一种基于迁移学习的小样本故障诊断计算方法与流程

本发明涉及工业设备状态监测与预测性维护领域，尤其涉及一种基于迁移学习的小样本故障诊断计算方法。

背景技术：

1、小样本故障诊断主要应用于机械设备状态监测、工业设备预测性维护和智能制造诊断场景。现有故障诊断方法通常依赖大量带标签故障样本，通过时域特征、频域特征、时频特征和运行状态特征建立故障类别识别模型。当目标设备故障样本数量较少、故障类别标注不足、运行工况发生变化时，传统诊断模型容易出现训练数据不足、跨工况泛化能力弱和目标域识别精度下降的问题。

2、现有迁移学习故障诊断方法能够将源域故障样本中的诊断知识迁移至目标域小样本场景，但多数方法主要采用整体分布对齐方式，未能充分区分不同故障类别之间的迁移差异，也难以刻画源域故障样本、目标域小样本与稳定故障机理之间的对应关系。现有图卷积故障诊断方法通常基于样本相似度构建图结构，节点连接关系主要依赖特征距离，缺少对故障机理响应关系的约束，导致跨域图特征传播过程中容易引入与目标故障无关的干扰信息。

3、此外，现有元学习分类方法多采用固定类别原型完成小样本匹配，面对目标域故障特征偏移时，原型结构更新能力不足，难以兼顾源域类别知识保持和目标域局部差异表达。

4、因此，如何提供一种基于迁移学习的小样本故障诊断计算方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于迁移学习的小样本故障诊断计算方法，本发明基于统一故障样本数据生成故障诊断特征数据，构建锚迁mdgcn模型和异构迁移图，通过锚点图卷积单元生成跨域故障图特征和故障机理锚点特征，通过类条件双向门控对抗单元生成域偏移门控权重，并基于域偏移门控权重生成迁移对齐故障特征，再通过原型裂变回收单元生成目标故障类别原型结构和目标域故障诊断结果，具备小样本故障诊断准确性高、跨域迁移稳定性强和目标域故障类别匹配可靠的优点。

2、根据本发明实施例的一种基于迁移学习的小样本故障诊断计算方法，包括如下步骤：

3、采集源域故障样本数据、目标域小样本故障数据和目标域待诊断样本数据，进行信号分段、噪声抑制、幅值归一化和时间窗口对齐，生成统一故障样本数据；

4、基于统一故障样本数据提取故障特征，编码生成故障诊断特征数据；

5、构建锚迁mdgcn模型，包括锚点图卷积单元、类条件双向门控对抗单元和原型裂变回收单元；

6、基于故障诊断特征数据，构建源域故障样本节点、目标域小样本节点和故障机理锚点节点，生成异构迁移图；

7、将异构迁移图输入锚点图卷积单元，进行图特征传播，生成跨域故障图特征和故障机理锚点特征；

8、基于跨域故障图特征生成源域类别原型，结合故障机理锚点特征，在类条件双向门控对抗单元中，执行跨域偏移计算，生成域偏移门控权重；

9、基于域偏移门控权重控制源域类别原型对应的迁移对齐强度，对跨域故障图特征进行类条件迁移对齐，生成迁移对齐故障特征；

10、将迁移对齐故障特征和故障诊断特征数据输入原型裂变回收单元，生成目标域子原型，将目标域子原型接入源域类别原型，执行原型回收处理和故障类别匹配，生成目标域故障诊断结果。

11、可选的，所述源域故障样本数据、目标域小样本故障数据和目标域待诊断样本数据都包括数据来源标识。

12、可选的，所述生成故障诊断特征数据包括：

13、基于统一故障样本数据，按照对应的数据来源标识，进行样本来源区分，保留源域故障样本数据和目标域小样本故障数据对应的故障类别标识，保留目标域待诊断样本数据对应的待诊断标识；

14、基于源域故障样本数据对应的样本片段、目标域小样本故障数据对应的样本片段和目标域待诊断样本数据对应的样本片段，分别进行时域冲击分析，提取时域冲击特征，分别进行频域变换处理，提取频域故障特征，分别进行时频分解处理，提取时频能量特征，分别提取对应的运行状态数据，并进行状态量提取，提取运行状态特征；

15、将同一样本片段对应的时域冲击特征、频域故障特征、时频能量特征和运行状态特征按照固定字段顺序进行拼接，形成每个样本片段对应的故障特征，执行数值尺度统一和字段位置编码，生成故障诊断特征数据；

16、基于故障诊断特征数据中的数据来源标识、故障类别标识和待诊断标识，确定故障诊断特征数据中的源域故障特征、目标域小样本特征和目标域待诊断特征。

17、可选的，所述构建锚迁mdgcn模型包括：

18、调用mdgcn模型的原始结构，包括图卷积特征提取结构、域对抗结构和度量元学习分类结构；

19、基于图卷积特征提取结构，将样本图输入位置改造为异构迁移图输入位置，构建锚点图卷积单元；

20、基于域对抗结构，将单向域判别位置改造为源域到目标域方向和目标域到源域方向的双向域判别位置，构建类条件双向门控对抗单元；

21、基于度量元学习分类结构，保留目标域样本特征与源域样本原型之间的相似度度量方式，将源域样本原型替换为源域类别原型，将目标域样本特征拆分为目标域小样本特征和目标域待诊断特征，构建原型裂变回收单元；

