基于联合域自适应迁移学习的水电机组故障诊断方法及系统与流程

摘要: 本发明属水电机组状态监测与故障诊断,具体涉及基于联合域自适应迁移学习的水电机组故障诊断方法及系统。背景技术:1、水电站除了担任传统的发电任务,还需为风电、光电等...
基于联合域自适应迁移学习的水电机组故障诊断方法及系统与流程

本发明属水电机组状态监测与故障诊断,具体涉及基于联合域自适应迁移学习的水电机组故障诊断方法及系统。

背景技术:

1、水电站除了担任传统的发电任务,还需为风电、光电等新能源消纳服务,水轮发电机组作为水电站核心设备,在新时代发展背景下,需要面对更具复杂的水力、机械和电磁等因素的耦合影响,因此机组振动问题日益突出。

2、传统水电机组故障诊断方法多依赖专家经验、机理模型或人工提取时域、频域和时频域特征。该类方法在机理明确、工况单一且样本充足的情况下具有一定效果,但在实际工程中,机组结构复杂、测点布置差异明显、运行工况频繁变化,同一故障在不同测点位置表现出的振动幅值、频率成分和相位特性并不完全一致,单纯依靠人工特征和固定阈值难以实现稳定诊断。

3、近年来,卷积神经网络等深度学习模型被引入旋转机械及水电机组故障诊断领域。深度模型能够从原始振动信号中自动提取高维抽象特征,减少人工特征设计的依赖。然而,常规深度学习模型通常假设训练样本与测试样本服从相同或近似相同的数据分布。在实际监测场景中,源测点与目标测点、源工况与目标工况之间往往存在明显的概率分布差异,直接将源域训练得到的模型应用于目标域时,容易出现诊断精度下降、泛化能力不足甚至故障类别误判的问题。

4、为解决上述分布不一致问题,迁移学习和领域自适应方法逐渐用于故障诊断。但是仅进行边缘分布自适应时,模型主要关注源域与目标域整体特征分布的对齐,可能把不同故障类别的样本强制拉近,造成类间边界模糊和负迁移;另一方面,仅进行条件分布自适应时,需要依赖目标域伪标签,在训练初期目标域预测结果不稳定的情况下,错误伪标签会造成误差累积,使模型陷入局部最优。

5、因此,需要提出一种同时兼顾全局分布对齐和同类特征精细对齐的水电机组迁移诊断方法,使模型在目标域故障样本有限或目标域标签不足的情况下,仍能有效学习域不变特征和类别判别特征,提高跨测点、跨工况故障诊断精度和鲁棒性。

技术实现思路

1、为解决上述问题,本发明提供基于联合域自适应迁移学习的水电机组故障诊断方法,该方法通过构建源域与目标域共享的时序卷积特征提取网络,在源域分类监督的基础上,同时引入边缘分布自适应损失和条件分布自适应损失,使源域与目标域在整体分布层面和类别分布层面均得到有效对齐。

2、为解决上述技术问题,本发明所采用的技术方案是:

3、基于联合域自适应迁移学习的水电机组故障诊断方法,包括如下步骤:

4、s1:采集水电机组振动信号,并将具有故障类别标签的振动信号作为源域样本,将待诊断振动信号作为目标域样本;

5、s2:对源域样本和目标域样本进行数据预处理,所述数据预处理至少包括样本分段处理,以及对分段后的样本进行归一化处理或标准化处理,形成源域训练样本集和目标域自适应样本集;

6、s3:构建联合域自适应迁移学习网络,所述联合域自适应迁移学习网络包括共享的时序卷积特征提取模块、自适应池化模块以及共享分类器;

7、s4:将源域样本和目标域样本并行输入所述联合域自适应迁移学习网络,通过共享的时序卷积特征提取模块提取源域深层特征和目标域深层特征;

8、s5:基于源域样本真实标签计算源域分类损失,并基于最大均值差异计算源域深层特征与目标域深层特征之间的边缘分布自适应损失;

9、s6:利用共享分类器对目标域样本输出预测概率并生成目标域伪标签,根据源域真实标签和目标域伪标签计算同类样本之间的条件分布自适应损失;

10、s7:将源域分类损失、目标域伪标签分类损失、边缘分布自适应损失以及条件分布自适应损失按权重组合为总损失函数,并通过反向传播更新所述联合域自适应迁移学习网络参数;

11、s8:将训练完成的联合域自适应迁移学习网络用于目标域振动信号的故障类别识别,输出机组的故障诊断结果。

12、s1中,采集水电机组振动信号,具体为:在同一运行工况下采集不同测点位置的振动信号,或在同一测点位置采集不同运行工况下的振动信号;

13、所述不同测点位置包括:上导轴承x向测点、上导轴承y向测点、上机架x向测点和上机架y向测点中的至少两种;

