一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法及系统

摘要: 本发明属于但不限于机械设备故障诊断,尤其涉及一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法及系统。背景技术:1、在现代工业体系中,机械设备作为核心...
一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法及系统

本发明属于但不限于机械设备故障诊断,尤其涉及一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法及系统。

背景技术:

1、在现代工业体系中,机械设备作为核心资产,广泛部署于石油化工、风力发电、轨道交通等关键领域,其运行状态直接关系到生产安全与经济效益。随着工业自动化与智能化水平的不断提升,设备正朝着大型化、集成化、高负荷方向演进,运行环境日趋复杂。滚动轴承、齿轮等关键部件长期在变转速、变负载、强噪声等恶劣工况下运行,极易发生磨损、裂纹、断齿等故障。然而,由于不同设备在结构设计、加工装配、传感器配置及运行环境等方面存在显著差异,从某一特定设备(源域)采集的数据训练得到的故障诊断模型,直接应用于另一设备(目标域)时,往往因数据特征分布发生严重偏移(domain shift)而导致诊断性能急剧下降,甚至完全失效。这一问题在目标设备为新装机、缺乏历史故障记录或仅有极少量标注样本的场景下尤为突出,严重制约了智能诊断技术的跨设备泛化能力。

2、为解决上述技术问题,现有技术中提出了一类基于半监督域适应(semi-supervised domain adaptation)的故障诊断方法。该类方法的核心思想是分别采用最大均值差异(maximum mean discrepancy,mmd)、局部最大均值差异(local maximum meandiscrepancy,lmmd)、伪标签、自训练或对比学习等手段迁移源域知识。然而,单独或并列使用上述手段时,伪标签的可靠性与类条件分布对齐、对比特征约束之间缺少统一的样本选择依据:低可靠度伪标签可能同时污染类别子域估计和正负样本对构造;完成特征对齐后,分类器决策边界又仍可能偏向源域。尤其在目标设备只有少量真实标签的场景中,若同一批标签同时参与特征对齐和后续微调,还容易产生信息泄漏或小样本过拟合。因此,需要建立一种由可信度评价统一驱动伪标签学习、类条件分布对齐和时频对比约束,并利用与第一阶段不交叉的目标域标签校正决策边界的两阶段协同机制。

3、鉴于上述分析,现有技术存在的急需解决的技术问题为:

4、在目标域仅含少量有标签样本和大量无标签样本的跨设备故障诊断条件下,如何抑制错误伪标签在类条件分布对齐和对比学习中的累积传播,并在不破坏已对齐特征空间的情况下利用预留目标域标签校正分类器决策边界。

技术实现思路

1、针对现有技术存在的问题,本发明提供了一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法及系统,适用于工业智能运维系统在低标注成本场景下的跨设备部署。

2、本发明是这样实现的,一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法,包括如下步骤:

3、s1,采集源域设备和目标域设备的机械振动信号,构建具有完整故障类别标签的源域数据集、具有少量故障类别标签的目标域有标签数据集以及目标域无标签数据集;按故障类别将所述目标域有标签数据集分层划分为特征对齐集和参数微调集,两个集合的样本索引互不重合,所述参数微调集不参与第一阶段训练;

4、s2,对源域和目标域振动信号进行重叠滑动窗口切片和标准化,保留标准化后的时域片段,并对同一时域片段执行快速傅里叶变换,得到与所述时域片段一一对应的频域视图;

5、s3,构建包括共享参数的卷积-挤压激励特征提取器、分类器、伪标签可靠度评价单元以及耦合特征对齐单元的诊断模型,分别提取同一样本的时域特征和频域特征并形成融合特征,由所述分类器分别输出时域类别概率、频域类别概率和融合类别概率;

6、s4,在第一阶段,根据目标域无标签样本的融合预测置信度、融合特征与预测类别中心之间的距离相似度以及时域预测、频域预测和融合预测的一致性计算样本可靠度,并通过随训练进程变化的动态阈值生成可信样本集合;使动态伪标签损失、局部最大均值差异损失和类别感知时频对比损失共享所述可信样本集合,并根据各故障类别的可信样本可靠度调节相应类别的分布对齐权重,以第一阶段总损失更新所述特征提取器和分类器;

7、s5,在第二阶段,将第一阶段训练完成的特征提取器切换为冻结状态,固定卷积层、挤压激励层和批归一化层的可训练参数以及批归一化运行统计量,仅利用未参与第一阶段训练的所述参数微调集,以目标域分类交叉熵损失更新所述分类器;

