【技術實現步驟摘要】
本申請涉及智能故障診斷，尤其是涉及一種動態工況下旋轉機械早期故障診斷方法及系統。
技術介紹
1、旋轉機械(如切削刀具、軸承、齒輪箱等)廣泛應用于機械、石化等諸多行業，對設備的正常運行有重要影響，部件故障輕則影響產品的加工質量和工作效率，重則可能造成重大機械事故和人員傷亡。因此，采用可靠、快速的在線監測技術對旋轉機械進行早期故障診斷，以避免設備狀況惡化、效率降低和意外故障，是非常重要的。
2、隨著深度學習理論和方法的快速發展，其以數據為基礎進行模式識別的監測原理收到工業界廣泛關注并取得了很多良好的成果。然而，深度學習模型需要大量有標簽樣本才能得到優良的分類效果，這對于旋轉機械的早期故障而言難度很大，因為變工況條件下，難以對每個工況下的數據樣本進行類別標記，尤其是早期故障特征，這為數據驅動的動態工況下的早期故障識別提出了挑戰。
技術實現思路
1、為了改善旋轉機械早期故障診斷標簽樣本不足的問題，本申請提供一種動態工況下旋轉機械早期故障診斷方法及系統。
2、第一方面，本申請提供一種動態工況下旋轉機械早期故障診斷方法，采用如下的技術方案：
3、一種動態工況下旋轉機械早期故障診斷方法，包括：
4、s1、數據準備，其包括：
5、s11、獲取早期故障數據；其中，所述早期故障數據包括有標簽的源域數據和無標簽的目標域數據；
6、s12、將早期故障數據分為訓練集和驗證集，且訓練集用于模型訓練，驗證集用于模型評估；
7、s
8、s21、生成對抗網絡；
9、s22、引入gan模型的有條件版本：c-gan模型，并定義c-gan的目標函數，實現類標簽的輸入；
10、s23、使用wasserstein距離作為真實數據分布和生成數據分布之間距離的度量，并采用梯度懲罰方法(gp)滿足lipschitz連續性條件，定義gp的目標函數
11、s24、通過二元交叉熵損失函數實現域對抗損失函數，并基于域對抗損失函數和改進的目標函數定義da-wgan損失，完成生成模型中域識別器的搭建和域對抗損失的設置；
12、s3、訓練基于注意力機制的多尺度遷移學習分類模型，其包括：將da-wgan模型生成的與目標工況相似的標簽數據作為源域，將目標工況的無標簽數據作為目標域，建立注意力機制下的多尺度resnet來提取域不變特征，并使用mk-mmd的遷移學習方法進行訓練；
13、s4、應用，其包括：將基于s1-s3建立的模型進行應用，并持續獲取應用中的數據更新模型。
14、可選的，所述生成對抗網絡，其包括：
15、定義da-wgan模型包括生成器g、鑒別器d和域自適應模塊；
16、生成器g將噪聲源z映射到輸入空間，鑒別器d區分樣本是源自真實數據分布還是生成數據分布，且過程表示為：
17、
18、其中，是真實數據分布，是由x＝g(z),z～p(z)隱式定義的生成數據分布，z是從簡單噪聲分布p中采樣的；
19、定義標準gan的損失函數js，
20、其中，kl是kullback-leibler散度，pm是混合物
21、可選的，所述c-gan的目標函數包括：
22、
23、其中，y表示與先驗噪聲結合作為隱藏層的輸入，為類標簽。
24、可選的，所述wasserstein距離對應的公式包括：
25、
26、其中，表示真實數據分布和生成數據分布的整個可行聯合分布γ(x,y)集，為將分布轉換為分布的傳輸質量的最小成本。
27、可選的，所述目標函數其包括：
28、在鑒別器d中，將和與聯合隱藏表示中的y連接起來；在生成器g中，以相同的表示形式將y與p(z)連接起來；
29、生成器g和鑒別器d之間的目標函數是極小極大的博弈方程，且為：
30、
31、以梯度懲罰方法來滿足lipschitz連續性條件，得到新的目標函數：
32、其中λ是梯度懲罰系數，是沿真實數據分布和生成數據分布之間的直線采樣；
33、所述域對抗損失函數包括：
34、
35、其中是域損失函數，ddomain表示域識別器對樣本屬于目標域的預測概率，dlabels是域標簽，通常用0和1表示，0表示源域，1表示目標域，n是樣本數量；
36、所述da-wgan損失定義為：
37、可選的，所述訓練基于注意力機制的多尺度遷移學習分類模型包括建立無監督域自適應框架；所述建立無監督域自適應框架，其包括：
38、選擇無監督域自適應作為監督學習算法，且定義源域為：
39、
40、其中表示源域，表示源域中的第i個樣本，xs是所有樣本的集合，是第i個樣本的第i個標簽，ys是所有標簽的集合，ns表示源域樣本的總個數。假設目標域中的標簽不可用，目標域的數據定義如下：
41、
42、其中，表示目標域，是目標域中的第i個樣本，xt是所有樣本的集合，nt表示目標樣本的總數目標域和源域數據分別服從p和q的概率分布，建立深度神經網絡并通過學習可以遷移的特征對目標域中的無標簽數據進行分類，表示為：其中，β(·)表示一個深度神經網絡，為模型的預測結果；