14、所述不同运行工况包括:不同负荷、不同转速、不同水头条件中的至少一种。

15、s2中,样本分段采用固定长度滑动窗口方式,窗口长度根据实际采样频率与转频特性设定,相窗口之间设置预设重叠率,以增加训练样本数量并保持故障冲击信息的连续性;

16、标准化处理采用z-score标准化,其表达式为:

17、x′=(xμ)/σ;

18、式中:x为原始振动信号样本点,μ为样本均值,σ为样本标准差,x′为标准化后的样本点。

19、s3中,所述时序卷积特征提取模块包括多组一维卷积层、批归一化层、非线性激活层和最大池化层;

20、其中,首层一维卷积层采用大卷积核以提取振动信号的低频包络和宏观趋势特征,后续一维卷积层采用小卷积核以提取局部冲击、谐波及非线性故障特征;

21、所述一维卷积层的计算过程表示为:

22、;

23、式中:为上一层输入特征,为第i层卷积核,为偏置项,*表示一维卷积运算,bn表示批归一化操作,φ表示relu或其他非线性激活函数,为该层输出特征;

24、所述最大池化层在滑动窗口内保留最大响应,其计算过程可表示为:

25、;

26、式中:k为池化窗口长度,为池化后输出特征。

27、s3中,所述自适应池化模块为自适应平均池化层,将时序卷积特征提取模块提取的不同长度的多通道特征图统一映射为固定维度特征向量,计算过程可表示为:

28、;

29、式中:x为输入振动样本,为时序卷积特征提取函数,为自适应池化函数,z为固定维度深层特征向量。

30、s3中,所述共享分类器模块由全连接层和softmax输出层构成,共享分类器的输入为自适应池化模块输出的特征向量z,共享分类器的输出为故障类别概率,表达式如下:

31、;

32、式中:c为故障类别数,为样本属于第1、2、...、c类故障的概率。

33、s5中,所述边缘分布自适应损失通过最大均值差异计算,所述最大均值差异采用单一径向基核函数或多个径向基核函数的线性组合构建核矩阵,以度量源域特征分布与目标域特征分布在再生核希尔伯特空间中的距离;

34、所述边缘分布自适应损失表示为:

35、;

36、式中:为第i类源域特征,为第j类目标域特征,为核映射函数,h为再生核希尔伯特空间,为目标域批样本数量;s,t分别代表源域深层特征集合和目标域深层特征集合。

37、s5中,源域分类损失采用交叉熵损失函数,其计算式为:

38、;

39、式中:为源域批样本数量,为第i个源域样本真实标签,为第i个源域样本被预测为第c类的概率,为示性函数;c表示类别总数。

40、s6中,所述条件分布自适应损失,根据故障类别分别计算,对于每一故障类别,将源域中属于该故障类别的样本特征与目标域中伪标签属于该故障类别的样本特征,进行最大均值差异约束,具体表达式如下:

41、;

42、式中:表示条件分布自适应损失函数;c表示总类别数;c表示当前遍历的类别索引;表示在再生核希尔伯特空间中的平方范数;h表示再生核希尔伯特空间,即特征映射的目标空间;(·)表示非线性特征映射函数,将原始特征z映射到高维空间h中;表示源域中属于类别c的样本总个数;表示源域中第i个样本的特征向量;表示源域中所有属于类别c的样本特征向量的集合;表示源域中类别c所有样本特征映射后在h空间中的均值向量;表示目标域中属于类别c的样本总个数;表示目标域中第j个样本的特征向量;表示目标域中所有属于类别c的样本特征向量的集合;表示目标域中类别c所有样本特征映射后在h空间中的均值向量。

43、s6中,目标域伪标签通过共享分类器的最大预测概率确定,并设置置信度阈值;

44、目标域伪标签表达式为:

45、;

46、式中:表示第j个目标域样本的伪标签;为第j个目标域样本被预测为第c类的概率;c表示类别索引;c表示故障类别总数;表示取使后面表达式达到最大值时的c值;

47、基于目标域伪标签,伪标签分类损失为:

48、;

49、式中:为第j个目标域样本被预测为第c类的概率;表示目标域上的加权分类损失值;是目标域样本的总数量;表示外层求和,遍历从第1个到第个所有目标域样本;表示内层求和,遍历所有故障类别;表示指示函数;

50、随着联合域自适应迁移学习网络参数的更新,目标域伪标签在每次迭代中重新生成,不作为固定标签保存;当目标域样本最大预测概率低于所述置信度阈值时,不将该目标域样本纳入条件分布自适应损失计算。

51、s7中,所述总损失函数为:

52、;

