基于语义对齐的生成型零样本复合故障诊断模型和方法

本发明涉及机械故障诊断，尤其是一种基于语义对齐的生成型零样本复合故障诊断模型和方法。

背景技术：

1、机械部件的故障诊断在预测和健康管理中起着至关重要的作用。然而，诊断复杂系统中的复合故障仍然是一项具有挑战性的任务。问题在于现实工业系统中，多个故障信号的耦合，掩盖了某些微弱故障特征；复合故障样本难以采集，无法通过基于大量的复合故障样本训练模型。

技术实现思路

1、为了克服上述现有技术中机械部件的复合故障难以识别的缺陷，本发明提出了一种基于语义对齐的生成型零样本复合故障诊断模型的训练方法，可获得一种能够精确、稳定的复合故障诊断模型。

2、一种基于语义对齐的生成型零样本复合故障诊断模型的训练方法，包括以下步骤：

3、s1、获取监测对象的单一故障类别标签形成可见类ys，获取监测对象的复合故障类别标签形成不可见类yu；在可见类上构造标注样本构成训练集，在不可见类上构造标注样本构成测试集；

4、构建基础模型，基础模型包括顺序连接的特征提取模块、语义对齐模块、生成对抗模块和分类模块；特征提取模块提取作为输入数据的振动数据片段的故障特征；语义对齐模块基于输入数据的语义向量和故障特征生成新的语义向量；生成对抗网络基于输入的噪声和语义对齐模块输出的语义向量生成伪故障特征；分类模块基于伪故障特征进行分类，输出预测标签；

5、s2、从训练集中选择多个样本作为第一训练样本代入基础模型，对基础模型的参数进行迭代；然后再从训练集中选择多个样本作为第一验证样本代入基础模型，基础模型对第一验证样本进行预测，并输出预测标签；

6、令振动数据片段的单一语义向量为振动数据片段的多个时频域特征参数的集合，s2中，语义对齐模块输入的语义向量为振动数据片段的单一语义向量；

7、s3、结合第一验证样本的预测标签和分类标签判断基础模型是否收敛；否，则结合第一验证样本计算各模块的损失函数，各模块根据对应的损失函数更新参数，然后返回步骤s2；是，则执行步骤s4；

8、s4、从测试集中选择多个样本作为第二训练样本代入基础模型，对分类模块进行参数迭代；然后再从测试集中选择多个样本作为第二验证样本代入基础模型，基础模型对验证样本进行预测，并输出预测标签；令振动数据片段的复合语义向量为振动数据片段的单一语义向量的加权求和，s4中，语义对齐模块输入的语义向量为振动数据片段的复合语义向量；

9、s5、结合第二验证样本的预测标签和分类标签判断分类模块是否收敛；否，则结合第二验证样本计算分类模块的分类损失，根据分类损失反向更新分类模块的参数，然后返回步骤s2；是，则从基础模型提取特征提取模块和分类模块构成复合故障诊断模型，在不可见类上，复合故障诊断模型中的分类模块基于特征提取模块提取的故障特征生成预测标签。

10、一种采用所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法的基于语义对齐的生成型零样本复合故障诊断方法，首先采用所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法构建复合故障诊断模型，然后将监测对象待诊断的振动数据切片作为待诊断数据样本，将待诊断数据样本输入复合故障诊断模型，复合故障诊断模型针对每一个待诊断数据样本输出预测的复合故障类别标签。

11、一种基于语义对齐的生成型零样本复合故障诊断系统，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法。

12、一种存储介质，存储有计算机程序，所述计算机程序被执行时用于实现所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法。

13、本发明的优点在于：

14、本发明提出了基于语义对齐的生成型零样本复合故障诊断模型，首先构造单一与复合语义向量，通过语义对齐模块将时频域语义特征与故障特征嵌入子空间，对齐提取分辨性更强的语义作为新的语义向量；接着结合通道与空间卷积注意力机制特征提取器提取细粒度可见类与不可见类特征；然后结合有监督对比损失构造生成器与判别器结合比较器进行相互博弈来学习语义与特征的映射关系，获得强泛化能力的生成器；最后利用生成器生成的复合故障样本训练分类器来分类不可见复合故障。通过实验结果表明证明，本发明提出的训练方法在只训练单一故障样本的前提下，模型解决了微弱特征带来的问题，并且对复合故障有更高的精度。语义对齐模块新生成的故障语义能够提升更高的识别精度和更稳定的识别效果，从而提升分类模块的训练精度。

技术特征：

1.一种基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，可见类i中的振动信号样本的单一语义向量记作ai，不可见类j中的振动信号样本的复合语义向量记作aj：

3.如权利要求2所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，设置r1＝28；

4.如权利要求2所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，特征提取模块由顺序连接的第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层、通道注意力机制网络、空间注意力机制网络、扁平化层、随机失活函数、第一全连接层、第四激活层和第二全连接层组成；其中，通道注意力机制网络包括顺序连接的第一自适应平均池化层、第二自适应平均池化层、第三卷积层、第四卷积层和第三激活层；空间注意力机制网络包括顺序连接的第三自适应平均池化层、第四自适应平均池化层和第五卷积层。

5.如权利要求2所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，语义对齐模块的损失函数ls为：

6.如权利要求2所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于，生成对抗模块包括生成器g、判别器d和比较器c；生成器g根据新的语义向量s和随机高斯噪声z生成伪故障特征f'，判别器d用于识别伪故障特征f'；比较器用于比较生成器g中间层输出的特征gi和新的语义向量s，以输出比较结果；比较器还用于比较判别器d中间层输出的特征di和语义向量a，以输出比较结果；

7.如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法，其特征在于：令lg和ld加总去重作为生成对抗模块的损失函数lgd；

8.一种采用如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法的基于语义对齐的生成型零样本复合故障诊断方法，其特征在于：首先采用如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法构建复合故障诊断模型，然后将监测对象待诊断的振动数据切片作为待诊断数据样本，将待诊断数据样本输入复合故障诊断模型，复合故障诊断模型针对每一个待诊断数据样本输出预测的复合故障类别标签。

9.一种基于语义对齐的生成型零样本复合故障诊断系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器，处理器用于执行所述计算机程序，以实现如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法。

10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被执行时用于实现如权利要求1所述的基于语义对齐的生成型零样本复合故障诊断模型的训练方法。

技术总结本发明涉及机械故障诊断技术领域，尤其是一种基于语义对齐的生成型零样本复合故障诊断模型和方法。本发明提取了基于语义对齐的生成型零样本复合故障诊断模型。该模型包含语义对齐模块、特征提取模块、生成对抗模块、分类模块，分别负责构造单一与复合语义向量构造、将时频域语义特征与故障故障特征嵌入到子空间对齐作为新的语义向量、结合通道与空间卷积注意力机制特征提取器细粒度提取可见类与不可见类特征、结合有监督对比损失构造生成器与判别器搭配比较器进行相互博弈来学习语义与特征的映射关系，进一步获取强泛化能力的生成器、利用生成器生成的复合故障训练分类器来分类未知类的复合故障。技术研发人员：徐娟,孔徽,李康,石雷,张本宏受保护的技术使用者：合肥工业大学智能制造技术研究院技术研发日：技术公布日：2024/7/29