一种基于多源信息深度融合的旋转机械故障自动识别方法技术

本发明专利技术公开一种基于多源信息深度融合的旋转机械故障自动识别方法，包括步骤：采集多个不同机械设备或者不同运行工况下的振动加速度信号，构建多源域数据，从另外的机械设备或者运行工况获得无标签的故障样本，构建目标域数据；构建针对旋转机械故障自动识别的包括特征提取器、多标签对抗分类器、标签信息先验学习器和非对抗领域判别器的多源信息深度融合诊断模型；对网络结构参数联合优化训练，构建自适应权重函数，对多标签对抗分类器进行加权训练；将测试数据输入多标签对抗分类器中，输出已知类和未知类故障的诊断结果。本发明专利技术对多源数据进行融合，同时通过多源信息深度融合网络利用加权学习机制进行对抗训练，实现已知类和新故障的识别。类和新故障的识别。类和新故障的识别。

【技术实现步骤摘要】
一种基于多源信息深度融合的旋转机械故障自动识别方法


[0001]本专利技术属于旋转机械智能故障诊断领域，具体涉及一种基于多源信息深度融合的旋转机械故障自动识别方法。

技术介绍

[0002]从机械智能故障诊断的角度而言，采集带标签的源域故障数据集相对容易，采集与源域标签类别相同的异常振动信号作为目标域数据集较为困难，这是由于旋转机械设备的工作环境恶劣且多变，使得故障类别愈发多样化，导致目标域的类别通常无法确定。当目标域故障类别比源域故障类别更多时，需要将从源域样本学习到的知识应用于类别更多的目标域中，即此时两域的类别空间分布不同，标签空间相同的假设将不再有效，目标域中的新故障样本对领域迁移产生影响，导致负迁移，限制了智能诊断网络在旋转机械故障诊断中的应用。
[0003]因此本专利技术从工业应用实际出发，首先利用不同相似机械设备或者相同机械设备不同运行工况下，容易机械设备故障样本信息，构建多源域的数据集，同时获取另一个相似机械设备或者相同机械设备不同运行工况下的无标签故障样本，构建目标域样本集，由于构建的大型源域数据故障类别来源广泛，因此较容易获得大多数常见的故障类型，而目标域样本则容易存在新的故障类型，因此本专利技术，首先构建了具有多标签对抗分类器的新型深度神经网络结构，用于对已知类和未知类进行判别；同时引入的域适配技术，有效迁移源域诊断知识到目标域任务，最后对目标域样本中的新故障类型，对网络域适配造成的干扰，进一步引入了一种新颖的加权学习机制进行对抗训练，有效实现共享类别的域匹配，实现对已知和未知类故障的自动诊断。
[0004]李永波等在中国公开专利技术专利“一种工业齿轮箱多源信息融合故障诊断方法”中采用CNN对训练集的红外图像特征进行提取，通过CNN
‑
BILSTM对训练集中的振动信号特征进行提取，并进行特征层融合；构建分类器，最终对齿轮箱故障进行诊断。但该方法只适用于训练数据和测试数据来自同一分布下的齿轮箱故障诊断问题，同时只能对已知类故障进行诊断，无法对新故障进行识别。

