一种不可见工况下单源域泛化智能诊断方法技术

本发明专利技术公开了一种不可见工况下单源域泛化智能诊断方法，包括以下步骤：

【技术实现步骤摘要】
一种不可见工况下单源域泛化智能诊断方法


[0001]本专利技术涉及计算机模式识别
，具体涉及一种不可见工况下单源域泛化智能诊断方法
。

技术介绍

[0002]随着计算机模式识别技术的快速发展，基于深度神经网络的机械故障智能诊断方法已经得到了积极的探索
。
与传统的故障诊断过程中依赖专家知识和经验的机器学习方法相比，深度学习具有较强的自适应学习能力，可以自动从原始数据中提取特征，从而构建端到端智能故障诊断模型
。
然而，在实际情况下，机械设备往往在不同的工作条件下运行
(
如变速或变负载
)
，导致数据分布的显著差异，从而使深度学习故障诊断模型的性能下降
。
因此，域适应技术被引入来处理跨域故障诊断任务
。
域适应故障诊断方法的一个局限性是，目标工况数据需要参与模型训练才能获得先验分布信息，但在实际工业应用中，很可能无法预先获得目标工况数据，即目标工况在模型训练时不可见，这极大地限制了域适应故障诊断方法的实际应用
。
因此，不需要目标工况数据参与模型训练的域泛化故障诊断方法被开发出来
。
现有的域泛化故障诊断方法大多都是在多个源域工况数据上进行训练的
。
[0003]目前的域泛化故障诊断方法是多源域泛化网络模型
。
多源域泛化网络模型目的是将在多个源域上训练的模型泛化到一个具有不同数据分布的目标域
。
提高故障诊断模型泛化能力的关键在于提取域不变特征，而现有的域泛化故障诊断方法特别强调从多个源域中学习与分布无关的表示来提取域不变特征
。
采用多源域泛化网络模型进行智能故障诊断时，首先需要将带有标签的多源域数据集输入到网络中进行模型参数训练，在训练完成之后将目标域测试数据输入到训练好的模型中进行故障诊断，得到其故障类别
。
多源域泛化网络模型在进行不可见目标工况下的机械智能故障诊断中要求输入多个源域工况数据，没有考虑到在实际工业场景中多种工况数据收集的困难性，可用的数据通常可能来自于单一的工况
。
在只有单源域工况数据可用时，多源域泛化网络模型的作用会不可避免地失效
。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种不可见工况下单源域泛化智能诊断方法解决现有多源域泛化网络模型在只有单源域工况数据可用时作用会失效的问题
。
[0005]技术方案：本专利技术所述的一种不可见工况下单源域泛化智能诊断方法，包括以下步骤：
[0006](1)
获取时域信号即源域数据并进行预处理；
[0007](2)
建立域生成模块
G、
建立特征提取器
F、
建立分类头
C、
建立投影头
P
；
[0008](3)
构建故障诊断训练模型；
[0009](4)
根据损失函数和优化算法进行模型训练；
[0010](5)
在线故障诊断
。
[0011]进一步的，所述步骤
(1)
具体为：将采集的机械时域信号数据样本进行截取，统一
样本长度，并把样本归一化到
[0,1]范围，将数据集划分为单源域训练数据集和目标域测试数据集；其中，单源域训练数据集是标记的，用于模型训练，目标域数据不参与模型训练，仅用于评价模型预测结果的准确性
。
[0012]进一步的，所述域生成模块
G
由
K
个变换结构组成，每个变换的结构为卷积
‑
风格学习
‑
转置卷积；具体如下：所述域生成模块
G
以源域样本作为输入，采用多个卷积核进行不同尺度上的卷积运算后获得隐含特征，并经过风格学习获得具有风格偏移的隐含特征，然后对隐含特征以转置卷积的方式重建到原始输入样本的维度获得增强样本，最终对多个变换结构输出的增强样本进行线性组合，输出扩展域样本
。
[0013]进一步的，所述特征提取器
F
包括但不限于通过全连接网络
、
深度卷积网络
、
深度置信网络
、
深度残差网络中的一种来构建；用于将数据映射到特定的特征空间，以故障样本作为输入，输出样本的高层特征
。
[0014]进一步的，所述分类头
C
由全连接层和
Softmax
分类器组成，它以特征提取器
F
输出的高层特征作为输入，输出样本类别
。
[0015]进一步的，所述投影头
P
由全连接层组成，将提取的高层特征向量映射到一个低维空间来生成低维鲁棒特征
。