8、s6,对待诊断目标设备的振动信号执行与步骤s2相同的处理,将所得时域视图和频域视图输入完成第二阶段训练的诊断模型,输出故障类别。

9、进一步,所述步骤s1中,对于目标域有标签数据集中每一故障类别的样本,按照记录的随机种子进行随机排序,并根据预设划分比例确定特征对齐集的样本数量;当按所述预设划分比例得到的样本数量小于一个或者不少于该类别样本总数时,将其分别调整为一个或者比该类别样本总数少一个,以保证特征对齐集和参数微调集在每一故障类别中均至少包含一个样本;通过样本索引去重禁止两个集合交叉使用。

10、进一步,所述步骤s3中,时域视图和频域视图由同一共享参数的特征提取器处理;所述特征提取器分别输出时域特征和频域特征,所述时域特征和频域特征经特征融合后得到融合特征;所述分类器分别接收时域特征、频域特征和融合特征,融合类别概率用于确定伪标签,三种类别概率用于确定时频预测一致性。

11、进一步,所述步骤s4中,将融合类别概率中的最大类别概率作为融合预测置信度;根据目标域无标签样本的融合特征与其预测类别中心之间的距离确定距离相似度;当时域预测类别、频域预测类别和融合预测类别相同时,将预测一致性确定为一致,否则确定为不一致;对所述融合预测置信度、距离相似度和预测一致性进行加权组合得到样本可靠度;所述动态阈值随第一阶段训练进程由初始阈值逐步增大至终止阈值,仅接收样本可靠度达到当前动态阈值且预测一致的目标域无标签样本。

12、进一步,所述局部最大均值差异损失仅使用目标域特征对齐集中的真实标签样本和所述可信样本集合中的目标域无标签样本估计目标域类别子分布;目标域特征对齐集中的真实标签样本按照预设最高可靠度计入,可信目标域无标签样本按照各自样本可靠度计入,并在对应故障类别内进行权重归一化;根据每一故障类别中可信目标域无标签样本的平均可靠度确定类别可靠度,并根据各类别可靠度调节相应类别的局部最大均值差异权重;当某一故障类别不存在可信目标域无标签样本时,仅使用该类别的真实标签样本确定目标域类别子分布。

13、进一步,所述类别感知时频对比损失使用源域真实标签、目标域特征对齐集真实标签以及可信伪标签构造正负样本对,将故障类别相同的样本构造为正样本对,将故障类别不同的样本构造为负样本对;分别计算时域特征内部的类别感知对比损失、频域特征内部的类别感知对比损失以及时域特征与频域特征之间的跨视图类别感知对比损失,并对三种对比损失进行加权组合。

14、进一步,第一阶段总损失包括源域分类交叉熵损失、经类别可靠度调节的局部最大均值差异损失、仅针对可信样本集合计算的动态伪标签交叉熵损失以及类别感知时频对比损失,第一阶段更新所述特征提取器和分类器;第二阶段仅计算目标域参数微调集的分类交叉熵损失并仅更新所述分类器,第一阶段和第二阶段分别按照各自的停止条件结束训练。

15、进一步,所述特征提取器依次包括输入卷积层、批归一化层、激活层、最大池化层、四个串联的卷积-挤压激励块、自适应平均池化层和展平层;四个卷积-挤压激励块的输出通道依次为六十四、一百二十八、二百五十六和五百一十二,并输出五百一十二维特征向量。

16、本发明还提供了一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断系统,包括:

17、数据采集与互斥划分模块,用于构建源域有标签数据集、目标域有标签数据集和目标域无标签数据集,并将目标域有标签样本按故障类别分层划分为样本索引互不重合的特征对齐集和参数微调集;

18、双视图数据预处理模块,用于对机械振动信号执行重叠滑动窗口切片和标准化,并生成同一振动信号片段一一对应的时域视图和频域视图;

19、共享特征提取与分类模块,用于通过共享参数的卷积-挤压激励特征提取器分别提取时域特征和频域特征、形成融合特征,并输出时域类别概率、频域类别概率和融合类别概率;

20、可信样本评价模块,用于依据融合预测置信度、类别中心距离相似度以及时域预测、频域预测和融合预测的一致性计算样本可靠度,并通过动态阈值生成可信样本集合;

21、耦合特征对齐模块,用于使动态伪标签损失、局部最大均值差异损失和类别感知时频对比损失共享所述可信样本集合,并依据类别可靠度调节局部最大均值差异的类别权重;

