[发明专利]仿真数据驱动的旋转机械深度半监督迁移诊断方法

说明书

本发明属于旋转机械智能诊断技术领域，公开了仿真数据驱动的旋转机械深度半监督迁移诊断方法。利用源域数据和目标域有标签样本数据实现状态分布对齐，获取可区分性较好的诊断模型。利用源域数据和目标域无标签样本数据实现边缘分布对齐，通过对抗训练的方式将可区分性较好的诊断模型迁移到目标域无标签样本分类任务中，实现旋转机械仿真数据到实际监测数据间诊断知识的迁移。有效解决实际智能诊断方法中带标签数据不足的问题。

技术领域

本发明属于旋转机械智能诊断技术领域，涉及仿真数据驱动的旋转机械深度半监督迁移诊断方法。

背景技术

现有基于迁移学习的旋转机械故障诊断方法大多将实验室监测数据中获取的诊断知识迁移到工业设备监测数据中，将正常工况下的监测数据中获取的诊断知识迁移到极端工况下的监测数据中。然而，在现有的旋转机械迁移诊断方法中，如何获取源域数据的标签信息是一个常被忽视的问题。当源域数据的标签信息不充足时，利用源域数据学习得到的诊断模型识别能力有限，不能很好的实现源域数据到目标域数据间诊断知识的迁移。

旋转机械的仿真模型能够有效地反映旋转机械的动态运行特性。建模过程中需事先假设旋转机械的运行状态，可自然而然地获取其对应的标签信息，无需耗费额外成本对仿真数据进行标记，可以很好地解决源域数据标记问题。

发明内容

为了克服现有技术中存在的问题，提出了仿真数据驱动的旋转机械深度半监督迁移诊断方法。利用不同故障状态下的旋转机械仿真数据及其对应的标签信息构造源域数据集利用实验室或工业现场采集到的旋转机械监测数据作为目标域数据集，目标域数据集中含有少量有标签信息的监测样本数据和大量无标签信息的监测样本数据假设目标域数据有标签监测样本数据组数m_t远小于无标签监测样本数据组数m_u。本发明的半监督迁移诊断方法整体性思路如图1所示。其执行过程主要分为两个部分：第一，利用源域数据和目标域有标签样本数据实现状态分布对齐，获取可区分性较好的诊断模型。第二，利用源域数据和目标域无标签样本数据实现边缘分布对齐，通过对抗训练的方式将可区分性较好的诊断模型迁移到目标域无标签样本分类任务中，实现旋转机械仿真数据到实际监测数据间诊断知识的迁移。

本发明的具体技术方案为：

仿真数据驱动的旋转机械深度半监督迁移诊断方法，包括步骤如下：

第一步，源域数据和目标域数据的获取；

源域数据由旋转机械仿真模型求解后产生的振动响应数据组成。所述的旋转机械仿真模型包括：利用旋转机械动力学方程构造的仿真模型、利用旋转机械仿真软件构造的仿真模型；

目标域数据与普通的旋转机械迁移诊断方法中的目标域数据相同，由实验室采集的旋转机械故障数据或工业现场采集的机械设备故障数据组成；

第二步，对抗式迁移学习方法；

所述对抗式迁移学习包括四个基本模块，分别为特征提取器(FeatureExtractor,E)、特征转化器(Feature Translator,T)、域判别器(Discriminator,D)和分类器(Classifier,C)；四个模块的网络参数更新流程如图2所示。四个基本模块的网络参数更新过程主要通过两个阶段实现；第一阶段，利用源域数据和目标域少量有标签样本数据，更新特征提取器、特征转化器以及分类器的网络参数，实现源域数据与目标域数据的状态分布对齐，获取可区分性较好的诊断模型；第二阶段，利用源域数据和目标域大量无标签样本数据，迭代更新域判别器与特征转化器的网络参数，实现源域特征与目标域特征边缘分布对齐，将可区分性较好的诊断模型迁移到目标域无标签样本数据分类任务中；

网络参数更新过程中，第一和第二阶段的网络参数更新准则交替执行，实现四个基本模块的网络参数更新。