CN109947086B - 基于对抗学习的机械故障迁移诊断方法及*** - Google Patents

Abstract

本发明公开了一种基于对抗学习的机械故障迁移诊断方法及***，其中，该方法包括：获取不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集和目标域测试数据集；根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型生成故障诊断模型；根据不带标签的源域训练数据集和目标域测试数据集对故障诊断模型进行训练；根据带标签的源域训练数据集和反向传播算法对训练后的故障诊断模型进行微调；将不带标签的目标域测试数据集输入微调后的故障诊断模型，输出待测试样本的故障类别。该方法通过对抗学习方法获得域不变特征，实现不同域之前的迁移，实现了对变工况机械故障的智能诊断。

Description

基于对抗学习的机械故障迁移诊断方法及***

技术领域

本发明涉及机械设备故障诊断技术领域，特别涉及一种基于对抗学习的机械故障迁移诊断方法及***。

背景技术

随着工业技术的逐步发展，对工业设备的需求不断上升，现如今的工业***集成化规模越来越大，单个设备结构也越来越复杂，同一***中不同设备之间的耦合程度也越来越高，这些因素一方面为机械设备实现复杂行为奠定坚实基础，但同时也导致整个***发生故障的几率大大增加。

现存工业***通常长期连续稳定运行，故障出现频繁低，但一旦发生故障，故障劣化速度快，故障导致威胁大，若不及时控制将会导致机毁人亡的严重事故。因此保证工业***长周期稳定运行、避免严重事故的发生具有重要的社会意义，并能够带来巨大的经济效益和社会效益。

为了保障工业***的安全性同时推动智能制造的发展，越来越多的工业复杂***利用工业物联网平台去建立设备运行状态监测***，这使得工业***采集与存储海量的工业设备运行数据，为基于数据驱动的故障诊断方法提供充足的数据源。但是机遇往往伴随着挑战，由于工业***具备环境高度复杂性、信息不完备性等特点，使得基于数据驱动的故障诊断技术在真正应用时遇到巨大的挑战。对于基于数据驱动的故障诊断技术来说，主要面临的问题来自于数据本身，由于工业设备的特点，导致了设备的故障样本收集难度大，现存的实际故障数据种类不足且样本少，这将导致数据的“不完备”性，迁移学习方法是解决这一问题的关键技术。

基于数据驱动的深度学习模型对于样本的依赖性强，需要丰富且大量的样本数据才能训练获得满足实际需要的模型。深度模型的良好效果需要同时满足两个条件：1)有充足的训练样本；2)训练数据与目标应用数据的分布应该尽可能的相似。但是在实际的故障诊断任务中，这两个条件往往难以同时满足，例如，工业***通常需要根据实际需求进行功率负荷的调整，而负荷的变化将使得采集***获得的数据空间分布发生变化，当使用低负荷条件下收集数据训练得到的模型应用于诊断高负荷条件下的数据时，模型的性能将受到大大的影响。然而，在目标应用测试条件下再次收集数据将消耗巨大的费用，很多时候更是不可能实现。由此，根据源域训练数据和目标应用测试数据对已经训练好的诊断模型进行迁移是解决这一难题的重要手段。

目前，迁移故障诊断问题尚属初步阶段，还有非常多的技术难点需要深入研究进行突破。本文提出的一种针对变工况下基于对抗学习的机械故障迁移诊断方法就是解决这一技术难题的一种有效技术方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于对抗学习的机械故障迁移诊断方法，该方法通过对抗学习方法获得域不变特征，从而实现不同域之前的迁移，实现了对变工况机械故障的智能诊断。

本发明的另一个目的在于提出一种基于对抗学习的机械故障迁移诊断***。

为达到上述目的，本发明一方面实施例提出了一种基于对抗学习的机械故障迁移诊断方法，包括：S1，获取待测试样本在不同工况下机械故障的原始信号，对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集；

