一种机械设备故障诊断方法、装置、设备及可读存储介质

1.本发明属于机械设备故障诊断技术领域，具体涉及一种机械设备故障诊断方法、装置、设备及可读存储介质。


背景技术：

2.随着现代工业的迅猛发展，机械设备已成为提高生产力、促进经济增长的基石。旋转机械设备的机械传动系统长期在恶劣的环境中工作，不可避免地会出现故障，并可能造成事故和经济损失。为了提高机械设备的可靠性和降低维护成本，已经开发了大量先进的信号处理技术和数据驱动方法用于旋转机械设备的诊断。
3.近年来，深度学习(dl)由于其具有的强大的特征提取和模式识别能力，在机械设备故障诊断领域得到广泛的应用。long等人针对多关节工业机器人的姿态数据，提出了一种基于稀疏自编码器和支持向量机的混合智能诊断模型。此外，一些研究人员提出了一种深度卷积神经网络，对原始多通道数据进行卷积，达到了理想的识别效果。li等人将混合进化算法和分层优化策略引入回声状态网络，具有良好的性能。然而，经典的dl方法需要满足一个基本假设，即训练数据和测试数据是独立的，具有相同的分布。不幸的是，在实际的工业应用中，数据往往来自不同的工作条件，例如不同的速度或负载，这些都受到环境变化的影响。由于这些数据不满足上述假设，dl方法可能会因性能下降而无法满足故障诊断的要求。此外，在工业现场很难获得足够的测试样品的标签信息。为了可靠地诊断这些故障数据，必须改变训练好的模型以适应目标样本的分布。不幸的是，这个过程需要大量的时间和资源。
4.针对上述问题，领域适应成为迁移学习(tl)中的一个重要子方向，可以有效解决实际问题。近年来，许多学者在机械设备故障诊断领域开发了各种领域自适应方法。通过同时考虑特征的完整性、可解释性和可迁移性，解决不同工作条件下的跨域诊断和基于知识的迁移问题。将边缘分布域自适应扩展到联合分布域自适应，进而提高基于深度网络的故障诊断方法的准确性。上述研究都集中在减少不同域之间的度量统计。最近，对抗性学习的想法也被用于领域适应，它通过鉴别器和分类器之间的对抗来实现故障知识迁移的效果。
5.尽管域适应的研究在故障诊断领域取得了重要的进展和突破，但上述研究工作还存在以下不足。一是对多源信息利用不足，体现在数据级融合和特征级融合上，而部署在实际设备上的传感器总是包含多传感器甚至各种类型的多模信号。目前的研究大多基于单传感器信号，并没有充分利用多源信息。另一方面，在使用深度模型进行特征提取的过程中，现有的方法只是简单地拼接和组合特征，导致难以高精度表征机器的健康状态。其次，在训练过程中，通过减小所提出的网络的特征分布差异，提出了大量的领域适应方法。然而，上述工作并没有详细处理故障分类问题中固有的标签信息。事实上，源域样本的标签与网络生成的目标域样本的伪标签之间的分布差异也可以作为优化目标。此外，同样在迁移任务的训练过程中，迁移异常样本存在一些困难，会对整个领域的适应产生不利影响，使得最终的迁移效果不尽如人意，这对故障诊断的域适应提出了更高的要求。


技术实现要素：

6.针对现有技术中存在的问题，本发明提供了一种机械设备故障诊断方法、装置、设备及可读存储介质，能够在数据级融合和特征级融合中更好地利用机械设备多源信息，具有更强大的特征提取能力，并且能够在领域自适应过程中有效利用故障分类问题中固有的标签信息和更有效地迁移异常样本。
7.为了解决上述技术问题，本发明通过以下技术方案予以实现：
8.一种机械设备故障诊断方法，包括：
9.获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号，将所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号作为源域数据集；获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，将所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号作为目标域数据集；
10.利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，其中，所述多源密集自适应对抗网络模型包括由融合卷积块和密集卷积网络依次堆叠形成的无监督特征提取器，所述融合卷积块包括并行设置的经典卷积和空洞卷积，所述无监督特征提取器后设置有故障类型分类器和域鉴别器，所述多源密集自适应对抗网络模型的损失函数为改进的跨域自适应联合损失函数；
11.实时获取所述待诊断机械设备在所述第二工况下的多源频域信号，将实时获取的所述待诊断机械设备在所述第二工况下的多源频域信号输入所述机械设备故障诊断模型，输出故障诊断结果。
12.进一步地，所述故障类型分类器由全局平均池化层、全连接层和softmax层依次堆叠形成，所述域鉴别器设置在所述故障类型分类器的全连接层后；
13.所述利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，包括：
