基于多源域自适应网络的航空发动机故障识别方法技术

本发明专利技术公开了一种基于多源域自适应网络的航空发动机故障识别方法，该方法通过在特征提取器中设计动态迁移模块来将多源域故障识别问题转化为单源域故障识别问题，进而促进不同域之间的数据分布对齐；然后将一种注意力机制嵌入到两个不同的分类器中，提高相关源域的影响力，进而充分利用多个源域所含有的知识来完成目标识别任务。本发明专利技术提出的方法操作简便，故障识别效果明显，可以为在数据分布差异明显条件下进行航空发动机故障识别提供可行的解决途径。的解决途径。的解决途径。

【技术实现步骤摘要】
基于多源域自适应网络的航空发动机故障识别方法


[0001]本专利技术属于航空发动机
，具体涉及一种航空发动机故障识别方法。

技术介绍

[0002]滚动轴承是航空发动机的重要部件，被广泛用于各种场景中。滚动轴承长期在变转速、变温度、变载荷、变强度等环境下工作，是航空发动机中易损伤的部件。当滚动轴承长期处于恶劣的环境中，轻则影响航空发动机工作效率造成经济损失，重则对人身安全构成隐患。因此对滚动轴承的故障研究一直以来都备受关注。
[0003]随着现代工业日益数字化和智能化，一些传统模型如人工神经网络、反向传播、支持向量机等由于依赖特征提取技术已经不能满足发展的需要。深度学习的出现克服了这些传统模型的不足，并不断被证实为是一种有效的基于数据驱动的轴承故障诊断方法。许多学者将深度学习应用到滚动轴承故障识别中，并通过大量的实验验证识别效果。有些学者使用长短期记忆网络来设计用于轴承故障诊断的识别模型，也有结合长短期记忆网络和残差学习对变速箱故障进行诊断，也有利用变分自动编码器来解决数据不平衡下的轴承故障识别问题，也有采用深度正则化变分自动编码器来解决故障诊断问题，也有将卷积神经网络与红外热成像技术相结合，实现故障诊断，也有基于带有自注意力模块的卷积神经网络进行了一系列轴承故障诊断实验。对于上面提到的这些深度诊断模型，当测试数据和训练数据满足相同的数据分布时，可以达到满意的识别水平。但在实际场景中，由于航空发动机运行工况复杂多变，采集到的训练数据和测试数据在数据分布上会有一定的差异，导致在训练数据上得到的模型识别能力在测试数据上明显退化。由于训练数据和测试数据不能满足相同的分布，训练一个域适应模型，该模型旨在将不同的数据分布映射到一个高维空间中以减少数据分布差异，进而提高模型的识别能力和泛化能力。
[0004]不考虑数据分布差异的典型深度学习模型并不适合这些实际场景。作为一种流行的迁移学习方法，域自适应致力于从源域和目标域中挖掘共享知识，以解决识别和检测等目标任务。目前对域自适应的研究主要包括两类：单源域域自适应和多源域域自适应。单源域域自适应方法致力于将在源域上训练的模型应用到目标域中。一种广泛使用的策略是最小化源域和目标域之间的分布距离。有学者应用联合最大平均差异来设计对抗性适应框架，以解决变转速下的识别问题。也有应用多个具有中心矩差异的密集块来构建轴承故障诊断模型。当不同域之间的数据分布差异很大时，这些单源域方法并不具有竞争力，因为它们只转移单个源域的相关知识来解决目标诊断任务，通常难以获得令人满意的识别结果。在一些实际场景中，可以从不同但相关的工况中获得具有不同数据分布的多源域，以弥补单源域识别知识的不足。多源域域自适应方法是通过使用具有各种数据分布的一系列源域来解决域自适应问题，也有使用最大均值差异来对齐每个源域和目标域之间的分布，以构建多源域自适应模型，也有设计了一种矩阵距离度量策略来构建一个基于多源域的域适应框架，也有应用多个子网络来对齐每个源域和目标域的数据分布以识别未知故障。上述研究均采用“静态”迁移模型，即参数不适应每个源域的不同数据分布而变化。然而，当不仅每
个源域之间存在较大的分布差异时，每个源域与单个目标域之间也存在较大的分布差异，这些“静态”迁移模型很难充分利用每个源域的知识来完成目标识别任务，通常会影响适应性能并导致优化困难。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供了一种基于多源域自适应网络的航空发动机故障识别方法，该方法通过在特征提取器中设计动态迁移模块来将多源域故障识别问题转化为单源域故障识别问题，进而促进不同域之间的数据分布对齐；然后将一种注意力机制嵌入到两个不同的分类器中，提高相关源域的影响力，进而充分利用多个源域所含有的知识来完成目标识别任务。本专利技术提出的方法操作简便，故障识别效果明显，可以为在数据分布差异明显条件下进行航空发动机故障识别提供可行的解决途径。
[0006]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0007]步骤1：用传感器采集航空发动机部件的振动信号，根据航空发动机部件运行工况不同，获取多个不同的源域数据和单一的目标域数据；