S2，根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型；

S3，根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练；

S4，根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调；

S5，将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型，输出所述待测试样本的故障类别。

本发明实施例的基于对抗学习的机械故障迁移诊断方法，通过获取在不同工况下机械故障的原始信号，生成带标签的源域训练数据与不带标签的目标域测试数据；利用带标签的源域训练数据，使用反向传播算法优化作为基础诊断模型的卷积神经网络；利用不带标签的源域训练数据与目标域测试数据，通过 Wasserstein距离引导的对抗学习方法获得域不变特征，实现跨域的迁移；利用带标签的源域训练数据，使用反向传播算法对迁移模型进行微调，避免过迁移问题；将待测试的无标签目标域数据输入迁移后的模型，得到故障分类结果。

另外，根据本发明上述实施例的基于对抗学习的机械故障迁移诊断方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述S2进一步包括：

S21，将所述带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

S22，从训练数据

中抽取大小为m的数据

通过所述反向传播算法对所述卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元优化进行优化；

S23，通过优化后的所述卷积神经网络模型对测试数据

进行预测并计算准确率，若准确率小于预设准确率，则执行步骤S22，反之，则停止训练保存获得的所有参数，生成所述故障诊断模型。

进一步地，在本发明的一个实施例中，所述S3进一步包括：

利用所述不带标签的源域数据与所述不带标签的目标域数据，基于所述对抗学习的迁移方法对步骤S2生成的所述故障诊断模型进行迁移，采用所述 Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

进一步地，在本发明的一个实施例中，所述步骤S3和步骤S4具体包括：

步骤1，从所述带标签的源域训练数据集X^s与所述不带标签的待测试目标域数据集X^t中抽取大小为m的迁移训练数据

和

步骤2，使用所述反向传播算法优化域评价网络D_j和全连接层Fc_j：

步骤3，从所述带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

步骤4，使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C；

步骤5，当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成所述故障诊断模型的迁移训练与微调；否则返回步骤1，重新执行步骤1～5。

进一步地，在本发明的一个实施例中，所述步骤S3还包括：

迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征学习过程，当源域训练数据与目标域训练数据之间的分布无偏差时，则再获得域不变的特征映射。

为达到上述目的，本发明另一方面实施例提出了一种基于对抗学习的机械故障迁移诊断***，包括：数据生成模块，用于获取待测试样本的不同工况下机械故障的原始信号，对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集；

模型生成模块，用于根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型；

模型训练模块，用于根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练；

模型微调模块，用于根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调；

诊断模块，用于将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型，输出所述待测试样本的故障类别。

本发明实施例的基于对抗学习的机械故障迁移诊断***，通过获取在不同工况下机械故障的原始信号，生成带标签的源域训练数据与不带标签的目标域测试数据；利用带标签的源域训练数据，使用反向传播算法优化作为基础诊断模型的卷积神经网络；利用不带标签的源域训练数据与目标域测试数据，通过 Wasserstein距离引导的对抗学习方法获得域不变特征，实现跨域的迁移；利用带标签的源域训练数据，使用反向传播算法对迁移模型进行微调，避免过迁移问题；将待测试的无标签目标域数据输入迁移后的模型，得到故障分类结果。

另外，根据本发明上述实施例的基于对抗学习的机械故障迁移诊断***还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述模型生成模块，包括：数据分配单元、优化单元和确定单元；

所述数据分配单元，用于将所述带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

所述优化单元，用于从训练数据

中抽取大小为m的数据

通过所述反向传播算法对所述卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元优化进行优化；

所述确定单元，用于通过优化后的所述卷积神经网络模型对测试数据

进行预测并计算准确率，在准确率大于预设准确率时，则停止训练保存获得的所有参数，生成所述故障诊断模型。

进一步地，在本发明的一个实施例中，所述模型训练模块还用于，

利用所述不带标签的源域数据与所述不带标签的目标域数据，基于所述对抗学习的迁移方法对生成的所述故障诊断模型进行迁移，采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

进一步地，在本发明的一个实施例中，所述模型训练模块和所述模型微调模块还用于，

从所述带标签的源域训练数据集X^s与所述不带标签的待测试目标域数据集 X^t中抽取大小为m的迁移训练数据

和

并使用所述反向传播算法优化域评价网络D_j和全连接层Fc_j：

从所述带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C；

当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成所述故障诊断模型的迁移训练与微调。

进一步地，在本发明的一个实施例中，所述模型训练模块，还用于，

迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征学习过程，当源域训练数据与目标域训练数据之间的分布无偏差时，则再获得域不变的特征映射。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断方法流程图；

