【技术实现步骤摘要】
本专利技术涉及故障诊断领域，特别是涉及一种基于层次伪标签的航空发动机故障诊断方法及系统。
技术介绍
1、随着航空业的不断发展，航空技术的不断创新，以及国家对航空科技方面的大力投入，使得航空器功能不断完善，性能不断提高，结构也越来越复杂。在提高飞行性能的同时，对航空器的安全性以及可靠性要求也越来越高。航空发动机作为航空器的“心脏”为航空器提供动力，它的稳定正常工作对安全飞行的影响极为重要。航空发动机内部的很多零部件需要在高速、高温和强振动等极其严苛的环境中可靠运行。当航空发动机的关键部件衰退到一定程度时，其性能水平将偏离正常运行状态，并可能导致各种故障。航空发动机运行过程中，由于长时间工作于高温高压下，导致各单元体的性能衰退，使得相关参数实际测量值与其性能基线产生偏差，偏差越大则影响越大，反之亦然。由于参数的变化可以充分反映发动机单元体的健康状态，所以可以作为监控发动机的运行状态及故障诊断的重要性能指标。
2、随着人工智能技术的发展，能把特征学习与故障分类融为一体、使用神经网络特征提取代替了人工特征提取的深度学习方法已然成为航空发动机故障诊断领域的主流。然而当前大多数基于深度学习的方法的成功是在基于标记的故障样本足够且故障样本取自相同的工作条件的假设下得出的。但是，在实际工业场景中，这些假设很难满足。一方面由于机械设备故障的发生具有随机性和偶然性，某一特定工况下故障数据一般很难获取，且通常情况下获取的可用样本都是未标记的。另一方面负载的突然变化、速度模式的变化、设备和环境噪声将导致分类边界的变化，使得将一种条件训练的方
3、基于域适应的跨域学习技术能够较理想的解决某一工况下的标签缺乏问题。其中无监督域适应方法目前已被广泛研究。无监督域适应方法可以从源域中的标记振动数据中学习域不变特征，并使其适应不同但相关的目标域。然而这些域适应方法仅仅只考虑了域与域之间的整体迁移，却没有考虑到同一类故障模式下样本间的距离对分类效果的影响。通过使用伪标签，可以有效地对齐域之间的细粒度类分布。然而因为源域和目标域之间域偏移的影响，目标域数据的伪标签往往存在着噪声。因此通常需要对伪标签进行过滤，从中选出部分高置信度数据来用于模型的迁移适应。然而往往那些过滤掉的中低质量伪标签占据了目标域样本的大多数，而被筛选出用于调整模型的高质量标签往往较少，这可能导致这些伪标签为模型带来的有用更新较为有限。另一方面，即便是通过策略过滤出的高置信度样本也难以避免地会出现错误标记，从而给模型带来严重的负面影响。
技术实现思路
1、本专利技术的目的是提供一种基于层次伪标签的航空发动机故障诊断方法及系统，以提高目标域数据的故障诊断的准确率。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于层次伪标签的航空发动机故障诊断方法，所述方法包括：
4、获取航空发动机的运行数据；
5、对所述运行数据进行预处理，得到源域数据和目标域数据；
6、确定源域故障诊断模型；所述源域故障诊断模型是利用所述源域数据对预训练的主特征提取器与域鉴别分类器进行训练得到的；
7、利用迁移对抗模型和所述目标域数据将所述源域故障诊断模型迁移到目标域上，以进行目标域故障诊断；所述迁移对抗模型是基于域混淆对抗学习和伪标签分层算法对层次伪标签域对抗网络进行训练得到的；所述层次伪标签域对抗网络包括依次连接的主特征提取器、域鉴别分类器、目标域偏重特征提取器和目标域数据分流器；
8、所述主特征提取器用于提取所述源域数据的特征，得到特征数据；
9、所述域鉴别分类器用于对所述特征数据进行域鉴别以及故障分类；
10、所述目标域数据分流器用于根据所述特征数据进行层级伪标签标记；
11、所述目标域偏重特征提取器用于对被标记上待定伪标签的目标域数据进行二次特征提取。
12、可选地，所述迁移对抗模型的确定方法，具体包括：
13、获取所述航空发动机的训练数据；所述训练数据包括：已知源域数据和目标域数据的运行数据；
14、对所述训练数据中的运行数据进行预处理，利用所述训练数据中的源域数据对预训练的主特征提取器与域鉴别分类器进行训练，得到对应的源域故障诊断模型；
15、构建层次伪标签域对抗网络；所述层次伪标签域对抗网络包括依次连接的主特征提取器、域鉴别分类器、目标域偏重特征提取器和目标域数据分流器；
