[发明专利]高速动车组轴承的开集故障诊断方法

说明书

本公开揭示了一种高速动车组轴承的开集故障诊断方法，包括：通过加速度传感器采集运行中的高速动车组轴承的振动信号；针对恒定工况的开集诊断场景，输入带有标签的训练数据对一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对双边加权对抗网络进行训练；利用训练数据或源域数据的特征建立极值理论模型，之后将测试样本或目标域样本的特征输入已建立的极值理论模型，输出测试样本或目标域样本属于未知故障类型的概率，若概率大于阈值，则测试样本或目标域样本属于未知故障类型，否则属于已知故障类型，根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。

技术领域

本公开属于机械故障诊断领域，尤其涉及一种高速动车组轴承的开集故障诊断方法。

背景技术

由于深度学习具有自动提取有用特征的能力，深度学习在很多机械故障诊断任务上获得了广泛的应用。然而现有的基于深度学习的故障诊断方法存在两个问题，一方面假设用于训练的有标签数据和用于测试的无标签数据具有相同的标签集，实际应用很难满足这一假设，在测试阶段故障类型是无法预测的，即测试数据的标签集可能只包含部分已知的故障类别并且可能包含未知故障。另一方面，深度学习具有良好性能的前提是训练样本和测试样本具有相同的分布，然而高速动车组的工况会发生变化，所以训练样本与测试样本的分布存在差异，导致诊断性能大大下降。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种高速动车组轴承的开集故障诊断方法。首先定义开集故障诊断问题：高速动车组在恒定工况下运行，测试数据的标签集包含部分已知的故障类别且包含未知故障；高速动车组在不同工况下运行，目标域数据的标签集包括部分已知的故障类别且包含未知故障。在训练阶段，针对高速动车组在恒定工况和不同工况下运行的情景，分别采用一维卷积神经网络和双边加权对抗网络学习区分性特征和识别故障类型，之后利用训练数据或源域数据学习的特征建立极值理论模型。在测试阶段，利用学习好的网络进行标签预测、利用极值理论模型进行未知类检测。

为实现上述目的，本公开提供以下技术方案：

一种高速动车组轴承的开集故障诊断方法，包括如下步骤：

S100：通过加速度传感器采集运行中的高速动车组轴承的振动信号。

S200：若高速动车组在恒定工况下运行，将振动信号划分为训练数据、验证数据和测试数据，训练数据、验证数据是有标签的，测试数据是无标签的，假设测试数据的标签集包含部分已知故障类型和未知故障类型。若高速动车组在不同工况下运行，则将其中一种工况下运行的振动信号划分为源域数据和验证数据，源域数据和验证数据是有标签的，另一种工况下运行的振动信号作为目标域数据，目标域数据是无标签的，假设目标域数据的标签集包含部分已知故障类型和未知故障类型。定义在上述假设下开展的故障诊断任务为开集故障诊断；

S300：针对工况恒定的开集诊断场景，建立包括特征提取器F、标签预测器G的一维卷积神经网络；针对工况变化的开集诊断场景，建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器D_ω的双边加权对抗网络；

S400：针对工况恒定的开集诊断场景，输入有标签的训练数据对所述一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练；

S500：训练完成后，利用训练数据或源域数据建立极值理论模型，用于在测试阶段检测未知类；