本發(fā)明屬于設(shè)備智能故障診斷相關(guān)，更具體地，涉及一種時(shí)變工況下基于偽標(biāo)簽學(xué)習(xí)的跨域故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著現(xiàn)代工業(yè)的飛速發(fā)展，旋轉(zhuǎn)機(jī)械在現(xiàn)代工業(yè)中變得更加智能化和復(fù)雜化，已經(jīng)成為智能制造、精密制造、能源動力、高速運(yùn)輸和航空航天領(lǐng)域等許多高可靠性工程領(lǐng)域不可缺少的組成部分。旋轉(zhuǎn)機(jī)械部件通常在惡劣多變的非穩(wěn)定時(shí)變工況條件下工作，這些關(guān)鍵部件的失效會造成巨大的經(jīng)濟(jì)損失和災(zāi)難性的事故。狀態(tài)監(jiān)測和故障診斷可以有效地提高運(yùn)行可靠性，減少機(jī)械故障造成的經(jīng)濟(jì)損失。因此，在現(xiàn)代工業(yè)生產(chǎn)過程中，時(shí)變轉(zhuǎn)速工況下設(shè)備的監(jiān)控和智能故障診斷具有重要意義，能夠有效確保大型設(shè)備的安全穩(wěn)定運(yùn)行。

2、當(dāng)機(jī)械設(shè)備在不斷變化的條件下工作(如變速和可變負(fù)載)會導(dǎo)致故障特征頻率和振幅范圍連續(xù)而不規(guī)則地波動，增加了故障診斷的難度。傳統(tǒng)的信號處理方法無法準(zhǔn)確區(qū)分，同時(shí)樣本的分布存在顯著差異，會導(dǎo)致幅度發(fā)生劇烈變化，數(shù)據(jù)之間的類內(nèi)和類間分布將紊亂，類內(nèi)差異增大，類間差異減小，同種故障特征分散，離散程度較大，不同故障特征之間重疊在一起難以識別，增加診斷任務(wù)的難度?；谛盘柼幚淼臅r(shí)頻分析方法致力于降低時(shí)頻面上的噪聲，將時(shí)頻能量集中到時(shí)頻脊線上，提高時(shí)頻表示的分辨率，以凸顯故障特征信息，但是依賴較高的專家經(jīng)驗(yàn)知識，同時(shí)，當(dāng)多種信號成分疊在一起的時(shí)候，很難獲取故障信息?；跈C(jī)器學(xué)習(xí)的故障診斷技術(shù)受限于低的手工的數(shù)據(jù)處理能力，診斷識別性能較低，點(diǎn)斷性能極大的依賴手動的特征選擇，難以發(fā)揮出其優(yōu)越的性能。基于深度學(xué)習(xí)診斷方法具有更強(qiáng)的數(shù)據(jù)挖掘能力，可以自動從數(shù)據(jù)中學(xué)習(xí)特征，并通過深度網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行故障識別。深度學(xué)習(xí)模型在自適應(yīng)學(xué)習(xí)框架中集成了相互獨(dú)立的特征提取、特征選擇和分類步驟，以實(shí)現(xiàn)從數(shù)據(jù)輸入到故障診斷的端到端對故障進(jìn)行識別，使監(jiān)控任務(wù)更加智能化。

3、現(xiàn)有的基于深度學(xué)習(xí)的設(shè)備故障診斷方法通常是在穩(wěn)態(tài)條件下訓(xùn)練的，嚴(yán)格的假設(shè)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)具有相同的分布；但是，在實(shí)際的診斷場景中，設(shè)備通常在非穩(wěn)態(tài)時(shí)變工況下運(yùn)行的，設(shè)備的啟停、加速、減速，速度波動過程導(dǎo)致故障特征頻率和振幅范圍連續(xù)而不規(guī)則地波動，時(shí)變工況下采集的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分布存在巨大的差異，故障樣本類內(nèi)差異增大，類間差異減小，同種故障特征分散，不同種故障聚集重疊在一起，導(dǎo)致診斷性能的下降。也就是說，實(shí)際應(yīng)用中設(shè)備通常在時(shí)變工況下工作運(yùn)行的，特征的變化導(dǎo)致傳統(tǒng)的深度學(xué)習(xí)模型性能退化，故障診斷準(zhǔn)確率大大降低。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種時(shí)變工況下基于偽標(biāo)簽學(xué)習(xí)的跨域故障診斷方法及系統(tǒng)，解決現(xiàn)有時(shí)變工況下故障診斷方法故障識別準(zhǔn)確率低的問題。

2、為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種提供了一種時(shí)變工況下基于偽標(biāo)簽學(xué)習(xí)的跨域故障診斷方法，該方法包括：

3、離線訓(xùn)練階段：

4、采集一種時(shí)變工況下故障樣本信號并標(biāo)注各個(gè)樣本信號的故障標(biāo)簽，以此作為有標(biāo)簽的源域，采集另一種時(shí)變工況下故障樣本信號，以此作為無標(biāo)簽的目標(biāo)域；

