一种基于DMSTFA的多分类器设备故障诊断方法技术

本发明专利技术提出一种基于DMSTFA的多分类器设备故障诊断方法，本发明专利技术先按不同工况将数据分为源域与目标域数据；接着构建设备故障诊断神经网络模型，初始化其参数；将源域和目标域数据输入神经网络中，根据DMSTFA计算各个特征子空间的域适配损失；计算每个子空间的特征相似性权重；根据相似性权重，组合多个分类器的输出，并计算分类损失；将各个特征空间上的域适配损失和分类损失相加，得到总损失函数值，然后进行迭代训练更新模型参数，得到最终模型；设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。本发明专利技术增强了模型在具有较大分布差异的目标域上的泛化能力，显著提高了设备故障诊断模型诊断准确率。了设备故障诊断模型诊断准确率。了设备故障诊断模型诊断准确率。

【技术实现步骤摘要】
一种基于DMSTFA的多分类器设备故障诊断方法


[0001]本专利技术涉及一种设备故障诊断方法，尤其是涉及一种基于DMSTFA的多分类器设备故障诊断的方法。

技术介绍

[0002]故障诊断在研究监测数据与机器健康状态之间的关系中起着重要作用，准确的故障诊断一直是工程师和科学家的研究前沿。传统的基于模型的方法仅依赖故障频率下不同信号的阈值来确定故障的存在，这些模型只能描述一些具有明确信号特征的故障类型，而在现实中，故障往往更为复杂。例如，在故障的早期阶段，特征可能不太明确；同时可能发生多个故障，这可能会修改故障特征，并由于耦合效应创建新特征。因此，数据本身可能存在许多独特的特征或模式，而人类几乎不可能通过手动观察或解释来识别这些复杂的特征。基于机器学习的算法，包括人工神经网络(ANN)、主成分分析(PCA)、支持向量机(SVM)等可以更全面地解析数据，并应用所学知识做出有关故障存在的智能决策。为了在多种操作条件和嘈杂环境下获得更好的性能，基于深度学习的方法越来越受欢迎，例如自动编码器(AE)、深层信念网络(DBN)、卷积神经网络(CNN)等，深度学习有助于从收集的数据中自动学习故障特征，大量实验证明，基于深度学习的方法比基于机器学习的方法具有更高的泛化性能。但基于机器学习和深度学习的设备故障诊断方法都基于一个必要的假设：来自实验室(源域)的训练数据集样本应该与来自工程场景(目标域)的测试数据集样本具有相同的分布。但是不同场景下的机器设备通常在不同的工况下运行，例如负载、速度和温度，这意味着在不同的工作条件下，数据的分布可能会显著不同，那么基于训练数据集的学习模型在实际应用中部署到测试数据集时，泛化能力较弱，进一步影响模型在测试集上的决策。
[0003]这个问题可以通过诊断知识在不同场景或者不同条件下重用的想法来解决，例如，实验室设备数据集的诊断知识可能有助于识别工程场景中设备的健康状态，这恰恰是迁移学习的域适应问题可以实现的。作为迁移学习的一个子领域，无监督领域自适应可以通过学习两个领域的共享特征来缓解标记训练样本和未标记测试样本的不一致分布，它的核心想法是，既然源域和目标域数据不同，那么把数据都映射到一个特征空间，在特征空间找一个度量准则使源域数据和目标域数据特征分布接近，那么基于源域特征训练的分类器就可以用在目标域上。对于故障诊断，由于在不同的应用场景或不同的工作条件下故障特征具有固有的相似性，这两个领域中存在的共享特征允许迁移学习具有一定的可行性，具有一定的实际意义。
[0004]综上所述，寻找一种有效的基于域适应的设备故障诊断方法，以增强源域的训练模型在目标域上的泛化能力，尤其是当二者具有较大的分布差异时，成为了目前亟需解决的问题。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于DMSTFA的多分类器设备故障诊断方
法，显著提高了设备故障诊断模型在目标域上的诊断准确率，即使当工作条件具有较大差异时，也可以实现对设备故障的智能诊断。
[0006]本专利技术的技术方案包括如下步骤：
[0007]步骤一：按不同工况将数据分为源域与目标域数据；
[0008]步骤二：构建设备故障诊断神经网络模型，初始化其参数；
[0009]所述的设备故障诊断神经网络由三个部分组成：特征提取器，三个分类器和一个域判别器；具体地，特征提取器包含一个由多层卷积构成的主干网络，三个由单层卷积和池化层构成的特征子空间网络；三个分类器结构相同，每个分类器由一个全连接隐藏层和一个Softmax层组成；域判别器由一个全连接隐藏层和带有逻辑回归的二分类器组成；主干网络用于提取设备数据的低维信号特征，特征子空间网络用于将低维特征映射到不同的空间并从多个角度提取高维特征，卷积层后均有批归一化和Relu层；池化层均选用平均值池化策略，进行特征降采样，置于每个特征子空间的卷积层后，并与全连接隐藏层相连接，最后通过Softmax层输出每个类别上的概率值；
[0010]步骤三：将源域和目标域数据输入神经网络中，根据DMSTFA计算各个特征子空间的域适配损失；
[0011]所述的DMSTFA全称为Dynamic Multiple Sub
‑
structure Transferable Features Alignment，即动态多子空间可转移特征对齐，该方法设计了一个域适配损失用以提取多个子空间上的可转移特征；L
transfer
表示子空间上源域和目标域可转移特征的对齐损失，总的可转移特征对齐损失由源域与目标域在各个子空间上的域间特征差异损失和类别区分度损失组成，这一部分称为域适配部分，L
transfer
计算方法如下：