图2为根据本发明一个具体实施例的基于对抗学习的机械故障迁移诊断方法流程图；

图3为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断模型的总体方案示意图；

图4为根据本发明一个实施例的D→B迁移任务中对源域训练数据的基础模型特征可视化示意图；

图5为根据本发明一个实施例的D→B迁移任务中对目标域测试数据的基础模型特征可视化示意图；

图6为根据本发明一个实施例的D→B迁移任务中对源域训练数据的迁移模型特征可视化示意图；

图7为根据本发明一个实施例的D→B迁移任务中对目标域测试数据的迁移模型特征可视化示意图；

图8为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断***结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法及***。

首先将参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法。

图1为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断方法流程图。

如图1所示，该基于对抗学习的机械故障迁移诊断方法包括以下步骤：

在步骤S1中，获取待测试样本在不同工况下机械故障的原始信号，对不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集。

具体地，获取在不同工况下机械故障的原始信号，整理并生成第1种工况下带标签的源域训练数据集

和第2种工况不带标签的待测试目标域数据集

其中

和

分别是数据集X_s和X_t的第i和第j 个样本，每个样本中有n个数据点，m^s和m^t分别是两个数据集的样本总数，

是数据集X_s的第i个样本的故障类别标签。

在步骤S2中，根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型。

具体地，利用带标签的源域训练数据

使用反向传播算法训练由卷积层与全连接层构建的深度卷积神经网络模型，获得能够对训练数据能够准确分类的故障诊断模型。

可以理解的是，卷积神经网络是使用卷积计算方法替代通用矩阵计算的一种神经网络。典型的卷积计算是针对图像分类来说的，二维卷积定义为：

针对机械故障的迁移故障诊断问题，处理的均是1维振动信号，因此，本发明实施例使用一维卷积神经网络。通过公式(1)容易看出，当m等于1时，二维卷积转变为一维卷积。一维卷积计算公式如下：

其中，

是第l个卷积层尺度为n×1×j属于

的第j个卷积核；

是第i 个输入的信号片段；b_ij是偏差；φ是激活函数。

对于本方发明实施例故障分类问题来说，需要在连续的卷积层之后加入全连接层输出分类结果，全连接层的公式定义如下：

y^l＝φ(W^ly^l-1+b^l) (3)

其中，W^l是两层全连接层直接的权重参数，y^l-1是上层的特征映射，b^l是当前层的偏差。

使用反向传播方法对故障分类的卷积神经网络进行训练，分类网络包括用于提取数据集的多层故障特征的卷积特征映射网络单元M(其参数为θ_M)和用于建立故障特征与样本标记之间映射的全连接分类网络单元C(其参数为θ_c)，模型的损失定义为SoftMax函数预测概率分布和源域数据标签的One-hot编码之间的交叉熵:

其中，

是指示函数，

是第k维的预测分布值，K是类别数量。

进一步地，在本发明的一个实施例中，步骤S2具体包括：

S21，将带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

S22，从训练数据

中抽取大小为m的数据

使用反向传播算法优化卷积神经网络中的卷积特征映射网络单元M与全连接分类网络单元C，按照如下公式更新卷积神经网络：

S23，通过优化后的卷积神经网络模型对测试数据

进行预测并计算准确率，若准确率小于预设准确率Thre_c，则执行步骤S22，反之，则停止训练保存获得的所有参数，生成故障诊断模型。

在步骤S3中，根据不带标签的源域训练数据集、不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对故障诊断模型进行迁移训练。

进一步地，利用不带标签的源域数据与目标域数据，基于对抗学习的迁移方法对上步获得的基础诊断模型进行迁移，采用Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

