一种基于MSResNet网络的故障诊断方法、装置、设备及介质

本发明涉及旋转机械故障诊断，尤其涉及一种基于msresnet网络的故障诊断方法、装置、设备及介质。

背景技术：

1、旋转机械占据了工业领域器械中的主导地位，而滚动轴承作为旋转机械的核心功能部件，其运行状态的好坏将很大程度的影响到整个旋转机械系统的稳定性与精确度。

2、伴随着工业大数据时代的来临，基于深度学习的故障诊断研究被推到了新的高度，这种端到端式的诊断流程，可以自适应提取特征，充分展示了其优越性；复杂的深度学习模型可以将非线性问题进行很好的表示，诊断的性能也被证实明显优于浅层学习；但是基于深度学习的故障诊断对于优质的标签数据有非常大的需求，在没有足够的标记数据时，深度学习模型也会表现较差；针对上述问题，深度迁移学习开辟出了一条新的思路，迁移学习可以通过将拥有充足标签数据的源域的知识迁移到目标域中，即使目标域仅有少量样本数据，也可以获得性能不错的深度学习模型；一种方法,基于样本迁移，融合相近的源域与目标域样本，通过调整训练样本的权重利用tradaboost来增强分类器的诊断性能；另一种方法，基于wasserstein距离的对抗特征迁移算法，通过上述两种方法，在不同工况下诊断性能有所提升。

3、然而，上述的各种方法并没有考虑到数据本身各级细粒度信息，存在特征提取不完全等问题，诊断性能还存在进步的空间。

技术实现思路

1、有鉴于此，有必要提供一种基于msresnet网络的故障诊断方法、装置、设备及介质，用以解决深度迁移学习中，带标签的样本数据不足时未考虑数据各级细粒度信息，从而导致特征提取不完全的技术问题。

2、为了解决上述问题，本发明提供一种基于msresnet网络的故障诊断方法，包括：

3、获取滚动轴承的标签源域样本和无标签目标域样本；

4、构建基于msresnet网络的故障诊断模型，基于所述故障诊断模型提取出源域以及目标域样本特征后，计算出源域样本的分类损失，并通过amk-mmd度量所述源域以及目标域样本特征的分布差异，基于所述分类损失以及分布差异构建损失函数，基于所述损失函数对所述故障诊断模型的参数进行更新；

5、基于参数更新后的所述故障诊断模型对所述无标签目标域样本进行预测，获得滚动轴承的故障诊断结果。

6、在一种可能的实现方式中，所述获取滚动轴承的标签源域样本和无标签目标域样本，包括：

7、获取多个故障状态下滚动轴承的振动数据，其中，所述振动数据包括无故障数据、内圈故障数据、外圈故障数据以及滚动体故障数据；

8、对所述振动数据进行归一化和标准化处理，并对处理后的所述振动数据添加标签，获得目标域数据集和源域数据集，其中，所述源域数据集包括标签源域样本，所述目标域数据集包括无标签目标域样本以及标签目标域样本；

9、对所述目标域数据集和源域数据集进行划分，获得训练集和测试集，其中，所述训练集包括带标签源域样本以及无标签目标域样本，所述测试集包括无标签目标域样本。

10、在一种可能的实现方式中，所述故障诊断模型包括msresnet网络以及域自适应层，所述msresnet网络包括第一卷积层、批标准化层、relu激活函数、最大池化层、多尺度并行网络结构以及平均池化层，所述域自适应层包括第一全连接层、第二全连接层以及softmax分类器，所述第一全连接层以及第二全连接层中分别嵌入领域自适应模块；所述基于所述故障诊断模型提取出源域以及目标域样本特征，包括：

11、将所述标签源域样本以及无标签目标域样本输入至所述msresnet网络中，通过所述第一卷积层、批标准化层、relu激活函数以及最大池化层对所述标签源域样本以及无标签目标域样本进行卷积操作、标准化处理、批归一化处理以及最大池化操作，以提取出所述标签源域样本以及无标签目标域样本的主要特征，通过所述多尺度并行网络结构对所述主要特征进行特征提取，获得多个不同尺度的特征向量，通过所述平均池化层对所述多个不同尺度的特征向量进行平均值池化后，获得多个特征向量，利用连接函数对所述多个特征向量进行融合，获得源域样本特征向量和目标域样本特征向量。