14.设置所述多源密集自适应对抗网络模型的训练迭代次数，将所述源域数据集和所述目标域数据集输入所述多源密集自适应对抗网络模型，所述经典卷积和所述空洞卷积均对所述源域数据集和所述目标域数据集进行卷积操作，得到源域经典卷积特征集、目标域经典卷积特征集、源域空洞卷积特征集和目标域空洞卷积特征集，将所述源域经典卷积特征集和所述源域空洞卷积特征集中的特征在通道维度依次串联，得到源域融合卷积特征集，将所述目标域经典卷积特征集和所述目标域空洞卷积特征集中的特征在通道维度依次串联，得到目标域融合卷积特征集，所述密集卷积网络提取所述源域融合卷积特征集和所述目标域融合卷积特征集中的深层特征，得到源域深层特征集和目标域深层特征集；
15.所述故障类型分类器中的全局平均池化层对所述源域深层特征集和所述目标域深层特征集进行全局平均池化处理，得到源域全局平均池化特征集和目标域全局平均池化特征集；所述故障类型分类器中的全连接层对所述源域全局平均池化特征集和所述目标域全局平均池化特征集进行处理，得到源域全连接层特征集和目标域全连接层特征集；所述故障类型分类器中的softmax层对所述源域全连接层特征集和所述目标域全连接层特征集进行处理，得到源域故障类型数据集和目标域故障类型数据集；所述源域全连接层特征集和所述源域故障类型数据集通过多线性映射操作组合为源域联合优化特征集，所述目标域
全连接层特征集和所述目标域故障类型数据集通过多线性映射操作组合为目标域联合优化特征集；
16.所述域鉴别器对所述源域联合优化特征集和所述目标域联合优化特征集进行域判别，得到源域域判别数据集和目标域域判别数据集；
17.利用所述源域全连接层特征集、所述目标域全连接层特征集、所述源域故障类型数据集、源域样本的样本标签、所述目标域故障类型数据集、所述源域域判别数据集和所述目标域域判别数据集计算所述改进的跨域自适应联合损失函数，并使用所述改进的跨域自适应联合损失函数、反向传播算法和adam优化器对所述多源密集自适应对抗网络模型的参数进行优化，完成一次训练，经过所述训练迭代次数的训练，生成所述机械设备故障诊断模型；其中，所述源域样本为第一工况下的多源频域信号，所述源域样本的样本标签为第一工况下的多源频域信号对应的已知故障信息。
18.进一步地，所述改进的跨域自适应联合损失函数为：
[0019][0020]
其中，
[0021][0022][0023][0024][0025][0026]
wk＝1 exp[-h(k)]
[0027][0028][0029][0030]
[0031]
式中：δc、δf和δg分别表示和函数待优化的参数；α和β是可调整的超参数，以平衡每个损失。
[0032]
是所述源域故障类型数据集中的分类预测概率和源域样本的样本标签之间的交叉熵损失函数；ns表示从所述源域数据集中输入到所述多源密集自适应对抗网络模型的样本批量大小；m为所述源域数据集包含的健康状态的数量；1{yi＝j}表示当yi＝j时取值为1，否则取值为0；yi表示从所述源域数据集中输入到所述多源密集自适应对抗网络模型的第i个源域样本的样本标签；pj是所述源域故障类型数据集中第i个源域样本属于第j个健康状态的分类预测概率；
[0033]
是所述源域全局平均池化特征集和所述目标域全局平均池化特征集之间的深度相关对齐损失函数；d是所述源域全局平均池化特征集和所述目标域全局平均池化特征集中特征的维度；‖
·
‖f是方阵的frobenius范数；ms和m
t
分别代表所述源域全局平均池化特征集和所述目标域全局平均池化特征集的协方差矩阵；n
t
是从所述目标域数据集中输入到所述多源密集自适应对抗网络模型的样本批量大小；1是包含的都为1元素的列向量；f
ps
和f
pt
分别是来自所述源域全局平均池化特征集和所述目标域全局平均池化特征集的深层特征；
[0034]
是源域和目标域间的熵条件多线性映射域对抗损失函数，其中表示最小化所述故障类型分类器g和所述无监督特征提取器f，为对来自于源域数据集的所述源域样本和所述源域样本的样本标签进行处理后求取平均值；为对来自于源域数据集的所述源域样本进行处理后求取平均值；为对来自于目标域数据集的目标域样本进行处理后求取平均值，所述目标域样本为第二工况下的多源频域信号；c(
·
,
·
)为交叉熵损失函数；和分别表示所述源域故障类型数据集中的第i个所述源域样本的分类预测概率和所述源域样本的样本标签；λ是一个可调节的超参数，它控制所述故障类型分类器损失和所述域鉴别器损失之间的平衡；表示来自所述源域数据集的第i个源域样本的熵权重，表示来自所述目标域数据集的第j个目标域样本的熵权重；wk为源域样本和目标域样本的熵权重；h(k)代表源域样本和目标域样本的熵；pk是所述源域故障类型数据集和所述目标域故障类型数据集中的样本属于第k个健康状态的分类预测概率；d(
·
)表示所述域鉴别器的域判别操作；表示来自所述源域数据集的第u个源域样本的多线性映射结果，表示来自所述目标域数据集的第j个目标域样本的多线性映射结果；t(h)表示多线性映射结果；表示普通的多线性映射，t
⊙
(
·
,
·
)表示随机多线性映射；f为所述源域全连接层特征集和所述目标域全连接层特征集中的深层特征；p是所述源域故障类型数据集和所述目标域故障类型数据集中的分类预测概率；表示所述深层特征f和所述分类预测概率p的多线性映射操作；
