的特征来自于源域还是目标域，所述辅助域分类器由全连接层构成以提供源域样本和目标域样本与源域的相似性指标。

4.根据权利要求1所述的方法，具中，步骤S400中，对所述一维卷积神经网络进行训练包括以下子步骤：

S401：将有标签的训练数据输入特征提取器中进行前向传播，提取训练数据的特征，记为f＝F(x)，f为特征，F为特征提取器，x为训练数据；

S402：将所提取的训练数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；根据所述类别标签预测值计算得到标签预测器的损失函数，作为一维卷积神经网络训练的目标函数，进行反向传播；

S403：重复执行步骤S401到步骤S402，当迭代次数达到设定的最大迭代次数时，一维卷积神经网络训练完成。