在步骤S4中，根据带标签的源域训练数据集和反向传播算法对迁移训练后的故障诊断模型进行微调。

具体地，利用带标签的源域训练数据

使用反向传播算法对迁移后得到的诊断模型进行微调，保证其对源域数据集的适用性，并避免过迁移问题。

可以理解的是，Wasserstein距离是一种分布度量方法。Wasserstein度量是一种在Polish度量空间(M，ρ)上测量数据分布间距离的度量方式。对于两个不同概率分布P和Q的测量，Wasserstein距离公式定义如下：

其中，ρ(x，y)是距离函数，x和y自样本集M，∏(P，Q)是M×M集中P 和Q的所有边缘概率。在本发明的实施例中，使用1阶Wasserstein距离函数来指导对抗网络训练过程。在满足Kantorovich-Rubinstein二元性下，1阶Wasserstein 距离函数公式如下所示：

其中，上界覆盖了所有1-Lipschitz函数f：x→R。

Wasserstein距离指导对抗训练策越，本发明实施例使用的对抗网络的目标函数定义如下：

其中，D是1-Lipschitz函数，P_g是生成模型的分布

z～p(z)。为了满足Lipschitz约束条件，在目标函数中加入一个惩罚项，来解决约束条件带来的优化困难问题。由此，总体的目标函数定义为：

λ是惩罚系数。

提出的迁移故障诊断模型中，使用深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征的学习过程。当源域与目标域之间的分布无偏差时，就将获得域不变的特征映射。同时，域评价器是用来估计源域与目标域特征分布的Wasserstein距离。源域特征分布

和目标域特征分布

的Wasserstein距离通过最大化域评价网络D的损失函数L_wd来估计，其中f_s＝F(x^s)和f_t＝F(x^t)。损失函数定义如下：

其中，x^s和x^t是来自于源域X^s和目标域X^t的样本数据。为了满足Wasserstein距离的Lipschitz约束条件，提出在原有目标函数上增加约束条件的惩罚项

公式定义如下：

其中，

是来自分布

的随机采样。

通过对抗训练策略学习获得域不变特征。在迁移训练过程中主要由两部分组成，首先，训练域评价器网络去最大化两个域的Wasserstein距离，然后，固定域评价器网络的参数，通过调整深度模型中的特征映射来减少Wasserstein距离。域不变特征的学习策略公式表达如下：

其中，λ是惩罚系数。

针对基础诊断模型卷积神经网络在源域与目标域之前通过迁移全连接分类网络单元C来获取域不变特征，Fc_j(其参数

)是全连接网络中第j个全连接层，使用多个域评价网络D_j(其参数

)去估计源域与目标域之间的Wasserstein 距离。由此，对抗训练策略的损失函数定义为：

其中，

是梯度惩罚项，λ是惩罚系数。

提出的对迁移模型的微调，在域不变特征对抗迭代训练过程中，在每一次对抗网络优化调整后，利用源域训练数据集，通过公式(5)和公式(6)的反向传播算法调整卷积神经网络中的卷积特征映射网络单元M与全连接分类网络单元 C，从而对迁移模型进行微调。

进一步地，在本发明的一个实施例中，步骤S3和步骤S4具体包括：

步骤1，从带标签的源域训练数据集X^s与不带标签的待测试目标域数据集 X^t中抽取大小为m的迁移训练数据

和

步骤2，使用反向传播算法优化域评价网络D_j和全连接层

并按照如下公式更新网络：

步骤3，从带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

步骤4，使用反向传播算法优化卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元按照如下公式更新卷积神经网络：

步骤5，当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成故障诊断模型的迁移训练与微调；否则返回步骤1，重新执行步骤1～5。

