基于因果机制的故障诊断方法及计算机设备技术

本发明专利技术公开了一种基于因果机制的故障诊断方法及计算机设备，涉及故障诊断技术领域，所述方法包括：获取目标域数据，并将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；目标网络模型包括生成器

【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)、CORAL、
联合
MMD
，用于缩小域偏移；如，使用不同的内核
MMD
和加权投票机制来构建集成转移诊断模型；又如，利用对抗性学习作为正则化方法来提高卷积神经网络
(CNNs)
的泛化能力；再如，使用最大分类器差异来学习类可分离和域不变特征
。
这些方法的可行性由具有相同工作原理和故障机制的机器生成的监测信号中携带的类似故障特征支持的
。
[0005]然而，在许多其他场景中，提供目标域的完整数据集
(
包括每个故障的信号
)
是非常困难的
。
并且现实中的故障可能来源于不同的操作条件
、
不同的故障大小
、
不同的操作模式
、
以及跨不同机器
。
为了实现该场景下的泛化，需要从多个相关的源域中学习共同的诊断知识，然后应用于诊断目标域的新的未见样本，这种策略通常被称为领域泛化，比领域自适应更具挑战性
。
对于领域泛化问题，使分类器适应目标领域并不是其本质目标
。
相反，学习具有判别性和领域不变性的表示以确保对每个领域的一致判别是一种有效且被广泛采用的策略
。
但是目前存在的方法，是试图弥补未知域数据带来的问题，并对数据和标签之间的相关性进行建模，而没有解释数据与标签之间潜在的因果机制
。
因此，这种做法可能是不够充分的，在独立同分布之外进行推广需要学习的不仅仅是变量之间的统计相关性，而是一个潜在的因果机制
。
例如，在图像分类任务中，很可能所有的长颈鹿都在草地上，表现出高度的统计相关性，这很容易在背景变化时误导模型做出错误的预测
。
[0006]因此，需要基于因果机制的模型泛化，以构建一种新的故障诊断方法
。

技术实现思路

[0007]本专利技术所要解决的技术问题在于，提供一种基于因果机制的故障诊断方法及计算机设备，可解决现有方法对于数据相关性依赖的问题，精度高，鲁棒性强
。
[0008]为了解决上述技术问题，本专利技术提供了一种基于因果机制的故障诊断方法，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
。
[0009]作为上述方案的改进，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
。
[0010]作为上述方案的改进，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
。
[0011]作为上述方案的改进，所述相关矩阵为：
[0012][0013]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
。
[0014]作为上述方案的改进，所述因子分解损失为：其中，
C
为相关矩阵
。
[0015]作为上述方案的改进，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，
x
a
为增强后的数据，为生成器，
y
为标签
,l
表示损失函数
。
[0016]作为上述方案的改进，所述分类任务表示为：
[0017][0018][0019]其中，为分类任务的上界，为分类任务的下界，为上维度分类器，
[0020]为下维度分类器，
r
o
和
r
a
代表学习到的表示，
m
o
和
m
a
代表掩码，
y
为标签本文档来自技高网...

【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：