[发明专利]一种基于对抗迁移学习的多工况电机故障诊断方法及系统

说明书

本发明涉及故障诊断技术领域，公开了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，该方法通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于对抗迁移学习的多工况电机故障诊断方法及系统。

背景技术

在现代工业生产设备不断朝着结构化、自动化和智能化方向发展的过程中，电机作为最重要的动力和驱动装置，在高速列车、地铁和城际轨道交通设备中得到了广泛的应用。然而，在生产实践中，电机由于长期在恶劣环境下运行，不可避免地会发生故障。目前，在故障诊断中，存在诸多问题，一方面由于保护机制，运营车或者实物试验故障数据采集难度大、成本高，采集所有工况下的不同故障类型数据几乎不可能；另一方面，现有的电机智能故障诊断方法大多忽视了不同工况下传感器数据分布的差异性，而导致在某种工况下所训练的故障诊断模型难以适用于其它工况。

可见，现有电机故障诊断方式存在难以实现多工况下的故障诊断的问题。

发明内容

本发明提供了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，以解决现有的电机故障诊断方式存在难以实现多工况下的故障诊断的问题。

为了实现上述目的，本发明通过如下的技术方案来实现：

第一方面，本发明提供一种基于对抗迁移学习的多工况电机故障诊断方法，包括：

S1：根据预先构建的源域数据集和目标域数据集构建训练样本集和测试样本集；

S2：根据所述训练样本集确定训练样本集源域特征和训练样本集目标域特征；

S3：将所述训练样本集源域特征和训练样本集目标域特征进行融合和增强处理，分别得到融合特征和增强特征；

S4：分别构建标签分类器模型、全局域判别器模型以及局部域判别器模型，根据所述标签分类器模型、全局域判别器模型以及局部域判别器模型的输出，分别构建标签分类器损失函数、全局域判别器损失函数和局部域判别器损失函数，并得到故障诊断模型损失函数；

S5：根据所述故障诊断模型损失函数构建训练最优故障诊断模型参数，根据所述最优故障诊断模型参数、所述测试样本集训练得到目标模型；

S6：根据待测电机的实时传感器信号和所述目标模型确定所述待测电机的诊断结果。

第二方面，本申请提供一种基于对抗迁移学习的多工况电机故障诊断系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的预测机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。

有益效果：

本发明提供的基于对抗迁移学习的多工况电机故障诊断方法，通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。

附图说明

图1是本发明实施例的一种基于对抗迁移学习的多工况电机故障诊断方法流程图；

图2是本发明实施例的基于对抗迁移学习的多工况电机故障诊断方法架构图；

图3是本发明实施例的特征增强示意图；