在步骤S5中，将不带标签的目标域测试数据集输入微调后的故障诊断模型，输出待测试样本的故障类别。

具体地，将待测试的目标域数据

输入迁后的诊断模型，即可得到测试样本的故障类别。

下面结合附图和具体实施例对本发明的基于对抗学习的机械故障迁移诊断方法进行详细说明。

一种针对变工况下基于对抗学习的机械故障迁移诊断模型总体方案如图2 所示。使用深度卷积神经网络作为基本诊断模型，其中，包括多个卷积层、全连接层以及最后的Softmax输出层，利用源域训练数据集X^s计算模型预测输出与数据标签的交叉熵，通过反向传播算法优化基础诊断模型，通过迭代训练使其达到对源域训练数据能够准确分类的目标。在基础模型的基础上，使用对抗训练策略分别在深度模型中各层特征中学习域不变特征，利用域评价网络来评价源域与目标域特征分布的Wasserstein距离，通过迭代训练逐步缩减跨域的分布距离。目的是在能够对源域训练数据准确分类的基础上，通过对抗学习策略，调整并学习目标域测试数据的特征分布，使其靠近源域数据的特征分布，来解决故障诊断实际应用中由于数据不完备导致的迁移问题。由此，在每一代的对抗训练缩减不同域的Wasserstein距离后，增加使用带标签源域数据对迁移模型进行微调，保证其对源域数据的适用性，避免过迁移问题。

以某4种不同工况下的滚动轴承故障诊断任务为例，对基于对抗网络的机械故障迁移诊断方法进行校验。在4种不同驱动电机负荷条件下，通过振动传感器采集轴承的振动信号，采样频率设定为12kHz。故障数据库中包括内圈缺陷、外圈缺陷和滚动体缺陷3种故障，每个故障制作3种故障尺寸，在加上正常状态一共10种类别，每种类别500个样本数据，具体如表1所示，表1为不同工况下轴承故障数据集描述。

表1

根据本发明实施例提出的构架，针对轴承故障诊断问题，如图3所示，使用卷积神经网络构建基础诊断模型，卷积神经网络的构架与详细信息如表2所示，表2为卷积神经网络模型详细信息。使用域评价网络去估计各层跨域分布之间的 Wasserstein距离，域评价网络构架域详细信息如表3所示，表3为域评价网络详细信息。

表2

表3

基础诊断的卷积神经网络训练步骤：

步骤1：将源域训练数据集X^s随机分配，得到70％的训练数据

和30％的测试数据

步骤2：从训练数据

中抽取大小为m的数据

步骤3：使用反向传播算法优化卷积神经网络中的卷积特征映射网络单元M 与全连接分类网络单元C，按照如下公式更新卷积神经网络：

步骤4：使用卷积神经网络对测试数据

进行预测并计算准确率，当准确率小于设定阈值Thre_c时，返回步骤2，重新执行步骤2～4；否则停止训练保存获得的所有参数，完成基础诊断模型预训练。

迁移模型的对抗训练与微调步骤：

步骤1：从源域训练数据集X^s与目标域测试数据集X^t中抽取大小为m的迁移训练数据

和

步骤2：使用反向传播算法优化域评价网络D_j和全连接层Fc_j，按照如下公式更新网络：

步骤3：从源域训练数据集X^s从抽取大小为m的微调用训练数据

步骤4：使用反向传播算法优化的卷积特征映射网络单元M与全连接分类网络单元C，按照如下公式更新卷积神经网络：

步骤5：当域评价网络输出的Wesserstein距离小于设定阈值Thre_w时，停止训练保持所获得的参数，完成迁移模型的训练与微调；否则返回步骤1，重新执行步骤1～5。

在训练过程中的超参数设置为：学习率α＝0.0001，mini-batch大小为m＝64，惩罚系数λ＝10，基础诊断模型测试准确率阈值Thre_c＝99％，Wasserstein距离阈值Thre_w＝0.0001。

设计4个种类不同工况数据集之间进行相互迁移来验证本实施例的方法。例如A→B，将数据集A作为源域训练数据集，数据集B作为目标域测试数据集。对比计算结果如表4所示，表4为基础模型与迁移模型在不同迁移任务上的诊断准确率。结果显示本发明实施例的迁移方法能够大大提升基础模型对目标域测试数据的诊断准确率。