22、选择性参数微调模块,用于冻结特征提取器的可训练参数和批归一化运行统计量,仅利用参数微调集更新分类器;

23、分阶段模型训练模块,用于在第一阶段更新特征提取器和分类器,在第二阶段仅更新分类器,并分别执行对应的损失函数和停止条件;

24、故障诊断模块,用于对目标域待测机械振动信号执行双视图预处理,并将所得时域视图和频域视图输入完成第二阶段训练的诊断模型,输出故障类别。

25、本发明还提供了一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法,包括如下步骤:

26、s1,数据采集与互斥划分:采集源域设备和目标域设备的机械振动信号,构建具有完整故障类别标签的源域数据集、具有少量故障类别标签的目标域有标签数据集以及目标域无标签数据集;按故障类别对目标域有标签数据进行分层等量抽样,并按预设比例划分为特征对齐集和参数微调集,两个集合的样本索引互不重合,参数微调集不参与第一阶段训练;

27、s2,双视图数据预处理:采用固定长度重叠滑动窗口对各振动信号进行切片和标准化,保留标准化后的时域片段,并对同一片段执行快速傅里叶变换得到与其一一对应的频域视图,形成源域样本集、目标域特征对齐集、目标域参数微调集和目标域无标签集;

28、s3,模型构建:构建包括共享参数的卷积-挤压激励特征提取器、分类器、伪标签可靠度评价单元以及耦合特征对齐单元的诊断模型;所述特征提取器分别提取同一样本的时域特征和频域特征并形成融合特征,所述分类器对时域特征、频域特征和融合特征输出类别概率;

29、s4,第一阶段多策略耦合对齐:依据融合预测置信度、样本至预测类别中心的距离以及时域预测与频域预测的一致性计算目标域无标签样本的可靠度,并利用随训练轮次变化的阈值生成可信样本集合;同一可信样本集合同时用于伪标签交叉熵损失、目标域类别权重的局部最大均值差异损失以及时域、频域和时频跨视图的类别感知对比损失,通过所述可靠度进一步调节各类别的对齐权重;

30、s5,第二阶段选择性参数微调:第一阶段结束后,将共享特征提取器切换为冻结状态,固定卷积层、挤压激励层和批归一化层的可训练参数及批归一化运行统计量,仅以未参与第一阶段训练的目标域参数微调集优化分类器的交叉熵损失;

31、s6,分阶段优化与收敛:第一阶段总损失包括源域分类损失、可靠度加权局部最大均值差异损失、动态伪标签损失和类别感知时频对比损失,更新特征提取器及分类器参数;第二阶段总损失仅为目标域参数微调集的分类交叉熵损失,仅更新分类器参数,并在达到预设最大轮次或损失满足预设收敛条件时停止;

32、s7,模型测试与故障诊断:对待诊断目标设备振动信号执行与步骤s2相同的预处理,将其输入完成第二阶段训练的诊断模型,由分类器输出故障类别。

33、进一步,所述步骤s3中模型各模块的功能为:

34、共享特征提取器,用于以相同网络参数处理源域与目标域的时域视图和频域视图,提取可迁移特征;所述特征提取器采用一维卷积神经网络与挤压激励注意力机制串联的架构;

35、分类器,用于分别接收时域特征、频域特征和融合特征并输出类别概率;融合特征的类别概率用于确定伪标签,三种类别概率用于判断时频预测一致性,第二阶段仅更新所述分类器;

36、伪标签可靠度评价单元及耦合特征对齐单元,用于以同一可靠度门控结果联动动态伪标签损失、局部最大均值差异损失和类别感知对比损失,使被拒绝的目标域无标签样本不进入类别子域估计和正负样本对构造。

37、进一步,所述步骤s3中的共享特征提取器依次包括:输出通道为64、卷积核大小为7且步长为2的输入卷积层,批归一化层、relu激活层、卷积核大小为3且步长为2的最大池化层,以及四个串联的卷积-挤压激励块;四个卷积-挤压激励块的输出通道依次为64、128、256和512,挤压激励缩减率为16,最后经自适应平均池化和展平输出512维特征向量。

38、进一步,所述步骤s4中的各项损失及其耦合关系为:

39、源域分类损失采用源域真实标签的交叉熵损失,用于维持故障类别判别能力;

40、局部最大均值差异损失仅使用目标域特征对齐集中的真实标签样本和通过可靠度门控的目标域无标签样本估计目标域类别子分布,并以各可信样本的可靠度归一化值作为目标域类别权重;