22、完善模型中锚点图卷积单元、类条件双向门控对抗单元和原型裂变回收单元之间的单元连接关系；

23、基于锚点图卷积单元、类条件双向门控对抗单元和原型裂变回收单元，组合生成锚迁mdgcn模型。

24、可选的，所述生成异构迁移图包括：

25、基于故障诊断特征数据，按照数据来源标识区分源域故障特征和目标域小样本特征，将源域故障特征对应构建为源域故障样本节点，将目标域小样本特征对应构建为目标域小样本节点；

26、基于源域故障特征和目标域小样本特征，提取稳定故障响应，按照故障类别标识进行归并，生成锚点特征模板；

27、基于锚点特征模板，按照故障类别标识进行节点化处理，确定该故障类别对应的稳定故障响应代表，构建故障机理锚点节点，并绑定对应的故障类别标识和锚点特征模板；

28、将源域故障样本节点对应的源域故障特征与故障机理锚点节点绑定的锚点特征模板进行字段对应匹配，生成源域故障样本节点与故障机理锚点节点之间的源域响应强度，设置源域样本到锚点连接边，并将源域响应强度确定为边权重；

29、将目标域小样本节点对应的目标域小样本特征与故障机理锚点节点绑定的锚点特征模板进行字段对应匹配，生成目标域小样本节点与故障机理锚点节点之间的目标域响应强度，设置目标样本到锚点连接边，并将目标域响应强度确定为边权重；

30、基于源域样本到锚点连接边、目标样本到锚点连接边及对应的边权重，沿故障机理锚点节点至源域故障样本节点和目标域小样本节点的方向设置锚点到样本反馈边，设置跨域样本连接边，生成异构迁移图。

31、可选的，所述生成跨域故障图特征和故障机理锚点特征包括：

32、将异构迁移图输入锚点图卷积单元，确定锚点图卷积单元的图特征传播对象和边权重来源；

33、基于源域样本到锚点连接边和目标样本到锚点连接边，将源域故障样本节点对应的源域故障特征、目标域小样本节点对应的目标域小样本特征，按照对应的边权重向故障机理锚点节点进行加权聚合，生成故障机理锚点节点聚合结果；

34、基于故障机理锚点节点聚合结果和锚点到样本反馈边，沿故障机理锚点节点至源域故障样本节点和目标域小样本节点的方向进行反馈传播，生成源域故障样本节点传播结果和目标域小样本节点传播结果；

35、基于跨域样本连接边，在连接至同一故障机理锚点节点且故障类别标识一致的源域故障样本节点和目标域小样本节点之间进行图特征传播，将源域故障样本节点传播结果和目标域小样本节点传播结果按照跨域样本连接边进行交互更新，生成源域故障样本节点更新结果和目标域小样本节点更新结果；

36、基于源域故障样本节点更新结果、目标域小样本节点更新结果和故障机理锚点节点聚合结果，按照数据来源标识和故障类别标识进行特征组织，生成跨域故障图特征；

37、基于故障机理锚点节点聚合结果，按照绑定的故障类别标识和锚点特征模板，进行节点表示保留，生成故障机理锚点特征。

38、可选的，所述生成域偏移门控权重包括：

39、基于跨域故障图特征，按照数据来源标识和故障类别标识，提取源域故障样本节点对应的跨域故障图特征，执行均值聚合，生成源域类别原型；

40、按照数据来源标识提取目标域小样本节点对应的跨域故障图特征，进行类别归并，生成目标域小样本对应图特征；

41、基于源域类别原型、目标域小样本对应图特征、跨域故障图特征和故障机理锚点特征，输入类条件双向门控对抗单元，确定同一故障类别标识下的源域类别原型、目标域小样本对应图特征和故障机理锚点特征；

42、基于同一故障类别标识下的源域类别原型和目标域小样本对应图特征，沿源域到目标域方向执行跨域偏移计算，生成正向偏移结果；

43、基于同一故障类别标识下的目标域小样本对应图特征和源域类别原型，沿目标域到源域方向执行跨域偏移计算，生成反向偏移结果；

44、基于同一故障类别标识下的故障机理锚点特征，对正向偏移结果和反向偏移结果进行锚点约束处理，生成锚点约束正向偏移结果和锚点约束反向偏移结果；

45、基于锚点约束正向偏移结果和锚点约束反向偏移结果，对同一故障类别标识下的跨域偏移差异进行融合计算，生成双向偏移融合结果；

46、基于双向偏移融合结果和故障机理锚点特征，比较双向偏移融合结果与故障机理锚点特征之间的匹配差异，生成源域类别原型对应的域偏移门控权重。

47、可选的，所述生成迁移对齐故障特征包括：

48、基于跨域故障图特征中保留的数据来源标识和故障类别标识，将跨域故障图特征划分为源域类别图特征和目标域小样本图特征，源域类别图特征与源域类别原型对应，目标域小样本图特征与目标域小样本特征对应；

