[发明专利]一种基于熵最大化的变工况下旋转机械迁移诊断方法

说明书

本发明公开了一种基于熵最大化的变工况下旋转机械迁移诊断方法，采集旋转机械关键部件的振动信号，并进行健康状态的特征提取；通过提取的特征计算源域分类器的损失函数；利用振动信号样本到类别预测向量的映射函数，计算目标域工况数据的预测类别分布，进而计算目标域工况的最小熵损失函数和最大熵损失函数；通过类别预测向量的熵表征源域分类器预测结果的权值；基于上述损失函数、最小熵损失函数和最大熵损失函数、权值计算总损失函数，并训练迁移诊断网络；将目标域工况旋转机械的振动信号输入训练完毕的迁移诊断网络，得到目标域旋转机械的健康状态。本发明能够有效地解决预测类别向量的多样性不够以及对抗领域适应的效果不佳的问题。

技术领域

本发明涉及旋转机械故障诊断技术，特别是一种基于熵最大化的变工况下旋转机械迁移诊断方法。

背景技术

旋转机械作为各种大型机械设备中必不可少的一部分，对其进行运行状态的监测和诊断不仅能够保证设备稳定安全的运行，同时还能再发生故障时做到精准维护，避免人力物力的浪费。

得益于传感器技术的发展，能够通过旋转机械在运行过程中产生的大量监测数据来判断机械的运行状态和故障类别。目前，一般的基于数据驱动的旋转机械故障诊断方法过于依赖专家经验已无法满足研究者的需求。深度学习由于其强大的特征提取能力和非线性拟合能力已经在各行各业得到了广泛的应用，同时在机械的故障诊断领域也表现出了其优越性并取得了一定的研究成果。但在实际情况中，由于旋转机械运行条件是不断变化的，不同条件下所得的监测信号数据分布也不一致，因此一般的深度学习方法训练出的模型无法应用于不同数据分布的故障诊断工作。迁移学习能够通过领域自适应从不同分布的数据空间中挖掘出相同的特征和结构，使得从源域数据训练出的模型能够准确应用到目标域机械的故障诊断，增强深度学习模型在实际情况中的实用性。

现有迁移诊断方法存在以下不足：基于最小熵的迁移诊断方法容易导致零解，预测类别向量的多样性不够；类别分类器(即源域分类器)预测的不确定性无法定量，进而导致对抗领域适应的效果不佳。

发明内容

针对现有技术中存在不足，本发明提供了一种基于熵最大化的变工况下旋转机械迁移诊断方法，能够有效地解决预测类别向量的多样性不够以及对抗领域适应的效果不佳的问题。

本发明是通过以下技术手段实现上述技术目的的。

一种基于熵最大化的变工况下旋转机械迁移诊断方法：

采集旋转机械关键部件的振动信号，并进行健康状态的特征提取；

通过提取的特征计算源域分类器的损失函数L_y；

利用振动信号样本到类别预测向量的映射函数f_θ，计算目标域工况数据的预测类别分布进而计算目标域工况的最小熵损失函数和最大熵损失函数；所述最大熵损失函数通过所述的熵计算得到；

通过类别预测向量的熵表征源域分类器预测结果的权值；

基于所述源域分类器的损失函数L_y、目标域工况的最小熵损失函数和最大熵损失函数、源域分类器预测结果的权值计算总损失函数L_Total，并训练迁移诊断网络；

将目标域工况旋转机械的振动信号输入训练完毕的迁移诊断网络，得到目标域旋转机械的健康状态。

进一步的技术方案，所述最大熵损失函数的表达式为：