41、动态伪标签损失采用带可靠度掩码的交叉熵损失;同一掩码还用于局部最大均值差异损失和类别感知对比损失,以阻断低可靠度伪标签在三个损失分量之间传播;

42、类别感知时频对比损失,根据源域真实标签、目标域特征对齐集真实标签以及可信伪标签构造正负样本对,分别计算时域内部对比损失、频域内部对比损失和时频跨视图对比损失,并按预设权重求和。

43、进一步,设目标域特征对齐集中真实标签为类别c的样本集合为,第k轮训练中被可靠度门控接收且预测为类别c的目标域无标签样本集合为,公式如下:

44、

45、对中的样本取可靠度为1,对中的样本取可靠度,记两者为,并在内归一化得到公式,如下所示:

46、

47、源域类别权重为:

48、

49、类别c的局部最大均值差异为:

50、

51、其中表示再生核希尔伯特空间映射。

52、进一步,对目标域无标签样本j,融合预测置信度为:

53、

54、距离相似度为:

55、

56、其中为融合特征,和分别为预测类别c的特征中心和类内尺度;时域、频域和融合预测类别相同时取1,否则取0。可靠度为:

57、

58、其中且各系数非负;动态阈值为:

59、

60、仅在且时接收所述样本;其中和分别为初始阈值和终止阈值,k为第一阶段最大训练轮次。

61、进一步,目标域预测类别中心由目标域特征对齐集中类别为c的真实标签特征与当前轮次中的可信伪标签特征加权得到;类别可靠度为内可靠度的平均值,并用于调节对应类别的局部最大均值差异权重。

62、进一步,第一阶段总损失为:

63、

64、其中根据类别可靠度归一化确定,;本实施例中lmmd、动态伪标签和时频对比损失的基础权重分别为1、0.1和0.5,且。

65、第二阶段总损失为:

66、

67、仅以目标域参数微调集计算;第一阶段更新共享特征提取器与分类器,第二阶段仅更新分类器。

68、本发明的另一目的在于提供一种基于特征分布对齐与决策边界微调的半监督跨设备故障诊断系统,该系统包括:

69、数据采集与互斥划分模块,用于构建源域有标签数据集、目标域有标签数据集和目标域无标签数据集,并按故障类别将目标域有标签样本分层划分为索引互斥的特征对齐集和参数微调集;

70、双视图数据预处理模块,用于对振动信号进行重叠滑动窗口切片和标准化,并生成同一样本一一对应的时域视图与频域视图;

71、可信样本耦合对齐模块,用于计算目标域无标签样本的可靠度,以同一可靠度门控结果联动伪标签学习、局部最大均值差异对齐和类别感知时频对比学习,并根据类别可靠度调节类别对齐权重;

72、选择性参数微调模块,用于冻结共享特征提取器及其批归一化运行统计量,仅利用目标域参数微调集更新分类器;

73、分阶段模型训练模块,用于在第一阶段更新共享特征提取器和分类器,并在第二阶段仅更新分类器,分别执行对应的停止条件;

74、故障诊断模块,用于将目标域待测信号转换为时域视图和频域视图并输入训练完成的模型,输出故障类别。

75、本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法的步骤。

76、本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的基于特征分布对齐与决策边界微调的半监督跨设备故障诊断方法的步骤。

77、本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端包括所述的基于特征分布对齐与决策边界微调的半监督跨设备故障诊断系统。

78、结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:

79、第一,本发明不是对伪标签、lmmd、对比学习和分类器微调的简单并列组合,而是建立了“可靠度评价—同一可信样本门控—类别可靠度加权对齐—互斥标签微调”的递进关系。动态伪标签结果同时决定目标域无标签样本是否参与伪标签交叉熵、lmmd类别子域估计以及对比正负样本对构造,从数据入口阻断低可靠度标签对多个优化目标的同步污染。

80、时域、频域和融合预测一致性以及类别中心距离共同参与可靠度评价;类别感知时频对比约束使同类时域和频域特征聚合、异类特征分离,从而为类别中心距离评价提供更稳定的特征结构;可靠度加权lmmd又进一步缩小同类跨设备特征差异。上述反馈关系使三个第一阶段模块围绕同一可信样本集合协同更新。

81、第一阶段结束后,目标域参数微调集才被启用,且其样本索引与特征对齐集互不重合。微调时固定卷积层、挤压激励层和批归一化层参数及运行统计量,仅调整分类器,因而能够在保持第一阶段跨域特征结构的同时,利用未参与对齐训练的真实标签校正目标设备决策边界。