A→B

A→C

A→D

B→A

B→C

B→D

基础模型

87.93％

89.00％

80.73％

97.47％

99.40％

89.00％

迁移模型

99.73％

99.67％

100.00％

99.13％

100.00％

99.93％

C→A

C→B

C→D

D→A

D→B

D→C

基础模型

97.00％

97.20％

89.53％

90.20％

75.53％

79.26％

迁移模型

98.53％

99.80％

100.00％

98.07％

98.27％

99.53％

图4～7为使用s-TNE技术对D→B迁移任务中诊断模型域不变特征进行可视化的结果图。图4和图5分别为基础模型对源域训练数据和目标域测试数据的特征可视化结果，图6和图7分别为迁移模型对源域训练数据和目标测试数据的可视化结果。通过结果可以明显看出，目标测试数据与源域训练数据的基础诊断模型特征分布差距显著，尤其以类别7，8，9最为突出，特征分布空间距离非常大，显然基础模型对目标域测试数据难以准确分类识别。而通过本发明实施例的方法进行迁移后，所有类别在特征空间中的分布距离基本一致，这样使得迁移后的模型能够对源域训练数据与目标域测试数据均能够准确地分类诊断。

根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法，通过获取在不同工况下机械故障的原始信号，生成带标签的源域训练数据与不带标签的目标域测试数据；利用带标签的源域训练数据，使用反向传播算法优化作为基础诊断模型的卷积神经网络；利用不带标签的源域训练数据与目标域测试数据，通过 Wasserstein距离引导的对抗学习方法获得域不变特征，实现跨域的迁移；利用带标签的源域训练数据，使用反向传播算法对迁移模型进行微调，避免过迁移问题；将待测试的无标签目标域数据输入迁移后的模型，得到故障分类结果。

其次参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断***。

图8为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断***结构示意图。

如图8所示，该基于对抗学习的机械故障迁移诊断***包括：数据生成模块 100、模型生成模块200、模型训练模块300、模型微调模块400和诊断模块500。

其中，数据生成模块100用于获取待测试样本的不同工况下机械故障的原始信号，对不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集。

模型生成模块200用于根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型。

模型训练模块300用于根据不带标签的源域训练数据集、不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对故障诊断模型进行迁移训练。

模型微调模块400用于根据带标签的源域训练数据集和反向传播算法对迁移训练后的故障诊断模型进行微调。

诊断模块500用于将不带标签的目标域测试数据集输入微调后的故障诊断模型，输出待测试样本的故障类别。

该基于对抗学习的机械故障迁移诊断***10通过对抗学习方法获得域不变特征，从而实现不同域之前的迁移，实现了对变工况机械故障的智能诊断。

进一步地，在本发明的一个实施例中，模型生成模块，包括：数据分配单元、优化单元和确定单元；

数据分配单元，用于将带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

优化单元，用于从训练数据

中抽取大小为m的数据

通过反向传播算法对卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元优化进行优化；

确定单元，用于通过优化后的卷积神经网络模型对测试数据

进行预测并计算准确率，在准确率大于预设准确率时，则停止训练保存获得的所有参数，生成故障诊断模型。

进一步地，在本发明的一个实施例中，模型训练模块还用于，

利用不带标签的源域数据与不带标签的目标域数据，基于对抗学习的迁移方法对生成的故障诊断模型进行迁移，采用Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

进一步地，在本发明的一个实施例中，模型训练模块和模型微调模块还用于，

从带标签的源域训练数据集X^s与不带标签的待测试目标域数据集X^t中抽取大小为m的迁移训练数据

和

并使用反向传播算法优化域评价网络D_j和全连接层Fc_j：

从带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

使用反向传播算法优化卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C；

当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成故障诊断模型的迁移训练与微调。

进一步地，在本发明的一个实施例中，模型训练模块，还用于，

迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征学习过程，当源域训练数据与目标域训练数据之间的分布无偏差时，则再获得域不变的特征映射。

需要说明的是，前述对基于对抗学习的机械故障迁移诊断方法实施例的解释说明也适用于该实施例的***，此处不再赘述。

根据本发明实施例提出的基于对抗学习的机械故障迁移诊断***，通过获取在不同工况下机械故障的原始信号，生成带标签的源域训练数据与不带标签的目标域测试数据；利用带标签的源域训练数据，使用反向传播算法优化作为基础诊断模型的卷积神经网络；利用不带标签的源域训练数据与目标域测试数据，通过Wasserstein距离引导的对抗学习方法获得域不变特征，实现跨域的迁移；利用带标签的源域训练数据，使用反向传播算法对迁移模型进行微调，避免过迁移问题；将待测试的无标签目标域数据输入迁移后的模型，得到故障分类结果。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于对抗学习的机械故障迁移诊断方法，其特征在于，包括以下步骤：