[0012][0013]其中n表示特征子空间个数，j表示第j个子空间，表示第j个子空间上源域和目标域的可转移特征对齐损失，其中可转移特征分为两部分，一是源域和目标域的域不变特征，二是源域和目标域的类别区分度特征，因此可转移特征对齐损失相应的由两部分组成，一是域间特征差异损失，该损失用于衡量源域和目标域的域间特征差异，从而指导特征提取器提取源域和目标域的域不变特征，显示地对齐源域和目标域的可转移特征；二是类别区分度损失，该损失用于衡量两个域的特征在某个类别上是否具有区分度，换句话说，该损失用于衡量提取到的特征是否有助于分类器做出准确的预测，从而指导特征提取器提取两个域的类别区分度特征，特别地，由于源域和目标域的类别一致，因此提取二者的类别区分度特征有助于隐式地对齐源域和目标域的可转移特征。式子如下：
[0014][0015]式中，表示第j个子空间上源域和目标域的域间特征差异损失，表示第j个子空间上源域和目标域的类别区分度损失，μ表示对齐自适应因子，动态调整特征对齐过程中对齐域不变特征和类别区分度特征的重要性；下面对式中的三个重要组成部分作进一步说明。
[0016]具体计算如下：
[0017][0018]式中g(
·
)表示卷积神经网络，用于提取原始输入数据的低维特征，h(
·
)将低维特征映射到不同的特征子空间，d
j
表示第j个子空间上源域和目标域的MK
‑
MMD距离；以往基于特征差异损失的方法往往将源域和目标域映射到一个低维特征空间上进行特征对齐，这种单一的特征提取方式可能会错过一些重要信息，本专利技术提出的DMSTFA方法可以在多个特征子空间上对齐源域和目标域的分布，通过最小化多个特征子空间的分布差异来学习多个域不变特征。
[0019]具体计算如下：
[0020][0021]式中表示分类器对源域或者目标域数据预测输出的概率，C
s,t
表示两个域的类别数量，c表示某个预测输出类别。
[0022]μ＝1
‑
2|d(h(g(X
s,t
))
‑
0.5|(5)
[0023]式中，d(
·
)表示域判别器对源域或者目标域子空间高维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DMSTFA的多分类器设备故障诊断方法，其特征在于：步骤一：按不同工况将数据分为源域与目标域数据；步骤二：构建设备故障诊断神经网络模型，初始化其参数；所述的设备故障诊断神经网络由三个部分组成：特征提取器，三个分类器和一个域判别器；具体地，特征提取器包含一个由多层卷积构成的主干网络，三个由单层卷积和池化层构成的特征子空间网络；三个分类器结构相同，每个分类器由一个全连接隐藏层和一个Softmax层组成；域判别器由一个全连接隐藏层和带有逻辑回归的二分类器组成；主干网络用于提取设备数据的低维信号特征，特征子空间网络用于将低维特征映射到不同的空间并从多个角度提取高维特征，卷积层后均有批归一化和Relu层；池化层均选用平均值池化策略，进行特征降采样，置于每个特征子空间的卷积层后，并与全连接隐藏层相连接，最后通过Softmax层输出每个类别上的概率值；步骤三：将源域和目标域数据输入神经网络中，根据DMSTFA计算各个特征子空间的域适配损失；所述的DMSTFA设计了一个域适配损失用以提取多个子空间上的可转移特征；L
transfer
表示子空间上源域和目标域可转移特征的对齐损失，总的可转移特征对齐损失由源域与目标域在各个子空间上的域间特征差异损失和类别区分度损失组成，这一部分称为域适配部分，L
transfer
计算方法如下：其中n表示特征子空间个数，j表示第j个子空间，表示第j个子空间上源域和目标域的可转移特征对齐损失，其中可转移特征分为两部分，一是源域和目标域的域不变特征，二是源域和目标域的类别区分度特征，因此可转移特征对齐损失相应的由两部分组成，一是域间特征差异损失，该损失用于衡量源域和目标域的域间特征差异，从而指导特征提取器提取源域和目标域的域不变特征，显示地对齐源域和目标域的可转移特征；二是类别区分度损失，该损失用于衡量两个域的特征在某个类别上是否具有区分度，由于源域和目标域的类别一致，因此提取二者的类别区分度特征有助于隐式地对齐源域和目标域的可转移特征；式子如下：式中，表示第j个子空间上源域和目标域的域间特征差异损失，表示第j个子空间上源域和目标域的类别区分度损失，μ表示对齐自适应因子，动态调整特征对齐过程中对齐域不变特征和类别区分度特征的重要性；下面对式中的三个重要组成部分作进一步说明；具体计算如下：式中g(
·
)表示卷积神经网络，用于提取原始输入数据的低维特征，h(
·
)将低维特征映射到不同的特征子空间，d
j
表示第j个子空间上源域和目标域的MK
‑
MMD距离；具体计
算如下：式中表示分类器对源域或者目标域数据预测输出的概率，C
s,t
表示两个域的类别数量，c表示某个预测输出类别；μ＝1
‑
2|d(h(g(X
s,t
))
‑
0.5|(5)式中，d(
·
)表示域判别器对源域或者目标域子空间高维特征的所属领域判别结果，判别输入数据属于源域还是目标域，在网络中判别器的最后一层采用sigmoid激活函数使得判别结果属于[0,1]之间的一个浮点数，当判别结果接近1认为输入数据属于源域，当判别结果接近0认为输入数据属于目标域，当判别结果接近0.5认为输入特征代表源域和目标域的域不变特征，因为此时域判别器已分不清输入数据属于源域还是目标域，因此μ∈[0,...

【专利技术属性】
技术研发人员：何志伟，郑骁蓉，刘才明，董哲康，高明煜，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：