53、式中:为总分类损失,为边缘分布自适应损失,为条件分布自适应损失,为分类计算损失;为预设权重系数,用于调节边缘分布自适应损失、条件分布自适应损失以及分类损失在总损失函数中的贡献比例;

54、所述分类计算损失包括源域分类损失、目标域伪标签分类损失。

55、s7中,采用adam优化器或带动量的随机梯度下降优化器更新模型参数,并在训练过程中监测目标域验证损失、目标域诊断准确率或源域与目标域特征距离,当综合性能指标,即总损失函数,达到预设收敛条件时保存最优诊断模型。

56、基于联合域自适应迁移学习的水电机组故障诊断系统,包括数据采集模块、数据预处理模块、迁移诊断模型构建模块、联合域自适应训练模块、故障诊断模块、结果展示与预警模块;

57、数据采集模块,用于采集机组的振动信号,并将采集到的振动信号输出至所述数据预处理模块;

58、数据预处理模块,用于接收所述振动信号,并对振动信号进行样本分段、归一化或标准化处理并构建源域样本和目标域样本,并将所述源域样本和所述目标域样本分别输出至所述迁移诊断模型构建模块和所述联合域自适应训练模块;

59、迁移诊断模型构建模块,用于接收所述源域样本和所述目标域样本的样本维度信息,并构建包括共享时序卷积特征提取模块、自适应池化模块和共享分类器的联合域自适应迁移学习网络;

60、联合域自适应训练模块,用于计算源域分类损失、目标域伪标签分类损失、边缘分布自适应损失和条件分布自适应损失,并依据总损失函数训练所述联合域自适应迁移学习网络;

61、故障诊断模块,用于所述数据预处理模块实时输出的目标域样本,将所述目标域样本输入所述最优迁移诊断模型,输出故障类别及对应置信度至所述结果展示与预警模块;

62、结果展示与预警模块,用于展示故障诊断结果、模型准确率、混淆矩阵或特征可视化结果,并在识别出异常状态时输出预警信息。

63、基于联合域自适应迁移学习的水电机组故障诊断系统还包括模型存储模块和故障案例库;

64、所述模型存储模块用于存储训练完成的最优诊断模型及其参数;

65、所述故障案例库用于存储机组振动信号、测点信息、工况信息、故障类别、模型预测结果以及对应的特征分布信息。

66、本发明的主要有益效果在于:

67、(1)有效解决了传统故障诊断方法在跨测点、跨工况场景下诊断精度下降的问题:

68、本发明通过构建源域与目标域共享的时序卷积特征提取网络,直接从原始振动信号中自动提取深层故障特征,避免了人工特征设计的主观性和局限性;同时通过联合域自适应训练,使模型在跨测点、跨工况迁移场景下仍能保持较高的诊断精度,实施例验证本发明在6组跨测点迁移任务中的平均诊断准确率达到96.6%,显著优于常规深度模型。

69、(2)克服了常规深度学习模型在训练样本与测试样本分布不一致时泛化能力不足的缺陷:

70、本发明通过最大均值差异度量源域与目标域在再生核希尔伯特空间中的分布距离,并以该距离作为边缘分布自适应损失参与网络训练,迫使网络学习到域不变的特征表示,有效缩小了源域与目标域之间的分布差异,提升了模型在目标域上的泛化性能。

71、(3)解决了单一分布自适应方法中边缘分布自适应易导致类间边界模糊的问题:

72、本发明在边缘分布自适应的基础上,进一步引入条件分布自适应损失,针对每一故障类别,将源域中属于该类别的样本特征与目标域中伪标签属于该类别的样本特征进行同类约束,使同一故障类别在源域和目标域中的特征分布实现细粒度对齐,从而在缩小域间整体差异的同时保持类别判别边界清晰,有效抑制了负迁移现象。

73、(4)解决了条件分布自适应中训练初期目标域伪标签不准导致误差累积的问题:

74、本发明通过设置置信度阈值,仅在目标域样本最大预测概率高于阈值时才将其纳入条件分布自适应损失计算,有效抑制了低置信度伪标签引入的噪声;同时通过联合源域分类损失共同约束网络训练方向,使网络在目标域伪标签不稳定的训练初期仍能保持正确的分类判别能力,避免了误差累积导致的模型退化。

75、(5)实现了边缘分布自适应与条件分布自适应的协同优化,兼顾域间全局对齐与类别内局部对齐。

76、本发明将源域分类损失、目标域伪标签分类损失、边缘分布自适应损失和条件分布自适应损失按权重组合为总损失函数,通过反向传播联合优化,使网络在训练过程中同时完成以下目标:保持源域分类精度、缩小源域与目标域整体分布差异、实现同类故障特征在域间的细粒度对齐,从而在整体分布层面和类别分布层面均得到有效对齐,显著提升了跨测点、跨工况迁移场景下的诊断性能。