基于双域信号的旋转机械协同跨域故障诊断系统及方法技术方案

本发明专利技术公开了基于双域信号的旋转机械协同跨域故障诊断系统及方法，涉及旋转机械振动信号的故障诊断技术领域，包括：基于双域信号特征提取器，将时域和频域信号特征提取；将每一层时域和频域采集的信号特征进行合并，基于双域融合特征提取器进行双域融合特征提取；使用Wasserstein距离度量器来度量源域和目标域之间特征的相似度；对双域特征进行逐层融合和提取，然后分别用故障分类器和域分类器进行分类。本发明专利技术利用了时域和频域信号的互补特性，具有较强的域对齐能力，采用Swin

【技术实现步骤摘要】
基于双域信号的旋转机械协同跨域故障诊断系统及方法


[0001]本专利技术涉及旋转机械振动信号的故障诊断
，尤其涉及一种基于双域信号的旋转机械协同跨域故障诊断系统及方法。

技术介绍

[0002]轴承的健康状态直接影响设备运行的稳定性和可靠性，利用信号处理技术提取故障特征的故障诊断方法在该领域得到了广泛应用。许多研究者研究了不同的故障诊断方法，以提高诊断过程的计算效率、噪声适应能力和鲁棒性。然而，这些智能算法的应用受到训练样本和测试样本独立、同分布的限制。因此，无监督域自适应方法已经成为解决这一限制的一种有价值的方法。
[0003]无监督域自适应能够通过减少标记的源域样本与未标记的目标域样本之间的距离，解决传统方法中标记数据的依赖问题，已成为故障诊断的一个重要研究领域。然而，在工程实践中，机械设备的运行转速往往是波动的，导致信号特征与故障模式之间存在复杂的映射关系。这一问题对机械跨域故障诊断提出了重大挑战。为了解决这一问题，许多研究者探索了无监督域自适应在转速波动工况下故障诊断领域的应用。人们提出了各种方法来提高无监督域自适应故障诊断的性能。虽然这些方法有助于提高波动条件下的故障诊断精度，但大多数方法都局限于使网络学习和识别频域信号特征或时域信号特征。
[0004]因此，在转速波动工况下的无监督域自适应故障诊断仍有很大的改进空间。