82、通过上述两阶段数据与参数隔离机制,第一阶段负责形成类别可分且跨设备一致的特征空间,第二阶段负责适配目标域分类边界;两个阶段分别限定数据来源、损失函数和可训练参数,使冻结后的特征提取器不再被第二阶段反向传播更新。

83、第二,在两个公开数据集上完成的跨设备实验和消融实验可作为两阶段tscfd基础框架及其三个第一阶段模块共同贡献的验证依据;多指标可靠度门控和类别可靠度加权为优选实施方式,现有消融实验未对其各子指标逐项拆分。现有实验数据具体如下:

84、(1)实验在西安交通大学齿轮箱数据集与wt-行星齿轮箱数据集上统一设置正常、齿面磨损和缺齿三类状态,每种工况每类抽取400个样本,并构建a→b1~b8及b1~b8→a共16组跨设备迁移任务;目标域标签率设置为5%和10%。

85、(2)在5%目标域标签率下,完整两阶段半监督跨设备故障诊断方法(two-stagesemi-supervised cross-device fault diagnosis, tscfd)在a→b方向的平均准确率为91.82%,在b→a方向的平均准确率为92.17%;对应的基础卷积神经网络(convolutionalneural network, cnn)平均准确率分别为76.53%和78.69%,dsan平均准确率分别为87.27%和88.10%。

86、(3)在10%目标域标签率下,完整tscfd在a→b方向的平均准确率为93.60%,在b→a方向的平均准确率为93.91%;dsan平均准确率分别为90.82%和91.59%,基础cnn平均准确率分别为80.83%和81.49%。

87、(4)消融实验分别移除类别感知对比学习、动态伪标签或lmmd,并设置同时移除三者的基础模型。实验结果显示完整模型在各迁移任务上的总体表现均高于相应消融模型;在5%标签率下,完整模型与同时移除三者的基础模型相比,a→b方向平均准确率高15.29个百分点,b→a方向高13.48个百分点。

88、上述结果说明,在设备结构和转速工况均发生变化、且目标域标签稀缺的条件下,完整两阶段框架相较仅使用基础特征提取与分类器的模型保持稳定提升;相较仅采用局部最大均值差异(local maximum mean discrepancy,lmmd)的深度子域自适应网络(deepsubdomain adaptation network,dsan)亦保持更高的平均准确率。

89、本发明将类别感知对比损失限定为时域内部、频域内部和时频跨视图三个分量,不依赖可能改变振动瞬态结构的随机裁剪或旋转操作;同一原始片段的时域视图和频域视图保持一一对应,用于形成跨视图一致性约束。

90、动态阈值由初始阈值随训练轮次递增至终止阈值,并与类别中心距离和时频预测一致性共同构成接收条件,使无标签样本的参与范围随模型判别能力变化;被拒绝样本不进入lmmd类别统计和对比样本对集合。

91、对每一故障类别,本发明根据该类别可信伪标签的平均可靠度动态配置lmmd权重,避免不同类别因可信样本数量和质量不同而受到相同强度的强制对齐,降低少样本类别被错误伪标签牵引的风险。

92、目标域有标签数据采用按类别分层、集合互斥的划分方式,保证每一类别在特征对齐集和参数微调集中均保留样本,并通过样本索引去重禁止交叉使用,使第二阶段的决策边界校正具有独立的真实标签依据。

93、冻结批归一化层的仿射参数和运行均值、运行方差,可防止极少量目标域微调样本改变第一阶段形成的特征尺度;使用小于第一阶段的学习率仅更新分类器,可减少小样本微调造成的特征漂移。

94、本发明的技术效果来自各模块在样本选择、类别权重和训练阶段上的约束关系,而非仅来自损失项数量增加:第一阶段共享可信样本门控,第二阶段使用不交叉的标签集合并限定可训练参数,构成可重复执行的完整诊断流程。

95、在本发明实施例中,第一阶段使用adam优化器、学习率0.001和批量大小64;第二阶段学习率为0.0001且最多训练50轮。第一阶段与第二阶段分别判断收敛,第二阶段不再更新特征提取器。

96、以上实验数据给出了所述两阶段tscfd基础框架在特定公开数据集、迁移任务和标签率条件下的可复核依据;本发明以已测得的分类准确率和消融结果说明技术效果,不以未测量指标作为效果依据。