12、在一种可能的实现方式中，所述多尺度并行网络结构包括第二卷积层、第三卷积层、第四卷积层，其中，所述第二卷积层为卷积核大小为3的卷积层，所述第三卷积层为卷积核大小为5的卷积层，所述第四卷积层为卷积核大小为7的卷积层，所述第二卷积层、第三卷积层以及第四卷积层分别包括四个残差块。

13、在一种可能的实现方式中，所述通过amk-mmd度量所述源域以及目标域样本特征的分布差异，包括：

14、通过所述故障诊断模型的最优核函数将所述源域样本特征向量以及所述目标域样本特征向量映射至再生核希尔伯特空间，并计算出amk-mmd距离，基于所述amk-mmd距离确定所述源域样本特征向量与所述目标域样本特征向量的特征分布差异。

15、在一种可能的实现方式中，所述基于所述分类损失以及分布差异构建损失函数，包括：

16、基于所述标签源域样本与无标签目标域样本，分别计算出源域样本的协方差矩阵以及目标域样本的协方差矩阵，基于所述源域样本的协方差矩阵以及与目标域样本的协方差矩阵，计算出协方差矩阵损失最小化项；

17、基于所述分类损失、所述分布差异以及所述协方差矩阵损失最小化项构建损失函数。

18、在一种可能的实现方式中，所述amk-mmd距离的计算式为：

19、，

20、其中，为amk-mmd距离，为第个源域样本，为第个源域样本，为第个目标域样本、为第个目标域样本，为源域样本数，为目标域样本数，为特征核函数，为再生核希尔伯特空间映射，为映射关系，为常数，为常数；

21、所述最优核函数的计算式为：

22、，

23、其中，为最优核函数，为核函数个数，为权重；

24、所述分类损失的计算式为：

25、，

26、其中，为分类损失，为输入样本，为对应标签，为样本数量，为交叉熵损失函数，为映射结果；

27、所述协方差矩阵损失最小化项的计算式为：

28、，

29、其中，为协方差矩阵损失最小化项，为源域样本的协方差矩阵，为目标域样本的协方差矩阵，为矩阵的frobenius范数；

30、所述损失函数的计算式为：

31、，

32、其中，为自适应层的损失函数，为输入样本，为对应标签，为交叉熵损失函数，为超参数，、为正则化器的层索引，为在第层源域与目标域分布的多核最大均值差异。

33、另一方面，本发明还提供一种基于msresnet网络的故障诊断装置，包括：

34、样本获取模块，用于获取滚动轴承的标签源域样本和无标签目标域样本；

35、网络模型构建模块，用于构建基于msresnet网络的故障诊断模型，基于所述故障诊断模型提取出源域以及目标域样本特征后，计算出源域样本的分类损失，并通过amk-mmd度量所述源域以及目标域样本特征的分布差异，基于所述分类损失以及分布差异构建损失函数，基于所述损失函数对所述故障诊断模型的参数进行更新；

36、故障诊断模块，用于基于参数更新后的所述故障诊断模型对所述无标签目标域样本进行预测，获得滚动轴承的故障诊断结果。

37、另一方面，本发明还提供一种电子设备，包括：处理器和存储器；

38、所述存储器上存储有可被所述处理器执行的计算机可读程序；

39、所述处理器执行所述计算机可读程序时实现如上所述的基于msresnet网络的故障诊断方法中的步骤。

40、另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于msresnet网络的故障诊断方法中的步骤。

41、本发明的有益效果是：构建基于msresnet网络的故障诊断模型，基于故障诊断模型提取出源域以及目标域样本特征，通过故障诊断模型的msresnet网络（多尺度一维残差网络）作为主干网络提取目标域样本和源域样本的可迁移特征，利用msresnet网络进行不同细粒度级别的特征提取，具有更强的特征提取能力，利用msresnet网络可以缓解梯度消失和梯度爆炸的问题，通过amk-mmd度量源域以及目标域样本特征的分布差异，amk-mmd度量源域和目标域输出特征之间的距离，并最小化源域和目标域特征的二阶统计量的差异，可以更好的减少源域和目标域特征的分布差异，有效的提升了域自适应故障诊断模型的故障诊断准确率和泛化能力，可以有效的应对目标域缺失带标签样本的故障诊断情况，对于复杂工况的故障诊断更具有工程意义。