【技术实现步骤摘要】
本专利技术属于机械故障诊断，尤其涉及一种基于自监督对比动态分布自适应网络的变工况旋转机械故障诊断方法及系统。
技术介绍
1、旋转机械广泛应用于航空航天、数控加工、医疗器械、风力发电等领域，齿轮箱和轴承等旋转部件作为旋转机械重要组件，直接影响旋转机械的健康状态。因此，及时、准确地诊断旋转机械的健康状态在设备运维方面显得非常重要。传统机器学习方法需要手动提取特征，对领域知识和专家经验要求较高，不适用于当前智能故障诊断的需求。因而，以深度自编码器、卷积神经网络、长短期记忆网络为代表的深度学习方法在机械故障领域得到广泛应用。然而这些方法仅适用于同一工况下，即训练数据和测试数据服从相同的概率分布，并且需要大量有标签的数据来训练模型。在实际工业生产中，存在大量变工况场景，由于不同工况下的数据服从不同概率分布，且缺乏足够的有标签数据，传统深度学习方法不仅诊断精度低，而且泛化性能弱，无法用于实际工业场景中变工况下的故障诊断。
2、针对变工况场景，学者们提出基于迁移学习的故障诊断方法，用以解决变工况样本数据不足或无标签数据下的故障诊断问题。cn202310623051.9公开了一种跨域风电齿轮箱故障诊断方法，该方法首先对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取、权重生成以及特征分类，并对结果进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据；然后进行统一故障诊断，对得到的风电齿轮箱域内故障诊断数据进行健康状态分类、域分类以及对比学习处理，以得到风电齿轮箱统一故障诊断结果。该方法虽然使用对比学习和迁移学习方法实现了变工况风电
3、通过上述分析，现有技术存在的问题及缺陷为：
4、现有机械故障诊断仅使用迁移学习方法减小了源域和目标域的边缘分布差异，没有考虑源域和目标域之间的条件分布差异，导致在域分布差异较大时模型精度下降。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种旋转机械变工况自监督域适应故障诊断方法及系统。
2、本专利技术是这样实现的，一种旋转机械变工况自监督域适应故障诊断方法包括：
3、步骤1，采集旋转机械在不同工况下的振动加速度信号，从振动加速度信号中截取数据段构造样本，获得有标记的源域数据集和无标记的目标域数据集；
4、步骤2，源域和目标域数据增强，构建正负样本对；
5、步骤3，构建基于自监督对比动态分布自适应网络的变工况旋转机械故障诊断模型，包括：时域/频域特征编码器gq和gk、时域/频域投影头和时频一致性投影头rt和rf，分类器cf，其中，gk为动量编码器，不参与梯度回传；
6、步骤4，输入有标签的源域数据和无标签的目标域数据及其增强之后的数据，进行动量对比学习，提取时域和频域特征，并在时频一致性对比学习模块进行特征融合；
7、步骤5，实例级别的动态分布自适应，对融合之后的源域特征和目标域特征进行动态分布自适应，并通过分类器cf预测设备健康状态；
8、步骤6，根据步骤4和步骤5计算各部分损失，反向传播更新模型参数；
9、步骤7，模型测试；使用已经训练好的特征提取器和分类器构建测试模型，将目标域测试样本输入特征提取器，由分类器输出诊断结果，得到目标域样本的健康状态识别结果。
10、进一步，所述源域数据和目标域数据定义如下：
11、所述源域数据集和目标域数据集分别定义为：和其中和分别为源域数据集中的时域样本和频域样本，为源域数据集的时域中第i个样本，为源域中第i个样本对应的故障类别；ns和nt分别为源域和目标域样本的数量；
12、目标域中时域和频域样本为：
13、进一步，所述数据增强方式如下：
14、(1)时域数据增强
15、抖动：通过模拟附加传感器噪声进行数据增强，提高模型对对噪声的鲁棒性和精度；数学公式如下：
16、x′＝x1+ε1,…,xt+εt,…,xt+εt
17、其中，ε为加在每个时间步上的高斯噪声，ε:n(0,σ2)；附加噪声的标准差σ是一个需要预先确定的超参数，本专利技术设置为0.1；
18、缩放：根据目标任务，通过随机标量来修改时间序列的幅值；对于缩放参数α，缩放是将α乘以整个时间序列，其计算公式如下：
19、x′＝α·x α～n(2,2)
20、置换：用于随机扰动事件在时间上的位置，即窗口内的时间位置被随机重新排列；首先将数据分割成e个相同长度的段，e的范围从1到5，然后随机排列这些段以创建一个新窗口；
21、(2)频域数据增强
22、具体操作如下：
23、1)去除频率分量；随机选择m个频率分量将其振幅设置为0；
24、2)添加频率分量；在增加频率分量时，从振幅小于αam的频率分量中随机选取m个频率分量，将其振幅增大到αam；其中，am为频谱中的最大幅值，α为调节扰动频率分量尺度的预定义系数，本实施例设置为0.5。
25、进一步，所述步骤3构建的时域/频域特征编码器gq和gk、时域/频域投影头和用于时域和频域的动量对比学习提取时域和频域特征，时频一致性投影头rt和rf用于时频一致性对比学习，并对时域特征和频域特征进行特征融合，分类器cf用于设备健康状态识别。
