[发明专利]基于EEMD和深度域对抗网络的振动信号诊断分析方法

说明书

本发明提供了基于EEMD和深度域对抗网络的振动信号诊断分析方法，包括以下步骤：基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；构建EMBRNDNMD模型；基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。本发明引入与对抗网络模块和MK‑MMD分布差异评价方法，对MBRN进行优化，使EMBRNDNMD模型在各种迁移模式下都可以达到较高的目标域状态诊断准确率，具有较强的变工况场景适应能力。

技术领域

本发明属于故障诊断技术领域，尤其涉及基于EEMD和深度域对抗网络的振动信号诊断分析方法。

背景技术

旋转机械设备广泛应用于工业、军用、民用等领域，而旋转部件是其中重要的组成部分，直接影响着机械设备的运行效率和工作状态。然而，长期暴露在高负荷的恶劣环境中，旋转部件极易发生损伤，轻则导致机械设备的运行效率降低，重则致使设备停工停产，甚至导致人员伤亡。因此，研究旋转机械的状态检测和故障诊断，对于提高生产效率和保障生产安全具有重要的理论意义和工程价值。

过去在以信号处理为基础的故障诊断研究中，传统的特征提取方式与机器学习分类相结合的方法取得了不错的成果。常用的方法如EMD、小波变换、PCA等，它们都需要针对数据的特点选择合适的信号处理方式来提取有效特征。然而这种方法过于依据经验，特征的选择将直接影响诊断结果。为了减小人为经验的影响，更好的方法是让模型具备自动提取特征的能力。

近年来，随着深度学习在计算机视觉上的迅速发展，不少学者将它应用到故障诊断领域。与机器学习相比，深度学习能够自适应地从信号中提取深度特征，以解决故障特征提取困难的问题。随着网络层数的增加，传统的深度学习会发生梯度消失、梯度爆炸问题，导致模型的权重无法有效更新。在设备智能诊断模型中如何有效提取特征是值得研究的问题。

迁移学习是解决数据匮乏问题的有效途径，它具备把在源域中学到的知识应用于目标域的能力，这能够帮助提高无标签数据的预测准确率。故障诊断领域的迁移学习主要可分为基于模型的方法，如MMD，以及基于域分布的方法，如DANN。它们都已经在故障诊断领域取得不错的表现，但是在一些变工况迁移场景中，单一的迁移方法往往表现不佳。

深度学习技术具有可以自适应的提取数据的深度特征等优点，有利于建立端到端的诊断机制，学者们已经开展了大量基于深度学习的旋转机械故障智能诊断模型的研究工作。现有研究中还面临着振动信号容易受噪声干扰，设备故障样本不足，设备工况的变化导致目标数据与源数据的分布存在差异等问题，

旋转机械的振动信号蕴含着丰富的状态信息，同时也混叠了大量的干扰噪声，如何从复杂的振动信号中提取设备运行时频特性的深度特征，是实现对旋转机械故障诊断的一个关键问题。

发明内容

为解决上述技术问题，本发明提出了基于EEMD和深度域对抗网络的振动信号诊断分析方法，首先提出了一种基于EEMD的时频组图(EEMD-TFFG)构建方法，其次设计了一种多分支的ResNet结构(MBRN)，最后引入与对抗网络模块和MK-MMD分布差异评价方法，对MBRN进行优化，提高EMBRNDNMD在目标域状态诊断的准确率，并具有稳定性高、场景适应能力强等优势。

为实现上述目的，本发明提供了基于EEMD和深度域对抗网络的振动信号诊断分析方法，包括以下步骤：

基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；

构建EMBRNDNMD模型；

基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。

可选地，构建时频特性的EEMD时频图组的步骤包括：

对不同工况下的旋转设备振动信号进行EEMD分解，获得第一经验模态分量；