5、構(gòu)建多個(gè)預(yù)測單元，包括第一預(yù)測單元、第二預(yù)測單元和第三預(yù)測單元，所述第一預(yù)測單元的輸入為所述源域中的樣本信號，所述第二預(yù)測單元和第三預(yù)測單元的輸入均為所述目標(biāo)域中的樣本信號，各個(gè)預(yù)測單元輸出均為樣本信號對應(yīng)的各種故障標(biāo)簽的預(yù)測概率；

6、構(gòu)建多個(gè)損失函數(shù)，包括第一損失函數(shù)、第二損失函數(shù)、第三損失函數(shù)、第四損失函數(shù)和總損失函數(shù)，所述第一損失函數(shù)用于計(jì)算第一預(yù)測單元輸出的預(yù)測概率與所述源域的故障標(biāo)簽概率之間的差異；所述第二損失函數(shù)用于計(jì)算輸入的第一預(yù)測單元和第三預(yù)測單元的樣本信號之間的分布差異；所述第三損失函數(shù)用于計(jì)算輸入第二預(yù)測單元的樣本信號之間的類間混淆度；所述第四損失函數(shù)用于計(jì)算由第二預(yù)測單元輸出的最大預(yù)測概率生成的偽標(biāo)簽與第三預(yù)測單元的預(yù)測概率之間的差異；所述總損失函數(shù)為第一損失函數(shù)、第二損失函數(shù)、第三損失函數(shù)和第四損失函數(shù)加權(quán)求和；總損失函數(shù)最小時(shí)對應(yīng)的各個(gè)預(yù)測單元為最優(yōu)的預(yù)測單元；

7、在線測試階段：

8、將實(shí)時(shí)采集的樣本信號輸入最優(yōu)的預(yù)測單元中，輸出各個(gè)故障標(biāo)簽對應(yīng)的預(yù)測概率，預(yù)測概率最大對應(yīng)的故障標(biāo)簽即為所述實(shí)時(shí)采集的樣本信號對應(yīng)的故障標(biāo)簽。

9、進(jìn)一步優(yōu)選地，所述第一預(yù)測單元、第二預(yù)測單元和第三預(yù)測單元均包括樣本增強(qiáng)模塊、特征提取器和分類器，所述樣本增強(qiáng)模塊用于對輸入的源域或目標(biāo)域中的樣本信號進(jìn)行樣本增強(qiáng)，所述特征提取器用于將增強(qiáng)后的樣本進(jìn)行特征提取然后將提取的特征傳遞給所述分類器，所述分類器的輸入為來自所述特征提取器提取的特征，輸出樣本信號對應(yīng)的各種故障標(biāo)簽的預(yù)測概率。

10、進(jìn)一步優(yōu)選地，所述第二預(yù)測單元中的樣本增強(qiáng)模塊是對目標(biāo)域中的樣本信號進(jìn)行弱增強(qiáng)，所述第三預(yù)測單元中的樣本增強(qiáng)模塊是對目標(biāo)域中的樣本信號進(jìn)行強(qiáng)增強(qiáng)。

11、進(jìn)一步優(yōu)選地，所述特征提取器采用1d-resnet18神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

12、進(jìn)一步優(yōu)選地，所述第一損失函數(shù)的關(guān)系式如下：

13、

14、其中，lce是源域樣本的第一損失，是源域第i個(gè)弱增強(qiáng)樣本，s是源域，是源域第i個(gè)弱增強(qiáng)樣本的真實(shí)概率分布，是源域第i個(gè)弱增強(qiáng)樣本經(jīng)過神經(jīng)網(wǎng)絡(luò)后的預(yù)測概率分布，是源域第i個(gè)弱增強(qiáng)樣本的預(yù)測標(biāo)簽，ns是源域共包含n個(gè)樣本。

15、進(jìn)一步優(yōu)選地，所述第二損失函數(shù)的關(guān)系式如下：

16、

17、其中，lcmmsd是樣本x的第二損失，φc是柯西核函數(shù)，是源域第i個(gè)弱增強(qiáng)樣本，是源域第j個(gè)弱增強(qiáng)樣本，s是源域，是第i個(gè)強(qiáng)增強(qiáng)樣本，是目標(biāo)域第j個(gè)強(qiáng)增強(qiáng)樣本，t是目標(biāo)域，m是每個(gè)訓(xùn)練批次源域樣本個(gè)數(shù)，n是每個(gè)訓(xùn)練批次目標(biāo)域樣本個(gè)數(shù)。