技术实现思路

[0005]为解决上述技术问题，本专利技术公开了一种基于双域信号的旋转机械协同跨域故障诊断系统及方法。
[0006]为实现上述目的，本专利技术采用下述技术方案：
[0007]本专利技术的第一方面提供了一种基于双域信号的旋转机械协同跨域故障诊断系统。
[0008]在一个实施例中，基于双域信号的旋转机械协同跨域故障诊断系统，包括：
[0009]双域信号特征提取器，包括时域信号特征提取模块、频域信号特征提取模块和中心网络特征提取模块，实现双域信号特征提取；
[0010]双域融合特征提取器，用于将信号特征融合后输入到中心网络中，使浅层网络捕获的信息逐渐传递到深层网络中；
[0011]Wasserstein距离度量器，用于度量源域和目标域之间特征的相似度，增强域不变特征的鲁棒性；
[0012]故障分类器，用于实现不同故障类型的分类；
[0013]域分类器，用于实现源域与目标域的识别。
[0014]本专利技术的第二方面提供了一种基于上述系统的诊断方法。
[0015]在一个实施例中，基于双域信号的旋转机械协同跨域故障诊断方法，包括如下步骤：
[0016]S1、基于双域信号特征提取器，将时域和频域信号特征提取；
[0017]S2、将步骤S1中每一层时域和频域采集的信号特征进行合并，基于双域融合特征提取器进行双域融合特征提取；
[0018]S3、使用Wasserstein距离度量器来度量源域和目标域之间特征的相似度；
[0019]S4、对双域特征进行逐层融合和提取，然后分别用故障分类器和域分类器进行分类。
[0020]在步骤S1之前，设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号。
[0021]可选地，步骤S1中，基于双域信号特征提取器，将时域和频域信号特征提取的步骤，具体包括：
[0022]S11、将时域和频域信号分割成多个补丁，并基于线性映射进行嵌入，如下式：
[0023][0024]式中，x为信号分割后的补丁，z0为嵌入的补丁；
[0025]S12、将嵌入的补丁分别输入到基于Swin
‑
Transformer的特征提取器，进行双域信号特征提取。
[0026]可选地，步骤S12中，所述双域信号特征提取采用独立通道提取双域信号特征，时域信号特征通过时域信号特征提取模块提取，频域信号特征通过频域信号特征提取模块提取，通过节点连接到中心网络。双域信号特征提取器包括三个不同的部分，即时域信号特征提取模块、频域信号特征提取模块和中心网络特征提取模块。在每一阶段，建立时域信号和频域信号特征提取模块，通过节点连接到中心网络，方便信息传递。此外，中心网络各阶段的特征也被输入节点以进行信息交互。考虑到不同类型信号之间的干扰不容忽视，信息的交集不应局限于深部结构中孤立的早期或晚期融合，采用多层次特征融合。
[0027]经过步骤S1的特征提取后，通过平均池化将信号特征融合后输入到中心网络中，从而使浅层网络捕获的信息逐渐传递到深层网络中。值得注意的是，除步骤S1阶段外，每个中心网络阶段的输入包括来自双域信号特征提取器三个不同部分的特征的融合，这样可以有效、全面地处理信号信息。
[0028]可选地，步骤S2中，双域融合特征提取过程中，选取多个连续的Swin
‑
Transformer模块作为特征提取网络，采用卷积神经网络作为模型输入的线性映射方法，每个Swin
‑
Transformer模块由基于常规窗口分区的多头自注意力W
‑
MSA、基于移位窗口分区的多头自注意力SW
‑
MSA、多个层标准化网络LN和多层感知器MLP组成，信号特征在进入W
‑
MSA之前是窗口化的，W
‑
MSA在单个窗口上进行多头自注意计算，而SW
‑
MSA在滑动后窗上进行多头自注意计算；在每个Swin
‑
Transformer模块之后应用剩余连接，实现patch合并。
[0029]可选地，所述基于常规窗口分区的多头自注意力W
‑
MSA和基于移位窗口分区的多头自注意力SW
‑
MSA中引入了相对位置偏差，将它们与传统的多头自注意机制区分开来，如下式：
[0030][0031][0032][0033][0034]式中，表示第L层的输出，l+1表示第L+1层；
[0035][0036]式中，B为相对位置代码，Q、K、V分别表示query、key和value，d表示常数。
[0037]可选地，步骤S3中，使用Wasserstein距离度量器来度量源域和目标域之间特征的相似度的步骤，公式如下：
[0038][0039]式中，(P
r
，P
g
)是所有联合分布γ(x，y)的集合，γ(x，y)的边缘概率是P
r
和P
g
。
[0040]可选地，步骤S4中，分类过程中，将中心网络的输出输入到域分类器和故障分类器中，利用全连通层构造故障分类器，获得协同特征与故障类之间的映射关系；选择Softmax交叉熵损失来评估预测概率与实际样本数据之间的交叉熵，定义如下：
[0041][0042]式中，是指示函数,是预测分布的第K个值，并定义标签类型的个数为K；
[0043]利用域分类器进行对抗性训练，用于提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双域信号的旋转机械协同跨域故障诊断系统，其特征在于，包括：双域信号特征提取器，包括时域信号特征提取模块、频域信号特征提取模块和中心网络，实现双域信号特征提取；双域融合特征提取器，用于将信号特征融合后输入到中心网络中，使浅层网络捕获的信息逐渐传递到深层网络中；Wasserstein距离度量器，用于度量源域和目标域之间特征的相似度，增强域不变特征的鲁棒性；故障分类器，用于实现不同故障类型的分类；域分类器，用于实现源域与目标域的识别。2.一种基于权利要求1所述系统的诊断方法，其特征在于，包括如下步骤：S1、基于双域信号特征提取器，将时域和频域信号特征提取；S2、将步骤S1中每一层时域和频域采集的信号特征进行合并，基于双域融合特征提取器进行双域融合特征提取；S3、使用Wasserstein距离度量器来度量源域和目标域之间特征的相似度；S4、对双域特征进行逐层融合和提取，然后分别用故障分类器和域分类器进行分类。3.如权利要求2所述的基于双域信号的旋转机械协同跨域故障诊断方法，其特征在于，步骤S1中，基于双域信号特征提取器，将时域和频域信号特征提取的步骤，具体包括：S11、将时域和频域信号分割成多个补丁，并基于线性映射进行嵌入，如下式：式中，x为信号分割后的补丁，z0为嵌入的补丁；S12、将嵌入的补丁分别输入到基于Swin
‑
Transformer的特征提取器，进行双域信号特征提取。4.如权利要求3所述的基于双域信号的旋转机械协同跨域故障诊断方法，其特征在于，步骤S12中，所述双域信号特征提取采用独立通道，时域信号特征通过时域信号特征提取模块提取，频域信号特征通过频域信号特征提取模块提取，通过节点连接到中心网络。5.如权利要求2所述的基于双域信号的旋转机械协同跨域故障诊断方法，其特征在于，步骤S2中，双域融合特征提取过程中，选取多个连续的Swin
‑
Transformer模块作为特征提取网络，采用卷积神经网络作为模型输入的线性映射方法，每个Swin
‑
Transformer模块由基于常规窗口分区的多头自注意力W
‑
MSA、基于移位窗口分区的多头自注意力SW
‑
MSA、多个层标准化网络LN和多层感知器MLP组成，信号特征在进入...

【专利技术属性】
技术研发人员：王金瑞，邢硕，张宗振，韩宝坤，鲍怀谦，季珊珊，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：