[0008]步骤2：将采集到的多个不同的源域数据和单一目标域数据进行傅里叶变换，得到每个源域和单一目标域对应的频谱样本；
[0009]步骤3：构建带有动态迁移模块的特征提取器；所述动态迁移模块分为静态卷积模块和动态卷积模块；
[0010]步骤3
‑
1：将动态迁移模块定义为：
[0011]H(x)＝H
c
(x)+
△
H(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]其中，H
c
(x)是静态卷积模块的输出，
△
H(x)表示依赖于输入x的动态卷积模块的输出；H(x)代表动态迁移模块的输出；输入x为步骤2得到的频谱样本；
[0013]所述静态卷积模块由一个卷积层构成，所述动态卷积模块由W个相同但相互独立的卷积层构成，用公式(2)来描述，静态卷积模块和动态卷积模块的输入是相同的；
[0014][0015]其中，代表第i
th
个卷积层，是的动态系数，看作是
△
H(x)在i
th
卷积层中的投影；
[0016]动态系数由一个系数分支获得，该系数分支由一个平均池化层和两个全连接层组成；此外，采用Softmax激活函数对进行归一化，的获取过程如下所示：
[0017][0018]式中，avg(
·
)、fc
1ReLU
(
·
)和fc
2Softmax
{
·
}分别代表平均池化层、具有ReLU激活函数的第一个全连接层、具有Softmax激活函数的第二个全连接层；
[0019]步骤3
‑
2：特征提取器G由第一个卷积层、第一个动态迁移模块、第一个池化层、第二个卷积层、第二个动态迁移模块和第二个池化层依次串行构成；第一个动态迁移模块和第二个动态迁移模块的结构相同；
[0020]步骤4：构建第一分类器和第二分类器，两个分类器均由三个全连接层和一个输出层组成；
[0021]步骤5：将每个源域数据先输入各自的带有动态迁移模块的特征提取器，再将特征提取器的输出分别输入到两个分类器中得到相应的分类损失；用loss
s1
表示第一分类器在所有源域数据上的平均损失，用loss
s2
表示第二分类器在所有源域数据上的平均损失；
[0022]注意力机制通过分别为loss
s1
和loss
s2
分配系数来自动减小由不同域引起的负面信息，即当loss
s1
的值大于loss
s2
的值，则将较小的系数分配给loss
s1
，否则分配较大的系数；los本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源域自适应网络的航空发动机故障识别方法，其特征在于，包括如下步骤：步骤1：用传感器采集航空发动机部件的振动信号，根据航空发动机部件运行工况不同，获取多个不同的源域数据和单一的目标域数据；步骤2：将采集到的多个不同的源域数据和单一目标域数据进行傅里叶变换，得到每个源域和单一目标域对应的频谱样本；步骤3：构建带有动态迁移模块的特征提取器；所述动态迁移模块分为静态卷积模块和动态卷积模块；步骤3
‑
1：将动态迁移模块定义为：H(x)＝H
c
(x)+
△
H(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，H
c
(x)是静态卷积模块的输出，
△
H(x)表示依赖于输入x的动态卷积模块的输出；H(x)代表动态迁移模块的输出；输入x为步骤2得到的频谱样本；所述静态卷积模块由一个卷积层构成，所述动态卷积模块由W个相同但相互独立的卷积层构成，用公式(2)来描述，静态卷积模块和动态卷积模块的输入是相同的；其中，代表第i
th
个卷积层，是的动态系数，看作是
△
H(x)在i
th
卷积层中的投影；动态系数由一个系数分支获得，该系数分支由一个平均池化层和两个全连接层组成；此外，采用Softmax激活函数对进行归一化，的获取过程如下所示：式中，avg(
·
)、fc
1ReLU
(
·
)和fc
2Softmax
{
·
}分别代表平均池化层、具有ReLU激活函数的第一个全连接层、具有Softmax激活函数的第二个全连接层；步骤3
‑
2：特征提取器G由第一个卷积层、第一个动态迁移模块、第一个池化层、第二个卷积层、第二个动态迁移模块和第二个池化层依次串行构成；第一个动态迁移模块和第二个动态迁移模块的结构相同；步骤4：构建第一分类器和第二分类器，两个分类器均由三个全连接层和一个输出层组成；步骤5：将每个源域数据先输入各自的带有动态迁移模块的特征提取器，再将特征提取器的输出分别输入到两个分类器中得到相应的分类损失；用loss
s1
表示第一分类器在所有源域数据上的平均损失，用loss
s2
表示第二分类器在所...

【专利技术属性】
技术研发人员：姜洪开，吴正红，王同庆，刘少伟，李晓冬，
申请(专利权)人：中国航发四川燃气涡轮研究院，
类型：发明
国别省市：