一种基于域对抗网络和特征增强的轴承故障诊断方法

本发明涉及轴承故障诊断，尤其涉及一种基于域对抗网络和特征增强的轴承故障诊断方法。

背景技术：

1、轴承是一种精密的机械部件，广泛地应用于工业领域，机械故障可能会带来灾难性的后果，因此有效的故障诊断变得至关重要。

2、在典型的数据驱动故障诊断方法中，往往需要足够的标签数据才能很好地泛化；然而，在实际场景中，故障是罕见的，采集高质量的故障数据通常是昂贵的，这就产生标签分布有巨大差异的类别不平衡问题。

3、领域自适应作为迁移学习的子技术，被广泛地应用在轴承故障诊断上；xia等人引入基于矩匹配的距离度量来减小源域和目标域之间的距离，同时应用类内对齐训练策略匹配每个域的边缘分布和条件分布，完成类内多源故障诊断；ganin等人最早利用对抗的思想进行领域自适应，训练模型使得生成器生成的特征不能被判别器区分属于哪一个域，表明源域和目标域的数据具有基本相同的特征分布，从而得到一个较好的训练模型；zhang等人提出将对抗性训练引入边缘域融合，并探索无监督的并行数据，以实现不同机器故障的条件分布比对；上述研究都集中在同一机器不同传感器位置的轴承故障数据上，然而单一带标签的故障数据稀缺。

4、公开号为cn117194983b的专利，通过渐进式条件对抗网络进行域适应，虽然有效地将源域和目标域之间的较大转移划分为多个较小的转移，但由于对抗网络在训练过程中，容易受到对抗样本的影响，可能导致伪标签不准确，从而影响迁移过程的稳定性和最终的诊断准确率；另外，该方法主要依赖于渐进式的对抗训练来逐步迁移源域到目标域，但在这个过程中，对目标域样本的利用可能不够充分，特别是在处理复杂故障信号时，单纯的伪标签生成和迁移可能无法完全捕捉目标域的细节特征。

技术实现思路

1、针对现有方法的不足，本发明将不同传感器收集的数据投影到共享的子空间，引入域对抗性训练尽可能地对齐目标域和源域之间的特征分布；利用目标域样本融合类别信息，并运用mixup增强真实故障信号的特征，从而更稳定地建立跨域连接，实现更好地故障诊断知识泛化。

2、本发明所采用的技术方案是：一种基于域对抗网络和特征增强的轴承故障诊断方法包括以下步骤：

3、步骤一、构建滚动轴承数据集，并进行源域和目标域的划分；

4、作为本发明的一种优选实施方式，滚动轴承的状况类型包括健康、内圈故障、外圈故障和球体故障。

5、作为本发明的一种优选实施方式，内圈故障的故障程度包括：初始故障、中等故障和严重故障。

6、步骤二、构建包括域对抗网络和特征增强的对抗性域自适应模型，通过域对抗性训练减少目标域和每个源域之间的特征分布差异，从若干标记的源域中学习到的故障诊断知识迁移到单个未标记的目标域；运用多线性映射将类别信息与高级特征融合，并引入mixup增强真实故障信号特征；

7、作为本发明的一种优选实施方式，步骤二具体包括：

8、步骤21、将滚动轴承的振动数据进行fft变换，得到频域信息；

9、步骤22、将频域信息输入域对抗网络，得到频域信息高级特征xh＝g(x)；

10、作为本发明的一种优选实施方式，域对抗网络包括：特征提取器、分类器和域判别器。

11、作为本发明的一种优选实施方式，特征提取器采用卷积神经网络。

12、步骤23、构建分类器的分类交叉熵损失函数；

13、步骤24、通过特征提取器获得目标域样本的高级特征利用分类器获得伪标签运用多线性映射将类信息与高级特征融合，最后将融合的特征输入域判别器；

14、作为本发明的一种优选实施方式，多线性映射将类信息与高级特征融合的公式为：

15、

16、式中，ρ∈[0,1]，是插值特征，是插值特征的类标签，是域判别器的多重线性输入，为伪标签。

17、步骤25、定义域对抗网络的交叉熵损失函数和约束；

18、步骤26、对最小化和最大化域判别器的损失参数θd、θg以及最小化分类误差参数θc进行更新；

19、步骤27、利用梯度反转层grl对域判别器的交叉熵损失进行求解。

20、作为本发明的一种优选实施方式，基于域对抗网络和特征增强的轴承故障诊断系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于域对抗网络和特征增强的轴承故障诊断方法。

21、作为本发明的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于域对抗网络和特征增强的轴承故障诊断方法。

22、本发明的有益效果：

23、1、采用对抗性域自适应的迁移学习，从一台旋转机械的有监督数据中学习到的故障诊断知识迁移到目标设备上；首先，在源域上训练一个特征提取器；然后，引入一个域判别器，训练域判别器使其尽可能地区分源域和目标域的特征；同时，优化特征提取器以尽量减少域判别器的分类误差，这样的优化过程形成了一个对抗性的训练过程；在训练结束后，将完整的网络结构及参数迁移至目标域上；最后，用目标域数据对网络进行微调，获得更适合目标域数据分布的网络；

24、2、通过域对抗性训练减少目标域和每个源域之间的特征分布差异，将从多个标记的源域中学习到的故障诊断知识迁移到单个未标记的目标域，运用多线性映射将类别信息与高级特征融合，同时引入mixup来增强真实故障信号特征。

技术特征：

1.一种基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，步骤二具体包括：

3.根据权利要求2所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，多线性映射将类信息与高级特征融合的公式为：

4.根据权利要求2所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，域对抗网络包括：特征提取器、分类器和域判别器。

5.根据权利要求4所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，特征提取器采用卷积神经网络。

6.根据权利要求6所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，滚动轴承的状况类型包括健康、内圈故障、外圈故障和球体故障。

7.根据权利要求1所述的基于域对抗网络和特征增强的轴承故障诊断方法，其特征在于，内圈故障的故障程度包括：初始故障、中等故障和严重故障。

8.基于域对抗网络和特征增强的轴承故障诊断系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-7任一项所述的基于域对抗网络和特征增强的轴承故障诊断方法。

9.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-7任一项所述的基于域对抗网络和特征增强的轴承故障诊断方法。

技术总结本发明涉及轴承故障诊断技术领域，尤其涉及一种基于域对抗网络和特征增强的轴承故障诊断方法，包括构建滚动轴承数据集，并进行源域和目标域的划分；构建对抗性域自适应模型，通过域对抗性训练减少目标域和每个源域之间的特征分布差异，从若干标记的源域中学习到的故障诊断知识迁移到单个未标记的目标域；运用多线性映射将类别信息与高级特征融合，并引入Mixup增强真实故障信号特征。本发明将不同传感器收集的数据投影到共享的子空间，引入域对抗性训练尽可能地对齐目标域和源域之间的特征分布；利用目标域样本融合类别信息，并运用Mixup增强真实故障信号的特征，从而更稳定地建立跨域连接，实现更好地故障诊断知识泛化。技术研发人员：胡芬,郇战,李志新,沈诗怡受保护的技术使用者：常州大学技术研发日：技术公布日：2024/12/2