⊙
表示逐元素乘积；rf和r
p
分别代表从所述深层特征f和所述分类预测概率p采样的随机矩阵；d为多线性映射的维数；df为所述深层特征f的维数；d
p
为所述分类预测概率p的维数。
[0035]
进一步地，所述获取与待诊断机械设备相同或同类型机械设备在第一工况下的已
知故障信息的多源频域信号：
[0036]
获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源时域信号；
[0037]
采用快速傅里叶变换对所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源时域信号进行转换，得到所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号。
[0038]
进一步地，所述获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，包括：
[0039]
获取待诊断机械设备在第二工况下的未知故障信息的多源时域信号；
[0040]
采用快速傅里叶变换对所述待诊断机械设备在第二工况下的未知故障信息的多源时域信号进行转换，得到所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号。
[0041]
进一步地，所述实时获取待诊断机械设备在所述第二工况下的多源频域信号，包括：
[0042]
实时获取待诊断机械设备在第二工况下的多源时域信号；
[0043]
采用快速傅里叶变换对所述待诊断机械设备在第二工况下的多源时域信号进行转换，得到所述待诊断机械设备在所述第二工况下的多源频域信号。
[0044]
一种机械设备故障诊断装置，包括：
[0045]
获取模块，用于获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号，将所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号作为源域数据集；获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，将所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号作为目标域数据集；
[0046]
训练模块，用于利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，其中，所述多源密集自适应对抗网络模型包括由融合卷积块和密集卷积网络依次堆叠形成的无监督特征提取器，所述融合卷积块包括并行设置的经典卷积和空洞卷积，所述无监督特征提取器后设置有故障类型分类器和域鉴别器，所述多源密集自适应对抗网络模型的损失函数为改进的跨域自适应联合损失函数；
[0047]
输出模块，用于实时获取所述待诊断机械设备在所述第二工况下的多源频域信号，将实时获取的所述待诊断机械设备在所述第二工况下的多源频域信号输入所述机械设备故障诊断模型，输出故障诊断结果。
[0048]
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种机械设备故障诊断方法的步骤。
[0049]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种机械设备故障诊断方法的步骤。
[0050]
与现有技术相比，本发明至少具有以下有益效果：
[0051]
本发明提出的一种机械设备故障诊断方法，采用多源频域信号作为多源密集自适应对抗网络模型的输入，通过无监督特征提取器、故障类型分类器和域鉴别器的先进网络
结构设计，使得多源密集自适应对抗网络模型以较小的训练参数量获得更强的特征提取能力，可以更有效地融合和利用多源频域信号的信息，通过改进的跨域自适应联合损失函数构建的完整的域适应策略，实现了特征和标签信息的联合跨域优化，可以有效处理故障分类问题中固有的标签信息和更有效地迁移异常样本，可以改进实际工业设备不同工况下的跨域智能故障诊断性能。本发明构建的无监督特征提取器，包括密集卷积网络和融合卷积块，用于提取多源频域信号的深层融合特征，融合卷积块中的经典卷积和空洞卷积的并行设置可以提取多源频域信号的多尺度深层特征并对信息进行有效融合，并通过密集卷积网络的密集连接方式进一步融合多源信息，使多源密集自适应对抗网络模型以较少的参数量实现多源密集自适应对抗网络模型的深化以提取更高级的特征，提升网络的运行效率。所构建的新型的无监督特征提取器构成了数据级和特征级的复合融合策略，实现了对多源信息的信息融合和有效利用。本发明提出的改进的跨域自适应联合损失函数，采用深度相关对齐损失函数和熵条件对抗域自适应策略。通过在网络中引入实现了深度相关对齐对算法进行度量，可有效减少源域多源数据和目标域多源数据的分布差异。在熵条件对抗域自适应策略中，通过熵条件多线性映射域对抗损失函数实现故障分类任务中特征和标签信息的联合优化，以充分利用故障分类问题中固有的标签信息，通过对抗域自适应的方法实现了全局特征分布的域适配，应用熵权重可以有效地减小具有负迁移效应的训练样本对域自适应的影响。所构建的联合损失函数可以在全局特征分布和局部特征分布两个层次对源域多源数据和目标域多源数据进行学习和有效的域适配。本发明基于多源密集自适应对抗网络模型的机械设备故障诊断方法，结合多传感器数据级和特征级的信息融合、深层特征的自动学习和提取、自适应特征域适配方法，可以有效地处理工业生产中来自设备不同工况下的多个传感器的信息，对机械大数据时代下的多源信息进行处理和融合，为机械设备变工况下的健康监测和故障诊断提供了一个有效的工具，适用于复杂的机械系统故障诊断工业场景。