[0016]进一步的，所述步骤
(3)
具体如下：将特征提取器
F、
分类头
C
和投影头
P
进行组合，构建诊断任务模块
D
，并将域生成模块
G、
诊断任务模块
D
进行组合，构建完整的故障诊断训练模型；将域生成模块
G、
特征提取器
F
与分类头
C
构成一个前馈神经网络，用来判断高层特征的故障类别；将域生成模块
G、
特征提取器
F
与投影头
P
构成一个前馈神经网络，用来输出特征的低维鲁棒表示
。。
[0017]进一步的，所述步骤
(4)
中，将单源域训练数据集输入到构建的故障诊断训练模型中，根据损失函数和优化算法进行模型训练；包括以下步骤：
[0018](41)
将源域数据输入域生成模块
G
中，得到扩展域数据；
[0019](42)
将源域和扩展域数据输入特征提取器
F
中，得到高层特征，并将高层特征输入分类头
C
和投影头
P
中；
[0020](43)
对于来自源域和扩展域的全部数据，利用网络最小化分类头
C
的交叉熵损失
L
C
来优化分类头
C
和特征提取器
F
；最小化投影头
P
的监督对比损失
L
S
来优化投影头
P
和特征提取器
F
；对于来自扩展域的全部数据，利用网络最小化分类头
C
的焦点损失
L
FL
来优化域生成模块
G
；对于来自源域和扩展域的全部数据，利用网络最小化投影头
P
的反向对比损失
L
R
来优化域生成模块
G
；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种不可见工况下单源域泛化智能诊断方法，其特征在于，包括以下步骤：
(1)
获取时域信号即源域数据并进行预处理；
(2)
建立域生成模块
G、
建立特征提取器
F、
建立分类头
C、
建立投影头
P
；
(3)
构建故障诊断训练模型；
(4)
根据损失函数和优化算法进行模型训练；
(5)
在线故障诊断
。2.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述步骤
(1)
具体为：将采集的机械时域信号数据样本进行截取，统一样本长度，并把样本归一化到
[0,1]
范围，将数据集划分为单源域训练数据集和目标域测试数据集；其中，单源域训练数据集是标记的，用于模型训练，目标域数据不参与模型训练，仅用于评价模型预测结果的准确性
。3.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述域生成模块
G
由
K
个变换结构组成，每个变换的结构为卷积
‑
风格学习
‑
转置卷积；具体如下：所述域生成模块
G
以源域样本作为输入，采用多个卷积核进行不同尺度上的卷积运算后获得隐含特征，并经过风格学习获得具有风格偏移的隐含特征，然后对隐含特征以转置卷积的方式重建到原始输入样本的维度获得增强样本，最终对多个变换结构输出的增强样本进行线性组合，输出扩展域样本
。4.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述特征提取器
F
包括但不限于通过全连接网络
、
深度卷积网络
、
深度置信网络
、
深度残差网络中的一种来构建；用于将数据映射到特定的特征空间，以故障样本作为输入，输出样本的高层特征
。5.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述分类头
C
由全连接层和
Softmax
分类器组成，它以特征提取器
F
输出的高层特征作为输入，输出样本类别
。6.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述投影头
P
由全连接层组成，将提取的高层特征向量映射到一个低维空间来生成低维鲁棒特征
。7.
根据权利要求1所述的一种不可见工况下单源域泛化智能诊断方法，其特征在于，所述步骤
(3)
具体如下：将特征提取器
F、
分类头
C
和投影头
P
进行组合，构建诊断任务模块
D
，并将域生成模块
G、
诊断任务模块
D
进行组合，构建完整的故障诊断训练模型；将域生成模块
G、
特征提取器
F

【专利技术属性】
技术研发人员：王俊，任贺，黄伟国，沈长青，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：