49、基于源域类别原型对应的域偏移门控权重，将同一故障类别标识下的源域类别原型、源域类别图特征和目标域小样本图特征进行对应绑定，将域偏移门控权重确定为源域类别原型对应的迁移对齐强度；

50、基于迁移对齐强度，将目标域小样本图特征作为对齐参照，对同一故障类别标识下源域类别图特征进行加权调整，缩减源域类别图特征与目标域小样本图特征之间的跨域差异，生成源域类别图特征的加权调整结果；

51、基于故障机理锚点特征和目标域小样本图特征，对源域类别图特征的加权调整结果进行锚点约束，生成类条件对齐图特征；

52、基于类条件对齐图特征，对同一故障类别标识下的源域类别原型、源域类别图特征和目标域小样本图特征进行类别边界保持处理，生成边界保持图特征；

53、基于边界保持图特征，按照数据来源标识、故障类别标识和待诊断标识进行组织，生成迁移对齐故障特征。

54、可选的，所述生成目标域故障诊断结果包括：

55、将迁移对齐故障特征和故障诊断特征数据中的目标域小样本特征输入原型裂变回收单元，并调用源域类别原型和故障机理锚点特征，建立迁移对齐故障特征、目标域小样本特征、源域类别原型和故障机理锚点特征之间的对应关系；

56、基于同一故障类别标识下的目标域小样本特征和源域类别原型，比较目标域小样本特征与源域类别原型的差异，生成目标域小样本特征与源域类别原型之间的偏移关系；

57、基于同一故障类别标识下的目标域小样本特征和故障机理锚点特征，比较目标域小样本特征与故障机理锚点特征的匹配程度，生成目标域小样本特征与故障机理锚点特征之间的响应关系；

58、基于偏移关系和响应关系，确定裂变小样本特征，提取裂变小样本特征对应的目标域局部特征；

59、基于目标域局部特征、源域类别原型和故障机理锚点特征，确定目标域融合比例、源域保持比例和锚点约束比例，执行归一化生成融合比例，并基于融合比例，将目标域局部特征、源域类别原型和故障机理锚点特征进行加权融合，生成目标域子原型；

60、基于目标域子原型对应的故障类别标识，将目标域子原型接入相同故障类别标识下的源域类别原型，在目标域子原型与源域类别原型之间设置父子原型连接，设置连接权重；

61、基于目标域待诊断特征，计算目标域待诊断特征与每个目标域子原型之间的匹配程度，汇总生成目标域待诊断特征对目标域子原型的响应关系；

62、基于目标域待诊断特征对目标域子原型的响应关系，执行原型回收处理，当响应关系达到回收判断阈值时，保留目标域子原型和父子原型连接，当响应关系低于回收判断阈值时，删除目标域子原型与源域类别原型之间的父子原型连接，并回收连接权重；

63、基于原型回收处理结果和故障类别标识，对相同故障类别标识下的源域类别原型、保留后的目标域子原型、保留后的父子原型连接、回收连接权重后的源域类别原型进行归并，生成目标故障类别原型结构；

64、基于目标故障类别原型结构，对目标域待诊断特征进行故障类别匹配，生成目标域故障诊断结果。

65、本发明的有益效果是：

66、首先，本发明通过故障诊断特征数据构建源域故障样本节点、目标域小样本节点和故障机理锚点节点，并基于响应关系生成异构迁移图，使源域故障样本数据和目标域小样本故障数据能够围绕稳定故障机理建立图结构关联。相比仅依赖样本相似度进行迁移的方式，本发明能够利用故障机理锚点节点约束跨域特征传播过程，减少源域数据与目标域数据之间因工况差异、采集条件差异造成的迁移偏差，提高小样本故障诊断过程中的特征表达稳定性。

67、其次，本发明通过锚迁mdgcn模型中的锚点图卷积单元、类条件双向门控对抗单元和原型裂变回收单元形成连续处理结构，使跨域故障图特征、故障机理锚点特征、源域类别原型、域偏移门控权重和迁移对齐故障特征之间形成明确的数据传递关系。类条件双向门控对抗单元以源域类别原型为单位执行跨域偏移计算，并通过域偏移门控权重控制迁移对齐强度，避免全局域对齐导致不同故障类别边界被压缩的问题，从而提高源域类别原型向目标域小样本特征迁移时的类别保持能力。

68、此外，本发明通过原型裂变回收单元根据目标域小样本特征与源域类别原型之间的偏移关系、目标域小样本特征与故障机理锚点特征之间的响应关系生成目标域子原型，并根据目标域待诊断特征对目标域子原型的响应关系执行原型回收处理，生成目标故障类别原型结构。该处理方式能够在目标域样本数量较少的情况下保留有效目标域故障特征，同时回收对诊断贡献不足的目标域子原型，降低噪声小样本对故障类别匹配结果的干扰，提高目标域故障诊断结果的准确性和可靠性。