[0052]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0053]
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0054]
图1为本发明一种机械设备故障诊断方法的流程图；
[0055]
图2为本发明具体实施方式中的技术流程图；
[0056]
图3为本发明多源密集自适应对抗网络模型的具体结构；
[0057]
图4为本发明具体实施方式中所述的扩张率a＝2和内核大小d＝2的融合卷积的结构；
[0058]
图5为本发明具体实施方式中所述的密集块的网络结构；
[0059]
图6为具本发明具体实施方式中cwru数据集的分类结果；
[0060]
图7为本发明具体实施方式中cwru数据集的特征可视化，其中，(a)cnn，
[0061]
(b)ddc，(c)d-coral，(d)adda，(e)sdaan，(f)mdaan；
[0062]
图8为本发明具体实施方式中cwru数据集的混淆矩阵分析，其中，(a)cnn，(b)ddc，(c)d-coral，(d)adda，(e)sdaan，(f)mdaan。
具体实施方式
[0063]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
作为本发明的某一具体实施方式，如图1所示，一种机械设备故障诊断方法，具体包括以下步骤：
[0065]
步骤1、获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号，将所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号作为源域数据集；获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，将所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号作为目标域数据集。
[0066]
具体地说，所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号，具体如下：
[0067]
获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源时域信号；
[0068]
采用快速傅里叶变换对所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源时域信号进行转换，得到所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号。
[0069]
具体地说，所述获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，具体如下：
[0070]
获取待诊断机械设备在第二工况下的未知故障信息的多源时域信号；
[0071]
采用快速傅里叶变换对所述待诊断机械设备在第二工况下的未知故障信息的多源时域信号进行转换，得到所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号。
[0072]
步骤2、利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，其中，所述多源密集自适应对抗网络模型包括由融合卷积块和密集卷积网络依次堆叠形成的无监督特征提取器，所述融合卷积块包括并行设置的经典卷积和空洞卷积，所述无监督特征提取器后设置有由全局平均池化层、全连接层和softmax层依次堆叠形成的故障类型分类器，所述无监督特征提取器的全连接层后设置有域鉴别器，所述多源密集自适应对抗网络模型的损失函数为改进的跨域自适应联合损失函数。
[0073]
具体地说，所述利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，包括：
[0074]
a.设置所述多源密集自适应对抗网络模型的训练迭代次数，将所述源域数据集和