18、進(jìn)一步優(yōu)選地，所述第三損失函數(shù)的關(guān)系式如下：

19、

20、其中，lccm是第三損失，是歸一化的類混淆，c是源域樣本故障類別數(shù)目。

21、進(jìn)一步優(yōu)選地，所述第四損失函數(shù)的關(guān)系式如下：

22、

23、其中，lpce是第四損失函數(shù)，b是批處理尺寸大小，μ是滿足閾值要求的樣本的比例參數(shù)，e是兩個(gè)概率分布的交叉熵?fù)p失函數(shù)，是目標(biāo)域第j個(gè)強(qiáng)增強(qiáng)樣本，r是目標(biāo)域強(qiáng)增強(qiáng)樣本，是目標(biāo)域第j個(gè)強(qiáng)增強(qiáng)樣本生成的偽標(biāo)簽，是目標(biāo)域強(qiáng)增強(qiáng)樣本的類概率分布，是目標(biāo)域第j個(gè)弱增強(qiáng)樣本生成的偽標(biāo)簽的類別概率分布，ind可以通過arg?maxp計(jì)算，w是目標(biāo)域弱增強(qiáng)樣本。

24、進(jìn)一步優(yōu)選地，所述總損失函數(shù)ltotal的關(guān)系式如下：

25、ltotal＝lce+λlcmmsd+lpce+γlccm

26、其中，lce、lcmmsd、lpce和lccm分別為第一損失、第二損失、第三損失和第四損；λ和γ分別是第二損失lcmmsd和第四損失的lccm的平衡參數(shù)。

27、按照本發(fā)明的另一個(gè)方面，提供了一種時(shí)變工況下基于偽標(biāo)簽學(xué)習(xí)的跨域故障診斷系統(tǒng)，其特征在于，該系統(tǒng)包括執(zhí)行器，該執(zhí)行器用于執(zhí)行上述所述的一種時(shí)變工況下基于偽標(biāo)簽學(xué)習(xí)的跨域故障診斷方法。

28、總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具備下列有益效果：

29、1.本發(fā)明構(gòu)建多個(gè)不同的預(yù)測單元和多個(gè)損失函數(shù)，對于不同的樣本信號采用不同的預(yù)測單元，然后通過多個(gè)損失函數(shù)將各個(gè)預(yù)測單元聯(lián)系在一起，通過計(jì)算最終的總損失函數(shù)最小值優(yōu)化各個(gè)預(yù)測單元，獲得預(yù)測單元預(yù)測精度高，故障診斷準(zhǔn)確率高；

30、2.本發(fā)明通過構(gòu)建第一損失函數(shù)，減少源域經(jīng)驗(yàn)風(fēng)險(xiǎn)，使得源域訓(xùn)練樣本能夠正確分類識別，學(xué)習(xí)源域故障特征知識；

31、3.本發(fā)明通過構(gòu)建第二損失函數(shù)，對源域弱增強(qiáng)樣本和目標(biāo)域強(qiáng)增強(qiáng)樣本故障特征圖在故障分布層對齊，減少時(shí)變工況帶來的域間差異，克服跨域過程中因分布差異導(dǎo)致的分類識別準(zhǔn)確度低的問題；

32、4.本發(fā)明通過構(gòu)建第三損失函數(shù)，衡量目標(biāo)域中難分類樣本的混淆程度，通過最小化該損失實(shí)現(xiàn)源域故障特征和目標(biāo)域故障特征在樣本層面的特征對齊，減少故障類內(nèi)差異大、類間差異小造成的負(fù)遷移及特征重疊難分類問題，提高混淆樣本診斷識別精度，確保難分類樣本的混淆程度最小化，使得樣本能夠被有效識別；

33、5.本發(fā)明通過構(gòu)建第四損失函數(shù)，利用目標(biāo)域弱增強(qiáng)樣本得到的具有可信賴的預(yù)測概率生成偽標(biāo)簽，作為輔助信息訓(xùn)練目標(biāo)域強(qiáng)增強(qiáng)樣本，調(diào)整分類器決策邊界到故障特征稀疏分布的區(qū)域，提高時(shí)變工況下故障診斷的準(zhǔn)確度及模型的泛化能力；

34、6.本發(fā)明提供的故障診斷方法充分利用不同故障模式故障特征不同的性質(zhì)，將實(shí)際采集的信號經(jīng)數(shù)據(jù)增強(qiáng)后輸入到1d-resnet18神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，經(jīng)網(wǎng)絡(luò)提取后的特征進(jìn)行分布層特征對齊、樣本層加權(quán)對齊和決策邊界調(diào)整訓(xùn)練模型并進(jìn)行故障模式診斷；

35、7.本發(fā)明提供的故障診斷方法通過偽標(biāo)簽一致性訓(xùn)練策略，實(shí)現(xiàn)跨時(shí)變工況條件下分類器決策邊界的調(diào)整和故障特征知識遷移，調(diào)整分類器決策邊界到故障特征稀疏分布的區(qū)域，可以有效地提高時(shí)變工況下故障診斷的準(zhǔn)確度，提高時(shí)變工況下設(shè)備智能故障診斷的水平。