技术实现思路

[0005]为了解决现有技术存在的问题，本专利技术设计了一种基于多源信息深度融合的旋转机械故障自动识别方法，构建了具有特征提取器、多标签对抗分类器，标签信息先验学习器和非对抗领域判别器的新颖结构，并引入了多源域和单目标域适配学习方案，结合对抗迁移、加权学习等，有效实现机械设备已知故障诊断和未知故障判别。
[0006]为了实现前述专利技术目的，本专利技术提供的一种基于多源信息深度融合的旋转机械故障自动识别方法，包括以下步骤：
[0007]步骤1：数据集采集与构建，分别采集多个不同机械设备或者不同运行工况下的振动加速度信号，并通过对获取的时域信号进行截断来构成样本，基于不同的故障类别进行
标注，从而获得包含不同运行设备或运行工况下的多源域样本数据集为源域的数目，数据集由源域数据x
s
及其对应标签y
s
构成。在另外的机械设备或者运行工况下获取目标域样本数据集{x
t
}，其由不带标签的目标域数据x
t
构成。
[0008]步骤2：构建多源信息深度融合网络，包括：特征提取器G
f
，多标签对抗分类器G
c
，标签信息先验学习器G
y
，非对抗领域判别器G
d
。针对输入数据为一维信号的特点，构建的特征提取器G
f
、标签信息先验学习器G
y
、非对抗领域判别器G
d
与多标签对抗分类器G
c
都采用适合一维信号输入的深度神经网络结构。
[0009]步骤3：利用步骤1构建的多源域数据集G
c
，多标签对抗分类器G
c
采用传统的监督学习方法，通过反向传播算法和梯度下降法对网络结构参数进行联合优化训练。
[0010]步骤4：在对抗学习阶段，标签信息先验学习器G
y
对带标签的多源域数据x
s
和无标签的目标域数据x
t
，进行学习，从而有效嵌入标签信息先验知识到深度网络，所获取的特征，进一步输入到非对抗领域判别器G
d
，通过对两个域样本的概率输出差异性，获得对应的权重函数；并利用两个域的数据和权重函数，对特征提取器G
f
和多标签对抗分类器G
c
进行端到端的加权训练。
[0011]步骤5：在测试阶段，将目标域测试样本，输入到已经训练好的特征提取器G
f
中提取对应的高维特征，并将特征进一步输入到已经训练好的多标签对抗分类器G
c
进行测试，多标签对抗分类器可以自动识别输入样本是已知类故障和未知类故障的概率值，进而输出对应的诊断结果。
[0012]本专利技术可以对来自不同运行工况下的多源数据进行融合，同时通过构建新颖的多源信息深度融合网络，利用新颖的加权学习机制进行对抗训练，有效实现已知类和新故障的自动识别。
[0013]进一步地，步骤1中，多源域数据来自于相似的旋转机械设备或者相同机械设备但是不同运行工况下的正常和故障样本，都是有标签样本，目标域数据从相似机械设备或者相同机械设备不同运行工况下获取的数据，是无标签样本，两域的数据特征，由于装备或者运行工况不同，导致呈现不同的数据分布，即p(x
s
)≠q(x
t
)；且两域的类别空间不同C
s
≠C
t
，并且定义，两者共享的公共类标签集为C＝C
s
∩C
t
，目标域享有的私有标签集为C
t
＝C
t
\C。
[0014]进一步地，步骤2中所构建的特征提取器G
f
和多标签对抗分类器G
c
可采用一维卷积神经网络结构、深度自编码网络、深度置信网络或者长短时记忆神经网络等深度网络结构，其特征输出采用具有比正常源域标签类别还多一个节点的多标签softmax输出器，其表达式为：
[0015][0016]其中K为源域样本类别数；需要明确的是，该多标签softmax分类器不同于传统的softmax分类器，其输出节点对应于源域样本的类别K；本专利技术所构建的多标签对抗分类器，其输出节点是源域样本类别数目基础上多一个节点，即K+1；因此可以确保网络可以有效的对已知故障和新故障进行区分。
[0017]标签信息先验学习器G
y
可以采用深度神经网络结构，其激活函数采用了
Leaksoftmax，使得网络能有效利用样本的标签信息，其表达式为：
[0018][0019]其中o是输出矢量；非对抗领域判别器G
d
是在标签信息先验学习器G
y
的输出基础上，进一步对源域和目标域样本进行判别，其激活函数是原有标签信息先验学习器G
y
多个类别输出的总和，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息深度融合的旋转机械故障自动识别方法，其特征在于，包括以下步骤：步骤1：分别采集多个不同机械设备或者不同运行工况下的振动加速度信号，并通过对获取的时域信号进行截断来构成样本，基于不同的故障类别进行标注，获得包含不同运行设备或运行工况下的多源域样本数据集k为源域的数目，x
s
为源域数据，y
s
为对应标签y
s
，在另外的机械设备或者运行工况下获取目标域样本数据集{x
t
}；步骤2：构建多源信息深度融合诊断模型，所述多源信息深度融合诊断模型包括特征提取器G
f
、多标签对抗分类器G
c
、标签信息先验学习器G
y
和非对抗领域判别器G
d
，特征提取器G
f
用于对输入数据进行特征提取，多标签对抗分类器G
c
用于对源域和目标域数据执行联合对抗训练并且用于对已知类和未知类的故障诊断；标签信息先验学习器G
y
用于将源域的标签信息进行编码；非对抗领域判别器G
d
用于对来自源域和目标域的样本进行二分类；步骤3：利用源域数据集G
c
，多标签对抗分类器G
c
采用监督学习方法，通过反向传播算法和梯度下降法对网络结构参数进行联合优化训练；步骤4：在对抗学习阶段，标签信息先验学习器G
y
对带标签的多源域数据x
s
和无标签的目标域数据x
t
进行学习，获得嵌入了标签信息先验知识的深度特征表示，所获取的包含先验信息的特征输入到非对抗领域判别器G
d
，获得对应的权重函数，利用两个域的数据和权重函数对特征提取器G
f
和多标签对抗分类器G
c
进行训练，训练时的损失函数为：式中，代表加权的对抗损失函数，n
t
代表目标域样本的数量，为权重函数，代表对目标域第i个样本进行预测、获得的属于第K+1故障类的概率值；步骤5：在测试阶段，将目标域测试样本，输入到已经训练好的特征提取器G
f
中提取对应的高维特征，并将特征进一步输入到已经训练好的多标签对抗分类器G
c
进行测试，多标签对抗分类器自动识别输入样本是已知类故障和未知类故障的概率值，进而输出对应的诊断结果。2.根据权利要求1所述的一种基于多源信息深度融合的旋转机械故障自动识别方法，其特征在于，特征提取器G
f
和多标签对抗分类器G
c
可采用一维卷积神经网络结构、深度自编码网络、深度置信网络和长短时记忆神经网络中的任一种深度网络结构。3.根据权利要求1所述的一种基于多源信息深度融合的旋转机械故障自动识别方法，其特征在于，特征提取器G
f
的特征输出采用具有比源域标签类别还多一个节点的多标签softmax输出器，其表达式为：其中，p(y＝j|x)表示对输入样本x，softmax预测其故障类别为j的概率，y为预测的故
障类别，j为对应的类别标签，x为待预测的样本，o
j
为多标签对抗分类器的第j个节点输出，o
m
为多标签对抗分类器的第m个节点输出，K为源域样本类别数。4.根据权利要求1所述的一种基于多源信息深度融合的旋转机械故障自动识别方法，其特征在于，标签信息先验学习器G
y
其激活函数采用了Leaksoftmax，其表达式为：其中，G

【专利技术属性】
技术研发人员：陈祝云，李巍华，夏景演，何琛，王汝艮，杨万胜，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：