所述目标域数据集输入所述多源密集自适应对抗网络模型，所述经典卷积和所述空洞卷积均对所述源域数据集和所述目标域数据集进行卷积操作，得到源域经典卷积特征集、目标域经典卷积特征集、源域空洞卷积特征集和目标域空洞卷积特征集，将所述源域经典卷积特征集和所述源域空洞卷积特征集中的特征在通道维度依次串联，得到源域融合卷积特征集，将所述目标域经典卷积特征集和所述目标域空洞卷积特征集中的特征在通道维度依次串联，得到目标域融合卷积特征集，所述密集卷积网络提取所述源域融合卷积特征集和所述目标域融合卷积特征集中的深层特征，得到源域深层特征集和目标域深层特征集；
[0075]
b.所述故障类型分类器中的全局平均池化层对所述源域深层特征集和所述目标域深层特征集进行全局平均池化处理，得到源域全局平均池化特征集和目标域全局平均池化特征集；所述故障类型分类器中的全连接层对所述源域全局平均池化特征集和所述目标域全局平均池化特征集进行处理，得到源域全连接层特征集和目标域全连接层特征集；所述故障类型分类器中的softmax层对所述源域全连接层特征集和所述目标域全连接层特征集进行处理，得到源域故障类型数据集和目标域故障类型数据集；所述源域全连接层特征集和所述源域故障类型数据集通过多线性映射操作组合为源域联合优化特征集，所述目标域全连接层特征集和所述目标域故障类型数据集通过多线性映射操作组合为目标域联合优化特征集；
[0076]
c.所述域鉴别器对所述源域联合优化特征集和所述目标域联合优化特征集进行域判别，得到源域域判别数据集和目标域域判别数据集；
[0077]
d.利用所述源域全连接层特征集、所述目标域全连接层特征集、所述源域故障类型数据集、源域样本的样本标签、所述目标域故障类型数据集、所述源域域判别数据集和所述目标域域判别数据集计算所述改进的跨域自适应联合损失函数，并使用所述改进的跨域自适应联合损失函数、反向传播算法和adam优化器对所述多源密集自适应对抗网络模型的参数进行优化，完成一次训练，经过所述训练迭代次数的训练，生成所述机械设备故障诊断模型；其中，所述源域样本为第一工况下的多源频域信号，所述源域样本的样本标签为第一工况下的多源频域信号对应的已知故障信息。
[0078]
本发明中，所述改进的跨域自适应联合损失函数具体如下：
[0079][0080]
其中，
[0081][0082][0083][0084]
[0085][0086]
wk＝1 exp[-h(k)]
[0087][0088][0089][0090][0091]
式中：δc、δf和δg分别表示和函数待优化的参数；α和β是可调整的超参数，以平衡每个损失；
[0092]
是所述源域故障类型数据集中的分类预测概率和源域样本的样本标签之间的交叉熵损失函数；ns表示从所述源域数据集中输入到所述多源密集自适应对抗网络模型的样本批量大小；m为所述源域数据集包含的健康状态的数量；1{yi＝j}表示当yi＝j时取值为1，否则取值为0；yi表示从所述源域数据集中输入到所述多源密集自适应对抗网络模型的第i个源域样本的样本标签；pj是所述源域故障类型数据集中第i个源域样本属于第j个健康状态的分类预测概率；
[0093]
是所述源域全局平均池化特征集和所述目标域全局平均池化特征集之间的深度相关对齐损失函数；d是所述源域全局平均池化特征集和所述目标域全局平均池化特征集中特征的维度；‖
·
‖f是方阵的frobenius范数；ms和m
t
分别代表所述源域全局平均池化特征集和所述目标域全局平均池化特征集的协方差矩阵；n
t
是从所述目标域数据集中输入到所述多源密集自适应对抗网络模型的样本批量大小；1是包含的都为1元素的列向量；f
ps
和f
pt
分别是来自所述源域全局平均池化特征集和所述目标域全局平均池化特征集的深层特征；
[0094]
是源域和目标域间的熵条件多线性映射域对抗损失函数，其中表示最小化所述故障类型分类器g和所述无监督特征提取器f，为对来自于源域数据集的所述源域样本和所述源域样本的样本标签进行处理后求取平均值；为对来自于源域数据集的所述源域样本进行处理后求取平均值；为对来自于目标域数据集的目标域样本进行处理后求取平均值，所述目标域样本为第二工况下的多源频域信号；c(
·
,
·
)为交叉熵损失函数；和分别表示所述源域故障类型数据集中的第i个所述源
域样本的分类预测概率和所述源域样本的样本标签；λ是一个可调节的超参数，它控制所述故障类型分类器损失和所述域鉴别器损失之间的平衡；表示来自所述源域数据集的第i个源域样本的熵权重，表示来自所述目标域数据集的第j个目标域样本的熵权重；wk为源域样本和目标域样本的熵权重；h(k)代表源域样本和目标域样本的熵；pk是所述源域故障类型数据集和所述目标域故障类型数据集中的样本属于第k个健康状态的分类预测概率；d(
·
)表示所述域鉴别器的域判别操作；表示来自所述源域数据集的第i个源域样本的多线性映射结果，表示来自所述目标域数据集的第j个目标域样本的多线性映射结果；t(h)表示多线性映射结果；表示普通的多线性映射，t
⊙
(
·
,
·
)表示随机多线性映射；f为所述源域全连接层特征集和所述目标域全连接层特征集中的深层特征；p是所述源域故障类型数据集和所述目标域故障类型数据集中的分类预测概率；表示所述深层特征f和所述分类预测概率p的多线性映射操作；
⊙
表示逐元素乘积；rf和r
p