43、域自適應的目的是利用源域數據監督最小化目標域風險εt(β)，且：εt(β)＝pr(x,y)～q[β(x)≠y]；
44、域自適應的總損失定義為：其中，λ是權衡參數；表示部分損失，來減少源域和目標域數據之間的特征差異；是最大交叉熵損失，用于測量源域數據的預測和真實標簽之間的差異距離，且：
45、其中，c是所有可能的標簽數量，是指標函數。
46、可選的，所述訓練基于注意力機制的多尺度遷移學習分類模型包括搭建特征提取器，所述搭建特征提取器，其包括：
47、建立由三個殘差模塊并行的amresnet模塊，amresnet模塊使用卷積核大小為1×1、1×3和1×9的卷積層以三個分支并行處理輸入數據以提取不同尺度的特征信息，且在amresnet模塊的最后，將每個分支提取的特征作為尺度的輸入-注意力機制，獲得不同尺度的權重，根據通道的維度連接每個分支的加權特征，實現特征提取器的搭建。
48、可選的，所述訓練基于注意力機制的多尺度遷移學習分類模型包括：
49、將mk-mmd添加到損失函數中來設計遷移學習策略，實現源域和目標數據之間的特征轉換，定義最終的損失函數為：
50、其中，λmk-mmd是此總損耗中的權衡參數，而表示mmd的多核版本。
51、可選的，所述訓練基于注意力機制的多尺度遷移學習分類模型包括搭建類鑒別器，所述搭建類鑒別器，其包括：將經過域自適應對齊的高維特征向量輸入到類分類本文檔來自技高網...
【技術保護點】
1.一種動態工況下旋轉機械早期故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述生成對抗網絡，其包括：
3.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述C-GAN的目標函數包括：
4.據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述Wasserstein距離對應的公式包括：
5.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述目標函數其包括：
6.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于：所述訓練基于注意力機制的多尺度遷移學習分類模型包括建立無監督域自適應框架；所述建立無監督域自適應框架，其包括：
7.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于：所述訓練基于注意力機制的多尺度遷移學習分類模型包括搭建特征提取器，所述搭建特征提取器，其包括：
8.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述訓
9.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于：所述訓練基于注意力機制的多尺度遷移學習分類模型包括搭建類鑒別器，所述搭建類鑒別器，其包括：將經過域自適應對齊的高維特征向量輸入到類分類器進行分類，類鑒別器由兩層全連接層搭建。
10.一種動態工況下旋轉機械早期故障診斷系統，包括存儲器和處理器，其特征在于：所述存儲器存儲有能被處理器加載并執行如權利要求1-9任一所述動態工況下旋轉機械早期故障診斷方法的計算機程序。
...【技術特征摘要】
1.一種動態工況下旋轉機械早期故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述生成對抗網絡，其包括：
3.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述c-gan的目標函數包括：
4.據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述wasserstein距離對應的公式包括：
5.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于，所述目標函數其包括：
6.根據權利要求1所述的動態工況下旋轉機械早期故障診斷方法，其特征在于：所述訓練基于注意力機制的多尺度遷移學習分類模型包括建立無監督域自適應框架；所述建立無監督域自適應框架，其包括：
7.根據權利要...
【專利技術屬性】
技術研發人員：黃俊峰，周余慶，曾令鎰，鐘美鵬，時強，徐桂昌，
申請(專利權)人：浙江歐迪恩傳動科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。