S1，获取待测试样本在不同工况下机械故障的原始信号，对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集；

S2，根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型；

S3，根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练；

S4，根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调；

S5，将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型，输出所述待测试样本的故障类别。

2.根据权利要求1所述的方法，其特征在于，所述S2进一步包括：

S21，将所述带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

S22，从训练数据

中抽取大小为m的数据

通过所述反向传播算法对所述卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元优化进行优化；

S23，通过优化后的所述卷积神经网络模型对测试数据

进行预测并计算准确率，若准确率小于预设准确率，则执行步骤S22，反之，则停止训练保存获得的所有参数，生成所述故障诊断模型。

3.根据权利要求1所述的方法，其特征在于，所述S3进一步包括：

利用所述不带标签的源域训练数据集与所述不带标签的目标域测试数据集，基于所述对抗学习的迁移方法对步骤S2生成的所述故障诊断模型进行迁移，采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3和步骤S4具体包括：

步骤1，从所述带标签的源域训练数据集X^s与所述不带标签的目标域测试数据集X^t中抽取大小为m的迁移训练数据

和

步骤2，使用所述反向传播算法优化域评价网络D_j和全连接层Fc_j：

步骤3，从所述带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

步骤4，使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C；

步骤5，当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成所述故障诊断模型的迁移训练与微调；否则返回步骤1，重新执行步骤1～5。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3还包括：

迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征学习过程，当源域训练数据与目标域训练数据之间的分布无偏差时，则再获得域不变的特征映射。

6.一种基于对抗学习的机械故障迁移诊断***，其特征在于，包括：

数据生成模块，用于获取待测试样本的不同工况下机械故障的原始信号，对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集；

模型生成模块，用于根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型，生成故障诊断模型；

模型训练模块，用于根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练；

模型微调模块，用于根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调；

诊断模块，用于将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型，输出所述待测试样本的故障类别。

7.根据权利要求6所述的***，其特征在于，所述模型生成模块，包括：数据分配单元、优化单元和确定单元；

所述数据分配单元，用于将所述带标签的源域训练数据集X^s随机分配，生成70％的训练数据

和30％的测试数据

所述优化单元，用于从训练数据

中抽取大小为m的数据

通过所述反向传播算法对所述卷积神经网络模型中的卷积特征映射网络单元与全连接分类网络单元优化进行优化；

所述确定单元，用于通过优化后的所述卷积神经网络模型对测试数据

进行预测并计算准确率，在准确率大于预设准确率时，则停止训练保存获得的所有参数，生成所述故障诊断模型。

8.根据权利要求6所述的***，其特征在于，所述模型训练模块还用于，

利用所述不带标签的源域训练数据集与所述不带标签的目标域测试数据集，基于所述对抗学习的迁移方法对生成的所述故障诊断模型进行迁移，采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间，通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征，最终实现跨域的迁移。

9.根据权利要求6所述的***，其特征在于，所述模型训练模块和所述模型微调模块还用于，

从所述带标签的源域训练数据集X^s与所述不带标签的目标域测试数据集X^t中抽取大小为m的迁移训练数据

和

并使用所述反向传播算法优化域评价网络D_j和全连接层Fc_j：

从所述带标签的源域训练数据集X^s从抽取大小为m的微调用训练数据

使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C；

当域评价网络D_j输出的Wesserstein距离小于预设阈值Thre_w时，则停止训练，保持所获得的参数，完成所述故障诊断模型的迁移训练与微调。

10.根据权利要求6所述的***，其特征在于，所述模型训练模块，还用于，

迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射，域评价网络来指导域不变特征学习过程，当源域训练数据与目标域训练数据之间的分布无偏差时，则再获得域不变的特征映射。

Images