[发明专利]基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法

说明书

本发明涉及故障诊断领域，特别涉及一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，本发明将结合无监督领域中的开放集领域自适应方法与对抗学习中的领域对抗网络，充分利用了无标签目标域故障样本信息，避免了现有开放集故障诊断方法因偏向于有标签源域故障样本而导致的有偏故障预测输出；本发明通过构建目标域倾斜分类器更为清晰地划分目标域中已知故障样本与未知故障样本间的边界，同时输出目标域样本的伪预测来指导目标域倾斜对抗网络的训练，提升开放集故障诊断精度。

技术领域

本发明涉及故障诊断领域，特别涉及一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法。

背景技术

机械的发展和大规模应用极大地促进了经济社会的进步。行星齿轮箱作为机械传动中的关键且精密的传动部件，总是在恶劣、极端的工作条件下工作，导致故障频发，带来巨大的经济损失。因此，迫切需要进行行星齿轮箱故障诊断研究，以保持机械设备的稳定运行，避免发生严重事故。

最近，深度学习凭借其自动提取故障特征的能力在故障诊断领域取得了长足的进步。然而，现有的基于深度学习的故障诊断模型的成功依赖于两个条件：(1)海量故障数据可用于模型训练；(2)训练数据和测试数据共享相同的数据分布。然而，在实际工业应用中，齿轮箱需要根据实际需求在不同的工作条件下运行。因此，不同工况下采集的故障数据分布各不相同。此外，在每种工作条件下收集和标注所有故障数据相当耗费资源和人力。因此，在没有故障标签信息的工况下，很难建立有效的故障诊断模型。

域自适应可以实现不同分布故障数据间的故障信息迁移，从而实现跨域(工况)的故障诊断模型构建。通常，基于域自适应的方法包括基于距离度量的方法和基于对抗学习的方法，这两类方法都已应用于故障诊断领域。目前，大多数基于领域自适应的故障诊断方法要求源域和目标域共享相同的标签空间，如图1所示，领域对抗网络(Domainadversarial neural network，DANN)的源域输入是K维度，目标域的输出也是K维度，即两个域具有相同的故障类型，这就是所谓的闭集故障诊断。然而，在可变工况条件下很难获得所有潜在故障类型的故障数据，并且在实际工业应用中随着行星齿轮箱的连续运行会出现新的故障类型。因此，源域的标签空间不能完全覆盖目标域的标签空间，也就是说源域的标签空间只是目标域的一个子集，这就是所谓的开放集故障诊断。在这种情况下，常见的基于领域自适应的方法不再起作用。

如图2所示，开放集域自适应网络(Open-set domain adaption bybackpropagation，OSBP)是一种用于开放集假设下的新型无监督对抗学习网络。与传统DANN不同的是，OSBP中的状态分类器设置为K+1维输出，最后一维度的输出用于未知故障检测，同时还构造了基于固定阈值T的二分类交叉熵损失，用于目标域未知故障的检测。这样，在保留闭集故障诊断能力的同时，使得网络也能够适应存在未知故障类型的场景，实现开放集故障诊断。然而，OSBP在网络训练的过程中，其故障分类器主要侧重于以有标签的源域故障样本知识作为指导来实现开放集故障诊断，而忽略了目标域故障样本的潜在知识，这将使得故障分类器存在偏差学习问题。具体来说，故障分类器将在训练过程中偏向于有标签的源域故障样本。此外，OSBP还需要一个固定的阈值T来实现已知故障类型和未知故障类型的边界划分，如此会忽略样本之间的分布差异。最终，故障分类器可能对目标域中的已知和未知故障进行低置信度和有偏差的预测，降低故障诊断的精度。

因此，如何改善行星齿轮箱开放集故障诊断中的低置信度和有偏差预测问题，保证故障诊断模型对已知故障识别精度的同时，划分出更为清晰的已知故障类型和未知故障类型的边界，成为本领域技术人员迫切需要攻克的难题。

发明内容