【技术实现步骤摘要】
基于因果机制的故障诊断方法及计算机设备
[0001]本专利技术涉及故障诊断
,尤其涉及一种基于因果机制的故障诊断方法及计算机设备
。
技术介绍
[0002]旋转机械最重要的部件是滚动轴承,随着工业的发展和需求,大多数旋转机械的工作量是巨大的
。
滚动轴承在高负荷
、
强冲击
、
高工作负荷和复杂环境下,经常产生内圈
、
外圈和滚珠的故障
。
如果不能及时发现故障,设备往往会停机,造成巨大的经济损失,甚至发生安全事故
。
故障诊断与预测是预测与健康管理
(PHM)
的核心
。
旋转机械
PHM
的主要目的是降低使用和支持成本,提高旋转机械的安全性和完整性,从而以较少的维护投资实现基于条件的维护
。
[0003]随着机械制造技术的发展和应用领域的不断多样化,轴承的工作条件也在不断发生变化,对于不同工况下轴承,传统的轴承故障诊断方法已经难以满足实际的需求
。
因此,结合机器学习研究新的故障诊断技术对于提高机械设备生产效率,保障安全生产有着重要意义
。
[0004]目前,开发了许多基于迁移学习或领域适应的跨领域诊断方法,其使用了来自不同来源的差异数据
。
这些研究的基本思想是通过利用来自相关源域的诊断知识来构建能够在目标域上表现良好的诊断模型
。
在一般研究里,最大平均差异
(MMD ...
【技术保护点】
【技术特征摘要】
1.
一种基于因果机制的故障诊断方法,其特征在于,包括:获取目标域数据,并将所述目标域数据输入事先训练好的目标网络模型以分类出故障信息;所述目标网络模型包括生成器
、
因果提取器
、
对抗掩码模块及分类器,所述分类器包括上维度分类器及下维度分类器,其中,所述生成器从所述目标域数据中提取因果信息,所述因果提取器利用因果干预从所述因果信息中提取出与类别相关的因果因素,所述对抗掩码模块对所述上维度分类器及下维度分类器进行对抗性学习,以使所述上维度分类器及下维度分类器根据所述因果因素分类出故障信息
。2.
如权利要求1所述的基于因果机制的故障诊断方法,其特征在于,所述目标网络模型的训练方法包括:获取多个域的原始故障数据;通过图形差分场方法将所述原始故障数据转换为差分场图片集;对所述差分场图片集进行数据增强处理以生成增强数据集;构建目标网络模型;将所述增强数据集输入所述目标网络模型以训练所述目标网络模型
。3.
如权利要求2所述的基于因果机制的故障诊断方法,其特征在于,训练所述目标网络模型时,将所述增强数据集输入所述生成器,以提取因果信息;所述因果提取器根据所述因果信息构建相关矩阵
、
因子分解损失及分类监督损失,并使所述相关矩阵的非对角元素接近0,最小化所述因子分解损失以获得因果因素;通过所述对抗掩码器模块对所述分类器进行对抗学习,最小化分类器中分类任务的上界以分类出上维度,最大化分类器中分类任务的下界以分类出下维度,以优化所述对抗掩码器模块;最小化所述因子分解损失及分类监督损失,以优化所述生成器
、
上维度分类器及下维度分类器;更新优化后的所述因果提取器
、
上维度分类器及下维度分类器的参数
。4.
如权利要求3所述的基于因果机制的故障诊断方法,其特征在于,所述相关矩阵为:其中,
<
·
>
为内积,
R
a
和
R
o
中的相同维度代表了最大相关性的正对,不同维度为最小化相关性的负对,代表原始数据的第
i
列归一化的
Z
比分数,代表增强数据的第
j
列归一化的
Z
比分数
。5.
如权利要求3所述的基于因果机制的故障诊断方法,其特征在于,所述因子分解损失为:
其中,
C
为相关矩阵,
||
·
||
F
代表求
F
范数
。6.
如权利要求3所述的基于因果机制的故障诊断方法,其特征在于,所述分类监督损失为:其中,为分类器,
x
o
为经过
MDF
处理后的数据,
...
【专利技术属性】
技术研发人员:何俊,曾晨露,刘士亚,梁文生,陈丹凤,
申请(专利权)人:佛山科学技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。