16、将所述训练数据中的源域数据和目标域数据输入至所述主特征提取器，采用域混淆损失总函数以达到设定训练总轮数为目标，对所述主特征提取器的参数进行训练；
17、同时将主特征提取器输出的训练特征数据输入至所述域鉴别分类器，采用域鉴别损失总函数以达到设定训练总轮数为目标，对所述域鉴别分类器的参数进行训练，得到训练后的域鉴别分类器；
18、采用域混淆损失总函数和域鉴别损失总函数的对抗性训练用于对所述训练特征数据进行域级别对齐处理，得到域级别对齐后的故障诊断模型；
19、将所述训练特征数据输入至所述目标域数据分流器进行层次伪标签标记；
20、基于所述被标记为已录用伪标签的目标域数据，采用正相似性度量损失函数以达到设定训练总轮数为目标，对主特征提取器的权重参数进行训练更新，得到进一步训练后的主特征提取器；
21、基于所述被标记为待定伪标签的目标域数据，采用负相似性度量损失函数以达到设定训练总轮数为目标，对目标域偏重特征提取器的权重参数进行训练更新，得到训练后的目标域偏重特征提取器；
22、所述迁移对抗模型，包括：训练后的主特征提取器、训练后的域鉴别分类器、训练后的目标域偏重特征提取器和训练后的目标域数据分流器。
23、可选地，所述主特征提取器是由resnet-18网络组成的。
24、可选地，所述域混淆损失总函数，具体包括：
25、
26、
27、
28、其中，为域混淆损失总函数；lcls为分类损失函数；lcf为域混淆损失函数；λ为主特征提取器的参数；ns为由训练数据中的源域数据的样本的总数量；i为源域样本序号；为训练数据中的源域数据在主特征提取器gm中进行特征提取，属于故障类型且属于源域的情况下的概率；为属于故障类型但是属于目标域的情况；ld为域鉴别损失；c为分类器cst的节点数；为训练数据中的源域数据在主特征提取器gm中进行特征提取，属于故障类型c且属于目标域的情况下的概率；nt为目标域数据的样本数量；j为目标域样本序号；为目标域数据在主特征提取器gm中进行特征提取，属于故障类型c且属于源域的情况下的概率；c为域鉴别分类器cst的节点序号。
29、可选地，所述域鉴别损失总函数，具体包括：
30、
31、
32、其中，为域鉴别损失总函数；为训练数据中的源域数本文档来自技高网...
【技术保护点】
1.一种基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述迁移对抗模型的确定方法，具体包括：
3.根据权利要求1所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述主特征提取器是由ResNet-18网络组成的。
4.根据权利要求2所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述域混淆损失总函数，具体包括：
5.根据权利要求4所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述域鉴别损失总函数，具体包括：
6.根据权利要求2所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述正相似性度量损失函数，具体包括：
7.根据权利要求2所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述负相似性度量损失函数，具体包括：
8.根据权利要求1所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，采用小波变换对所述运行数据进行预处理。
9.一种基于层
...【技术特征摘要】
1.一种基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述迁移对抗模型的确定方法，具体包括：
3.根据权利要求1所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述主特征提取器是由resnet-18网络组成的。
4.根据权利要求2所述的基于层次伪标签的航空发动机故障诊断方法，其特征在于，所述域混淆损失总函数，具体包括：
5.根据权利要求4所述的基于层次伪标签的航空发动机...
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。