分别代表从所述深层特征f和所述分类预测概率p采样的随机矩阵；d为多线性映射的维数；df为所述深层特征f的维数；d
p
为所述分类预测概率p的维数。
[0095]
步骤3、实时获取所述待诊断机械设备在所述第二工况下的多源频域信号，将实时获取的所述待诊断机械设备在所述第二工况下的多源频域信号输入所述机械设备故障诊断模型，输出故障诊断结果。
[0096]
具体地说，所述实时获取待诊断机械设备在所述第二工况下的多源频域信号，包括：
[0097]
实时获取待诊断机械设备在第二工况下的多源时域信号；
[0098]
采用快速傅里叶变换对所述待诊断机械设备在第二工况下的多源时域信号进行转换，得到所述待诊断机械设备在所述第二工况下的多源频域信号。
[0099]
为了更加详细的对本发明进行解释说明，下面以凯斯西储大学轴承数据集为例对本发明中所述的一种机械设备故障诊断方法进行完整详细的描述。此具体实施例的技术流程如图2所示，具体描述如下。
[0100]
轴承实验在四种不同的工况下进行，包括0(l0)、1(l1)、2(l2)和3(l3)马力的电机负载。实验中处理了3种故障轴承，即滚动体故障(rf)、内圈故障(ir)、外圈故障(or)，每种故障类型由三种不同的尺寸组成：7英寸、14英寸和21英寸，加上正常状态(no)的轴承，共有10种健康状态。
[0101]
步骤1：本次采用12khz采样频率的数据集，将所述4种工况的其中任一种工况作为第一工况，其他与之不同的任一工况作为第二工况，一共设置了十二个跨域智能故障诊断任务，即l0→
l1,l0→
l2，l0→
l3,l1→
l0,l1→
l2,l1→
l3,l2→
l0,l2→
l1,l2→
l3,l3→
l0,l3→
l1,l3→
l2。
[0102]
选取各个工况下驱动端和风机端监测数据作为用于本发明提出的模型的多源时域数据，其中包含10种健康状态，每个工况下每类健康状态共有400个样本，其中200个样本划分为训练集，100个样本为测试集，100个样本为验证集，以在迭代过程中寻找最优模型参数。其中每个样本包含1024个采样点。所有的对比方法都使用驱动端的单源时域信号作为输入。其中，各跨域智能故障诊断任务中第一工况下的训练集和验证集中已知故障信息的多源时域信号为机械设备在第一工况下的已知故障信息的多源时域信号，第二工况下的训
练集中未知故障信息的多源时域信号为机械设备在第二工况下的未知故障信息的多源时域信号。其中各跨域智能故障诊断任务中第一工况下的验证集中已知故障信息的多源时域信号在模型训练过程中作为验证集来检验模型的状态，用来搜索模型的最优超参数。
[0103]
采用快速傅里叶变换对机械设备在第一工况下已知故障信息的多源时域信号进行转换，得到所述机械设备在第一工况下的已知故障信息的多源频域信号，作为源域数据集。采用快速傅里叶变换对机械设备在第二工况下的未知故障信息的多源时域信号进行转换，得到机械设备在第二工况下的未知故障信息的多源频域信号，作为目标域数据集。
[0104]
步骤2：构建多源密集自适应对抗网络(mdaan)模型并使用源域数据集和目标域数据集训练构建的mdaan模型。所构建mdaan模型的详细结构如图3所示，整个模型的网络结构设置如表1所示。
[0105]
表1 mdaan模型网络结构设置
[0106][0107]
对mdaan模型网络中重要子网络的具体结构描述如下：
[0108]
1)网络构造了一个无监督特征提取器。无监督特征提取器将融合卷积与密集卷积网络相结合，包括一个融合卷积层、三个密集-过渡块(dense-transition block)和剩余的一个密集块(dense block)，能够在扩展感受野的同时提取信号的更深层次特征。
[0109]
1.1)其中，融合卷积具体实现过程如图4所示，融合卷积涉及到并行排列两种类型的卷积：标准卷积和空洞卷积(atrous convolution)。空洞卷积在经典卷积的基础上增加了一个扩张率(dilated rate)超参数a，可以在不增加额外参数的情况下获得输入特征的多尺度信息。基于其能够任意扩展感受野的优势，空洞卷积在输入图像需要更多全局信息的问题上效果很好。与经典的卷积操作不同，空洞卷积会根据扩张率a来决定不连续卷积核的大小。假设q是经典卷积核的大小，空洞卷积的实际卷积核大小的计算公式如下。
[0110]
q＝q (q-1)(a-1)
ꢀꢀꢀ
(1)
[0111]
其中q表示空洞卷积的实际卷积核大小。
[0112]
但是，如果扩张率调整不当或在模型中仅使用了空洞卷积，则会导致部分原始信息丢失。因此，将经典卷积和空洞卷积并行排列并在通道维度串联形成融合卷积以克服上述缺点。
[0113]
1.2)其中密集卷积网络主要由两部分组成：密集块和过渡块(transition block)。在本发明构建的模型中，增长率k和压缩因子θ分别设置为25和0.5。
[0114]
1.2.1)密集块：密集块的结构如图5所示，其中密集块的密集层包含依次堆叠的批量归一化(bn)层、relu层、卷积层，每个密集块第一个密集层接收输入特征图χ0作为输入，依次输入批量归一化(bn)层、relu层、卷积层，提取新的特征图χ1。然后χ0和χ1串联起来作为第二个密集层的输入，并经过相同的步骤得到新的特征图χ2。之后，在每个密集层后面，现有的特征图将通过串联操作连接起来。具体公式可以表示如下。