26、进一步，所述步骤4中动量对比学习提取时域和频域特征，时频一致性对比学习进行特征融合，并减小相同故障类别之间的差异，其中动量对比损失和时频一致性对比损失计算方法如下：
27、(1)动量对比损失
28、1)时域对比损失
29、对于给定的输入时间序列样本xi，通过基于时间的增强库生成一个增强集每个元素是基于时间特征由xi增强而来；
30、对于源域输入样本随机选择增强样本输入到编码器gq和gk得到同理可得目标域编码器之后的特征为：随后将得到特征和输入到投影头pq和pk中映射到特征空间中，得到同理得到目标域投影之后的特征为：基于时域对比损失函数以样本和为单位定义时域对比损失和频域对比损失为：
31、
32、其中，为源域中的时域对比损失，为目标域中的时域对比损失，τ为温度超参数，设置为0.07，k为负样本数量，sim(a,b)为余弦相似度函数，计算方法如下式所示：
33、
34、2)频域对比损失
35、通过快速傅里叶变换将源域和目标域中的时域样本和生成频域样本：和同理，对于给定的输入频域样本xfi，通过基于时间的增强库生成一个增强集每个元素是基于频域样本xfi增强；
36、参考时域对比学习，对于源域和目标域输入频域样本和输入到对比学习网络框架中可以得到经过投影头之后的用于对比损失的特征：本文档来自技高网...
【技术保护点】
1.一种旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述旋转机械变工况自监督域适应故障诊断方法包括以下步骤：
2.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述源域数据和目标域数据定义如下：
3.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述数据增强方式如下：
4.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述步骤3构建的时域/频域特征编码器Gq和Gk、时域/频域投影头和用于时域和频域的动量对比学习提取时域和频域特征，时频一致性投影头RT和RF用于时频一致性对比学习，并对时域特征和频域特征进行特征融合，分类器Cf用于设备健康状态识别。
5.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述步骤4中动量对比学习提取时域和频域特征，时频一致性对比学习进行特征融合，并减小相同故障类别之间的差异，其中动量对比损失和时频一致性对比损失计算方法如下：
6.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述
7.一种实施如权利要求1-6任意一项所述旋转机械变工况自监督域适应故障诊断方法的基于自监督对比动态分布自适应网络的变工况旋转机械故障诊断系统，其特征在于，所述基于自监督对比动态分布自适应网络的变工况旋转机械故障诊断系统包括：
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述旋转机械变工况自监督域适应故障诊断方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述旋转机械变工况自监督域适应故障诊断方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述基于自监督对比动态分布自适应网络的变工况旋转机械故障诊断系统。
...【技术特征摘要】
1.一种旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述旋转机械变工况自监督域适应故障诊断方法包括以下步骤：
2.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述源域数据和目标域数据定义如下：
3.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述数据增强方式如下：
4.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述步骤3构建的时域/频域特征编码器gq和gk、时域/频域投影头和用于时域和频域的动量对比学习提取时域和频域特征，时频一致性投影头rt和rf用于时频一致性对比学习，并对时域特征和频域特征进行特征融合，分类器cf用于设备健康状态识别。
5.如权利要求1所述旋转机械变工况自监督域适应故障诊断方法，其特征在于，所述步骤4中动量对比学习提取时域和频域特征，时频一致性对比学习进行特征融合，并减小相同故障类别之间的差异，其中动量对比损失和时频一致性对比损失计算方法如下：
6.如权利要...
【专利技术属性】
技术研发人员：刘尧，章凯云，郑健，陈改革，孔宪光，
申请(专利权)人：西安邮电大学，
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。