[发明专利]基于对抗局部最大均值差异的多模态工业过程故障诊断方法

说明书

本发明公开了基于对抗局部最大均值差异的多模态工业过程故障诊断方法，小样本条件下目标模态故障诊断方法的过程包括：对过程序列数据进行滑动窗口截取，获得二维故障诊断输入样本；通过卷积特征提取器提取多模态过程数据的局部动态特征；引入梯度反转层使卷积特征提取器和领域判别器形成对抗关系，以对抗的方式提取模态间领域不变特征，实现全局分布对齐；将局部最大均值差异(LMMD)度量嵌入到类标签预测器的全连接层，结合目标模态无标签样本的伪标签信息精确实现类级对齐。本发明所述的多模态故障诊断方法，在基于对抗训练的基础上引入LMMD子域对齐，来实现关键过程知识的迁移，最终有效提升跨域故障诊断性能。

技术领域

本发明涉及基于数据驱动的过程监测与故障诊断领域，特别是涉及一种针对多模态工业过程小样本条件下故障诊断提出的一种基于对抗局部最大均值差异的多模态工业过程故障诊断方法。

背景技术

故障监测与故障诊断技术对工业过程的安全生产起着至关重要的作用。生产需求的变化、外界环境的影响、产品原料的波动、过程单元设备的损坏等因素导致过程运行于不同的工况，使工业过程呈现出多模态的特点。在不同的操作模态下，过程统计特性存在较大的差异，如果使用同一个操作模态的故障诊断模型，则其他模态的故障诊断性能将显著下降。因此，为了保证多模态工业过程的安全可靠运行、提高产品质量、及时判定故障的具体类型，研究多模态工业过程的故障诊断具有积极重大的实际价值。

传统的基于多元统计的单模型过程故障诊断方法在多模态工业过程故障诊断中表现较差，这些模型仅仅能够用于具有相似过程特性的模态，由于提取的信息不充分，很容易造成大量的误分类现象。为每个操作模态分别建立故障诊断子模型，能充分拟合多模态过程中所有操作模态的数据分布，进而显著提升多模态过程的故障诊断精度。深度学习因其强大的特征提取能力被广泛应用在工业过程监测与故障诊断领域，常见的网络主要有：自编码器网络(AE)、卷积神经网络(CNN)、长短期记忆网络(LSTM)等。然而，为操作模态建立一个性能良好的深度学习故障诊断模型需要海量的过程故障数据进行训练。刚刚投产的目标模态运行时间较短，有标签故障样本收集不充分，为目标模态建立基于深度学习的故障诊断模型较为困难。当前，深度无监督领域自适应故障诊断方法能够解决目标模态有标签故障样本匮乏导致的无法有效建模的问题，该方法大致分为两类：一类是基于分布度量差异的方法，一类是基于领域对抗的方法。

基于分布度量差异的方法旨在将知识从具有大量带标签的源域迁移到未带标签的目标域，消除跨域分布之间的差异，以构建有效的目标域故障诊断模型。在基于分布度量差异的方法中，常用的分布度量有：最大均值差异(MMD)、中心矩差异(CMD)、二阶统计量匹配以及相关性对齐(CORAL)等。Lu等提出了一种基于深度卷积领域自适应的故障诊断框架，使用MMD来衡量不同领域之间的分布差异，通过最小化MMD来对齐源域和目标域之间的数据分布。Jia等提出了一种基于MMD的评估标准，从工业大数据中挖掘合适的数据用于机器预测和健康管理。然而，这些均为最小化全局差异的方法，仅仅对齐故障数据的边缘分布，过分地缩小两个领域数据的分布差异，有可能使不同类别之间的距离过近，使得故障诊断精度下降。

基于领域对抗方法的网络结构由特征提取器、类标签预测器、领域判别器三部分组成，通过引入梯度反转层，使特征提取器和领域判别器形成对抗的形式，从而在训练的过程中使得领域判别器最大化分布差异、特征提取器最小化分布差异。该方法能够学习源域和目标域数据在特征空间中的领域不变性，并利用这些领域不变特征表示消除领域间数据分布的偏移。Wang等提出了一种深度对抗领域自适应网络，使用基于Wasserstein距离的领域对抗训练从原始信号中学习域不变特征，使源模型的故障特征迁移到新的目标模型中，提高了目标域的故障诊断性能。Zhao等提出了一种基于深度多尺度对抗的机械故障诊断迁移网络，采用决策边界辅助对抗学习策略消除领域分布差异，得到了良好的跨域故障诊断性能。然而，这些基于领域对抗的方法也仅仅是领域间全局分布的对齐，目标模态故障样本可能会被从源模态学习到的决策边界错误分类，该方法并没有考虑到域间相同类别的对齐，最终导致领域在错误的方向对齐。