[0115]
ii＝concat([χ0,
…
,χi])
ꢀꢀꢀ
(2)
[0116]
其中χ0,
…
,χi分别是第i次卷积得到的特征图，concat(
·
)表示连接操作，ii代表基于第i个连接操作中连接特征图[χ0,
…
,χi]的结果。
[0117]
同时，在密集块中还定义了一个增长率因子k，用于丰富不同类型的内部特征。假设块中第i个卷积层的通道数为k，则输入到第i个密集层的特征图数量为：
[0118]
li＝l0 k(i-1)
ꢀꢀꢀ
(3)
[0119]
其中li为输入到第i个密集层的特征图的数量，l0为输入进第一个密集层的原始的特征图数量。
[0120]
1.2.2)过渡块：过渡块的结构类似于经典cnn中的池化层，都是为了减少特征图的大小和参数的数量。一个过渡块可以分为bn层、relu层、卷积层和平均池化层。此外，为了进一步减少参数的数量，在过渡块中定义了压缩因子θ。
[0121]
2)网络在无监督特征提取器后构造了一个由全局平均池化层、全连接层和softmax层依次堆叠形成的故障类型分类器。为了健康状态分类和两层域自适应，在特征提取器之后应用全局平均池化层和全连接层。在模型的最后，softmax层作为网络的输出。这一层的神经元数量是输入数据中存在的健康状态的数量，以实现健康状态分类。
[0122]
3)网络在故障类型分类器的全连接层后构造了一个域鉴别器d。域鉴别器d的参数和结构参考文献“m.long,z.cao,j.wang,and m.i.jordan,"conditional adversarial domain adaptation,"in adv.neural inf.proces.syst.,2018,pp.1640-1650.”。其中判别器d包括三个全连接层，神经元数分别为1024、1024和1。
[0123]
在完成构建多源密集自适应对抗网络(mdaan)模型后，使用训练数据训练构建的mdaan模型。将batch size设置为为500，所有数据集的训练迭代次数设置为150次，在训练过程中，使用改进的跨域自适应联合损失函数、反向传播算法和学习率为1
×
10-3
的adam优化器对模型的参数进行优化，所有方法都使用验证集来搜索模型的最优超参数，经过设置的训练迭代次数的训练，生成机械设备故障诊断模型。更具体的，在改进的跨域自适应联合损失函数中，α和β是可调整的超参数，用来平衡每个损失。本文选取β的值为1，选取α的值为如下数学公式：
[0124][0125]
其中q是在训练过程中从0到1线性变化的因子。
[0126]
在用训练数据对模型进行训练时，通过对训练优化目标的不断优化，最终生成训练好的用于多变工况下的高性能的机械设备故障诊断模型，达到跨域故障诊断的效果。此外，每种方法重复十次，以消除偶然因素的影响。
[0127]
步骤3：采用快速傅里叶变换对第二工况下的测试集中已知故障信息的多源时域
信号进行转换，得到第二工况下测试集的多源频域信号，作为模型测试集。将模型测试集输入到训练好的机械设备故障诊断模型，得到故障诊断结果，并进一步评估模型的性能。
[0128]
为了验证本发明提供的机械设备故障诊断模型的优越性，本实施例中选择了四种基于深度网络的高级域自适应方法作为比较，这4种方法包括：
[0129]
1.深度卷积神经网络(cnn)，作为最常见的模式识别方法，cnn的具体网络结构如表2所示。整个网络采用bn层和dropout技术，使网络性能更加优越，使用学习率为1
×
10-3
的adam优化器优化模型。
[0130]
表2cnn的网络结构
[0131][0132]
2.深度域混淆(dcc)，详细过程参考文献“e.tzeng,j.hoffman,n.zhang,k.saenko,and t.j.a.p.a.darrell,"deep domain confusion:maximizing for domain invariance,"2014.”。该方法将mmd应用于深度网络，从而实现源域和目标域的域适应。使用学习率为2
×
10-2
、动量为0.9的小批量随机梯度下降(sgd)优化器来优化整个ddc模型。
[0133]
3.深度域适应的相关对齐(d-coral)，详细过程参考文献“b.sun and k.saenko,"deep coral:correlation alignment for deep domain adaptation,"in lect.notes comput.sci.,2016,pp.443-450:springer.”。deep coral扩展了coral算法，利用更强大的非线性变换，将其应用到深度网络中。使用学习率为1
×
10-4
的adam优化器对整个网络进行优化。
[0134]
