一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统

摘要: 本发明涉及旋转机械故障诊断,具体为一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统。背景技术:1、滚动轴承是旋转机械设备中用于支承旋...
一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统

本发明涉及旋转机械故障诊断,具体为一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统。

背景技术:

1、滚动轴承是旋转机械设备中用于支承旋转部件和传递载荷的重要基础部件,其长期运行于高速、重载或交变载荷条件下时容易产生磨损、点蚀、裂纹等损伤,若未及时发现和处理,可能引发整机系统故障,因此,基于振动信号对滚动轴承进行状态监测和故障诊断,是设备运行维护中的重要技术环节。

2、相关技术中,传统故障诊断方法依赖人工特征设计,在工况变化时难以保持稳定表征能力,深度学习方法虽能直接提取特征,但要求训练数据与待诊断数据具有相同分布,而实际工业设备中转速、载荷等条件变化会导致跨工况数据分布差异,现有领域自适应方法虽尝试减小分布差异,但仍存在以下缺陷:(1)特征提取方式难以兼顾振动信号的整体统计信息与多尺度局部时序结构;(2)伪标签筛选采用固定或单一变化规律的置信度阈值,易造成错误伪标签累积和类别接纳不均衡;(3)跨域分布对齐时未区分不同样本的可迁移程度和预测可靠性,易发生类别原型偏移和跨域语义错配;(4)边缘分布对齐与类别条件分布对齐采用固定权重,难以根据训练阶段动态协调两种对齐方式的贡献。

3、因此,有必要提供一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统以解决上述问题。

技术实现思路

1、本发明的目的在于提供一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法及系统,以解决上述背景技术中提出的问题,本发明的技术方案在于:

2、本发明提供一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断方法,包括如下步骤:

3、s1:获取至少一个源运行工况下具有故障类别标签的轴承振动样本作为源域样本,并获取目标运行工况下缺少故障类别标签的轴承振动样本作为目标域样本;

4、s2:将所述源域样本和目标域样本输入共享参数的分层特征表征网络,获得表征振动信号整体统计信息的第一层级特征以及表征局部冲击和多尺度时序结构的第二层级特征;

5、s3:将所述第一层级特征输入第一健康状态分类器,将所述第二层级特征输入第二健康状态分类器,并根据两个健康状态分类器对目标域样本的预测类别是否一致,对目标域样本执行第一阶段伪标签筛选;

6、s4:统计各故障类别已接纳的目标域伪标签数量,并根据所述已接纳数量与对应类别接纳配额之间的偏差,调整各故障类别对应的动态置信度阈值,根据目标域样本的预测置信度与对应动态置信度阈值之间的关系执行第二阶段伪标签筛选;

7、s5:根据源域样本的第二层级特征构建源域类别原型,计算目标域样本的第二层级特征与对应预测类别的源域类别原型之间的归一化距离,并根据所述归一化距离与动态距离阈值之间的关系执行第三阶段伪标签筛选,获得目标域伪标签样本;

8、s6:利用第一领域判别器对源域与目标域的第一层级特征执行领域对抗训练,实现源域与目标域之间的边缘分布对齐;

9、s7:根据所述第一领域判别器的判别结果确定源域样本迁移权重,并根据所述源域样本迁移权重构建源域加权类别原型,根据目标域伪标签样本的预测不确定性确定目标域样本可靠性权重,并根据所述目标域样本可靠性权重构建目标域加权类别原型;

10、s8:根据所述源域加权类别原型和目标域加权类别原型构建传输代价矩阵,并通过带正则项的最优传输获得类别条件分布对齐损失;

11、s9:根据源域监督分类损失、目标域伪标签监督损失、边缘分布对齐损失和类别条件分布对齐损失训练轴承故障诊断模型,并利用训练完成的轴承故障诊断模型输出待诊断轴承的健康状态或故障类别。

12、优选的,采集轴承在不同运行工况下的振动信号,所述运行工况包括不同转速、不同载荷、不同径向力、不同采集位置和不同环境噪声条件中的至少一种;

13、对连续振动信号进行样本切分和幅值归一化处理,将具有健康状态标签或故障类别标签的历史工况样本构建为源域数据集,将待诊断工况下未设置故障类别标签的样本构建为目标域数据集;

14、其中,源域数据集与目标域数据集具有相同的故障类别空间,且由于运行工况不同,源域样本与目标域样本服从不同的数据分布,目标域数据集包括用于模型自适应训练的无标签目标域样本和用于模型诊断的目标域待诊断样本。

15、优选的,建立源域和目标域共享参数的分层特征表征网络,所述分层特征表征网络包括多尺度特征提取主干、全局统计特征分支和多尺度时序结构特征分支;

16、多尺度特征提取主干设置多个具有不同时间感受野的一维卷积分支以及池化分支,对输入的轴承振动样本进行并行特征提取,并将各分支输出进行拼接和残差融合,以获得包含不同时间尺度局部冲击信息的共享特征;

