[发明专利]一种深度时间卷积网络的旋转机械健康评估方法

权利要求书

1.一种深度时间卷积网络的旋转机械健康评估方法，其特征在于，包括以下步骤：

步骤S1.采集旋转机械中轴承运行时的水平方向和垂直方向振动信号，得到一系列多元信号，并划分为带标签的源域数据和无标签的目标域数据；

步骤S2.采用双层时间卷积网络提取所述源域数据和所述目标域数据中局部的机械退化信息，重构多元特征；

步骤S3.采用残差自注意力机制提取所述多元特征中的全局退化特征和局部退化特征，并利用池化操作进行退化特征降维；

步骤S4.重复步骤S2-步骤S3，进一步深化时间卷积网络层数，从而构建深度时间卷积网络模型，并计算更具有表征能力的源域数据的退化特征和目标域数据的退化特征；

步骤S5.嵌入无监督域适应架构学习所述源域数据的退化特征和所述目标域数据的退化特征之间的域不变性表示，得到不同域之间的可迁移退化特征；

步骤S6.聚合域适应架构的域适应损失和深度时间卷积网络的健康评估回归损失，实现深度时间卷积网络模型的参数求解、更新、优化；

步骤S7.通过参数最优的深度时间卷积网络模型实现对旋转机械健康评估。

2.根据权利要求1所述的深度时间卷积网络的旋转机械健康评估方法，其特征在于，所述步骤S1中，将所述多元信号划分为源域数据目标域数据其中表示机械的健康标签值，n_s、n_T分别表示源域数据的样本数量、目标域数据的样本数量。

3.根据权利要求2所述的深度时间卷积网络的旋转机械健康评估方法，其特征在于，所述步骤S2中，所述双层时间卷积网络由两层膨胀空洞卷积以及一层残差卷积组成，所述多元信号输入后，每层分别进行膨胀空洞卷积。

4.根据权利要求1所述的深度时间卷积网络的旋转机械健康评估方法，其特征在于，所述残差自注意力机制包括残差模块和时间注意模块；所述残差模块由三层感知器组成，包括输入层、输出层与中间隐层；所述时间注意模块由三层感知器和卷积层组成，包括输入层、输出层和中间隐层、第一卷积层和第二卷积层，时间注意模块的三层感知器与第一卷积层为并行关系；

所述步骤S3中，所述的采用残差自注意力机制提取所述多元特征中的全局和局部退化特征，具体包括：

S31.输入原始特征，确定残差模块的三层感知器的输出；

S32.利用感知器的输出与原始特征进行矩阵乘法，获得残差模块最终的输出；

S33.将所述残差模块的输出输入至所述时间注意模块，确定所述时间注意模块中三层感知器与卷积的联合输出；

S34.将所述残差模块的输出与所述联合输出进行矩阵乘法，获得中间特征输出；

S35.将所述中间特征输出进行卷积后与原始特征进行矩阵加法，获得残差自注意力机制的输出。

5.根据权利要求1所述的深度时间卷积网络的旋转机械健康评估方法，其特征在于，所述域适应架构包括对比模块和多核最大平均差异模块；所述步骤S5中，嵌入无监督域适应架构学习所述源域数据的退化特征和所述目标域数据的退化特征之间的域不变性表示，具体包括：

确定源域数据和目标域数据的退化特征之间的多核最大平均差异值；

确定所述多核最大平均差异值的变化量，即差异损失；

确定源域数据和目标域数据退化特征之间的欧式距离；

确定所述欧式距离的变化量，即对比损失；

由所述差异损失和所述对比损失更新所述深度时间卷积网络模型参数，使所计算的目标域数据退化特征和源域数据退化特征的分布差异最小化，从而使二者分布达到相似，以获得可迁移退化特征。

6.根据权利要求5所述的深度时间卷积网络的旋转机械健康评估方法，其特征在于，

所述步骤S6中，所述健康评估回归损失：

表示预测的机械健康标签值，y_s表示实际的机械健康标签值；所述健康评估回归损失和所述差异损失、所述对比损失组合成完整的模型损失：

分别为差异损失、对比损失；λ、μ分别表示差异正则系数、对比正则系数；通过所述完整的模型损失对模型参数进行更新优化。