4.对抗性判别域适应(adda)。详细过程参考文献“e.tzeng,j.hoffman,k.saenko,and t.darrell,"adversarial discriminative domain adaptation,"in proc.-ieee conf.comput.vis.pattern recognit,cvpr,2017,pp.7167-7176.”。对抗性判别域适应作为一种先进的对抗性域适应对比方法，使得对抗性迁移更适用于域分布偏移较大的分类问题。本次训练过程中使用了学习率为1
×
10-3
的adam优化器优化模型。
[0135]
此外，还使用了单源密集适应对抗网络(sdaan)作为对比方法，其网络结构和mdaan方法相同，但使用单源信号作为输入。为了和多源信号输入比较，融合卷积层被替换成普通卷积层。选择学习率为1
×
10-3
的adam优化器对模型进行优化。六种模型的对比结果如下：
[0136]
1)分类准确率和实验结果如图6和表3所示。很明显，本发明提出的mdaan模型和sdann的平均准确率最高，分别达到99.73％和99.39％。相比之下，在其他四种比较方法中，最高的平均准确率是adda的94.93％，比所提出的方法低约5％。但是由于这个数据集的信号组成比较简单，mdaan的准确率并不比sdaan高太多。同时，在优化相对较少的参数时
mdaan和sdaan在所有方法中获得了最好的结果。这证明了所提出的方法的优越性。
[0137]
表3 cwru数据集的分类结果(％)
[0138][0139]
2)本发明在l3→
l1任务的十次测试结果中随机选取一个来分析每种方法的领域适应能力，对该次测试结果进行t-sne可视化处理，特征分布如图7所示，从图7(e)-(f)可以看出，本文提出的mdaan和sdaan模型很好地拟合了源域和目标域的10类健康状态样本的分布，每类健康状态的样本都很好地分离开来，分类边界清晰。作为对比，根据图7(a)-(d)，其余四种方法虽然在一定程度上拟合了源域和目标域的样本分布，但拟合能力仍然有限，导致了很多误分类。因此，这些结果证明了本发明所提方法强大的分类识别能力和领域自适应能力。
[0140]
3)基于相同的任务，利用混淆矩阵进一步观察分类的结果。根据图8可以看出比较方法cnn、ddc、d-coral、adda和sdan在识别滚动体故障类别时有不同程度的分类误差。并且这些对比方法波动较大，与mdaan存在一定差距。相比之下，mdaan具有明显的优势，实现了相当高的分类准确率，具有更好的鲁棒性。
[0141]
本发明还提供了一种机械设备故障诊断装置，包括：
[0142]
获取模块，用于获取与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号，将所述与待诊断机械设备相同或同类型机械设备在第一工况下的已知故障信息的多源频域信号作为源域数据集；获取待诊断机械设备在第二工况下的未知故障信息的多源频域信号，将所述待诊断机械设备在第二工况下的未知故障信息的多源频域信号作为目标域数据集。
[0143]
训练模块，用于利用所述源域数据集和所述目标域数据集训练多源密集自适应对抗网络模型，得到机械设备故障诊断模型，其中，所述多源密集自适应对抗网络模型包括由融合卷积块和密集卷积网络依次堆叠形成的无监督特征提取器，所述融合卷积块包括并行设置的经典卷积和空洞卷积，所述无监督特征提取器后设置有故障类型分类器和域鉴别器，所述多源密集自适应对抗网络模型的损失函数为改进的跨域自适应联合损失函数。
[0144]
输出模块，用于实时获取所述待诊断机械设备在所述第二工况下的多源频域信号，将实时获取的所述待诊断机械设备在所述第二工况下的多源频域信号输入所述机械设备故障诊断模型，输出故障诊断结果。
[0145]
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现
成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种机械设备故障诊断方法的操作。
[0146]
本发明在一个实施例中，一种机械设备故障诊断方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
[0147]
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。
[0148]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0149]
本技术是参照本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0150]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0151]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0152]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员
在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。