17、全局统计特征分支对所述共享特征沿时间维度执行全局聚合,获得反映轴承振动信号整体能量分布和统计变化规律的全局统计特征;

18、多尺度时序结构特征分支按照多个时间划分尺度将所述共享特征划分为多个时间子区间,分别对各时间子区间执行自适应池化,并将不同划分尺度下的池化结果进行展开和拼接,获得反映局部冲击位置、时序演化过程和多尺度结构信息的多尺度时序结构特征;

19、所述全局统计特征作为第一层级特征,用于健康状态分类和源域与目标域的边缘分布对齐,所述多尺度时序结构特征作为第二层级特征,用于故障类别分类、伪标签筛选及类别条件分布对齐。

20、优选的,建立第一健康状态分类器和第二健康状态分类器,将源域样本的全局统计特征输入第一健康状态分类器,将源域样本的多尺度时序结构特征输入第二健康状态分类器,并利用源域样本的真实故障类别标签对两个分类器进行监督训练;

21、将目标域样本分别输入第一健康状态分类器和第二健康状态分类器,获得目标域样本对应的第一预测概率、第二预测概率以及相应的预测类别,并将两组预测结果输入状态反馈伪标签筛选模块;

22、在模型训练过程中,对两个分类器在目标域样本上的预测概率差异进行约束,以降低两个特征分支之间的决策偏差,提高目标域样本预测结果的稳定性。

23、优选的,对目标域样本依次执行预测一致性筛选、类平衡动态置信度筛选和归一化原型距离筛选;

24、首先,比较第一健康状态分类器与第二健康状态分类器对同一目标域样本输出的预测类别,仅将两个分类器预测类别相同的目标域样本确定为候选伪标签样本;

25、其次,统计各故障类别在当前训练阶段已接纳的候选伪标签数量,并将各故障类别的已接纳数量与对应的类别接纳配额进行比较,获得类别接纳偏差,根据所述类别接纳偏差和当前训练进程,分别调整各故障类别对应的动态置信度阈值;

26、当某一故障类别的伪标签接纳数量高于对应的类别接纳配额时,提高该故障类别的动态置信度阈值,以降低该类别后续目标域样本的接纳概率,当某一故障类别的伪标签接纳数量低于对应的类别接纳配额时,降低该故障类别的动态置信度阈值,以增加该类别候选样本的接纳数量;

27、进一步地,根据源域有标签样本的多尺度时序结构特征,计算各故障类别对应的源域类别原型,对于通过预测一致性筛选和动态置信度筛选的目标域样本,计算其多尺度时序结构特征与对应预测类别的源域类别原型之间的距离,并根据对应类别的类内分布尺度对所述距离进行归一化;

28、将归一化后的原型距离与对应类别的动态距离阈值进行比较,仅保留归一化原型距离不大于动态距离阈值的目标域样本;

29、所述动态距离阈值根据训练进程逐步调整,使模型在训练初期保留目标域样本的分布多样性,并在训练后期增强对目标域样本类别空间位置的约束,类别置信度阈值、距离阈值、类别接纳数量、类别接纳配额、类别原型和类内分布尺度随模型训练过程进行更新,形成状态反馈闭环;

30、仅将同时满足双分类器预测类别一致、预测置信度达到对应类别动态置信度阈值以及归一化原型距离不大于对应动态距离阈值的目标域样本确定为高可信度目标域伪标签样本。

31、优选的,所述建立领域判别器,将源域样本和目标域样本的全局统计特征输入领域判别器,通过特征提取网络与领域判别器之间的对抗训练,减小源域与目标域在全局统计特征空间中的差异,实现第一层级的边缘分布对齐;

32、根据领域判别器对源域样本输出的目标域相似度,确定各源域样本的迁移权重,源域样本与目标域分布越接近,其对应的迁移权重越大;源域样本与目标域分布差异越大,其对应的迁移权重越小;

33、按照源域样本的真实故障类别,利用所述迁移权重对同一故障类别的源域样本特征进行加权聚合,构建源域加权类别原型,以降低与目标工况差异较大的源域样本对跨域对齐过程的干扰;

34、对于步骤四获得的高可信度目标域伪标签样本,根据其预测概率分布计算预测不确定性,并根据预测不确定性确定目标域样本可靠性权重,目标域样本的预测不确定性越低,其可靠性权重越大,预测不确定性越高,其可靠性权重越小;

35、按照目标域伪标签类别,利用所述目标域样本可靠性权重对同一故障类别的目标域样本特征进行加权聚合,构建目标域加权类别原型;

36、根据源域加权类别原型与目标域加权类别原型之间的特征距离构建传输代价矩阵,并在满足源域类别分布和目标域类别分布边缘约束的条件下,求解带正则项的最优传输方案,根据所述最优传输方案和传输代价矩阵确定类别条件分布对齐损失,实现第二层级的类别条件分布对齐;

37、根据模型训练进程、目标域伪标签接纳状态或目标域伪标签可靠性中的至少一种,调整边缘分布对齐损失与类别条件分布对齐损失之间的平衡系数,在模型训练前期提高边缘分布对齐的作用,在目标域伪标签质量提高后增强类别条件分布对齐的作用。

38、优选的,所述构建模型的联合优化目标,所述联合优化目标至少包括源域监督分类损失、目标域伪标签监督损失、领域对抗损失和原型最优传输损失;

39、优选的,所述联合优化目标还包括双分类器预测一致性损失和基于源域样本迁移权重的源域锚点校正损失;

40、根据所述联合优化目标,对多尺度特征提取主干、全局统计特征分支、多尺度时序结构特征分支、第一健康状态分类器、第二健康状态分类器以及领域判别器进行联合训练,并在训练过程中更新动态置信度阈值、动态距离阈值、类别接纳状态、源域类别原型和目标域类别原型,直至满足预设的训练终止条件,获得训练完成的轴承故障诊断模型。

41、优选的,将待诊断工况下的轴承振动信号进行样本切分和归一化处理,并输入训练完成的轴承故障诊断模型,获得第一健康状态分类器和第二健康状态分类器输出的故障类别概率;

42、对两个分类器输出的故障类别概率进行融合,并将融合概率最大的类别确定为待诊断轴承对应的健康状态或故障类别,完成复杂变工况条件下的轴承故障诊断。

43、本发明还提供一种基于状态反馈伪标签筛选与改进最优传输的分层动态对齐轴承故障诊断系统,包括:

44、数据处理模块,用于采集不同运行工况下的轴承振动信号,对振动信号进行样本切分和归一化处理,并构建有标签源域数据集和无标签目标域数据集;

45、分层特征表征模块,用于通过多尺度特征提取主干、全局统计特征分支和多尺度时序结构特征分支,提取轴承振动信号的全局统计特征和多尺度时序结构特征;

46、双分类模块,用于根据所述全局统计特征和多尺度时序结构特征分别获得目标域样本的预测概率及预测类别;

47、状态反馈伪标签筛选模块,用于根据双分类器预测一致性、类别接纳状态驱动的动态置信度阈值以及归一化原型距离,对目标域样本进行级联筛选,并生成高可信度目标域伪标签;

48、边缘分布对齐模块,用于利用领域判别器对所述第一层级特征进行领域对抗训练,实现源域与目标域的边缘分布对齐;

49、加权类别原型构建模块,用于根据领域判别结果构建源域加权类别原型,根据目标域样本预测不确定性构建目标域加权类别原型;

50、最优传输模块,用于根据所述源域加权类别原型和目标域加权类别原型构建传输代价矩阵,通过带正则项的最优传输获得类别条件分布对齐损失;

51、联合优化训练模块,用于根据源域监督分类损失、目标域伪标签监督损失、领域对抗损失和原型最优传输损失,对所述分层特征表征模块、双分类模块和分层动态对齐模块进行联合优化;

52、故障诊断模块,用于将待诊断轴承振动信号输入训练完成的轴承故障诊断模型,并根据双分类器的融合预测结果输出轴承健康状态或故障类别。

53、与现有技术相比,本发明具有以下有益效果:

54、1.通过多尺度卷积结构提取不同时间范围内的局部冲击特征,并利用全局时间聚合和多尺度分段时间聚合分别获得全局统计特征与多尺度时序结构特征,在保留振动信号整体分布信息的同时减少局部故障冲击信息被过度平滑的问题,提高变转速、变载荷条件下故障特征的尺度适应能力和类别判别能力;

55、2.通过不是采用固定置信度阈值直接接纳目标域伪标签,而是结合双分类器预测一致性、类别伪标签接纳状态和归一化原型距离进行级联筛选,并根据模型训练进程和类别接纳偏差动态调整各类别筛选标准,使伪标签筛选规则能够随模型状态同步更新,降低易分类类别过度接纳和错误伪标签连续传播引起的确认偏置;

56、3.根据领域判别结果确定源域样本的迁移权重,使与目标工况分布接近的源域样本在源域类别原型构建中具有更高贡献,同时,根据目标域样本预测不确定性确定目标域样本可靠性权重,降低高不确定性目标域样本对目标域类别原型的干扰,从而提高两域类别原型的稳定性和跨域语义一致性;

57、4.在全局统计特征空间执行边缘分布对抗对齐,在多尺度时序结构特征空间执行加权类别原型最优传输,并根据训练状态动态协调两种对齐方式,能够减少仅进行整体分布对齐导致的类别混叠,以及直接进行条件分布对齐导致的错误类别匹配,提高无标签目标工况下轴承故障诊断的迁移稳定性和可靠性;

58、5.将振动信号特征提取、目标域伪标签筛选、源域与目标域类别原型校正及分层分布对齐构成闭环联合优化过程,能够在不需要获取目标工况故障类别标签的情况下完成轴承健康状态识别,适用于风力发电机组、高速列车、航空发动机、数控机床及其他旋转机械设备的状态监测与智能运维。