本發明涉及滾動軸承故障診斷，具體而言，涉及一種類別不平衡場景下的寬度無監督域適應兩階段滾動軸承故障診斷方法及系統。

背景技術：

1、滾動軸承作為機械設備的重要組成部分，被廣泛應用于航空航天、鐵路交通、醫療等重要領域[1]。但其復雜惡劣的工作環境，使其極易發生磨損、斷裂、剝落等故障。故障一旦發生，輕則影響機械設備的精度、可靠性，造成嚴重的財產損失；重則影響機械設備的安全性[2]，釀成人員傷亡的慘劇。因此對滾動軸承故障的有效診斷具有重要的實際意義。

2、近年來，深度學習的異軍突起，為故障診斷領域打開了全新的視角。其克服了傳統方法在特征提取時依賴專家經驗的缺點，能夠有效捕捉數據的深層特征并實現端到端的故障診斷[3-4]。而現有的深度學習方法進行模型訓練時，通常默認所有訓練數據和測試數據來自同一分布[5]。但實際工業中，滾動軸承往往會隨外界壞境的改變而工作在不同工況下。利用單工況下的數據進行訓練所得模型，會因無法適應所有工況，導致診斷精度下降。而遷移學習能夠有效地在相似領域和任務間進行信息共享和遷移的特點，為解決不同工況下的故障診斷問題帶來了啟示。

3、根據目標域數據的標簽信息可以將遷移學習方法分為有監督遷移、半監督遷移與無監督遷移[6]。顯然半監督遷移與無監督遷移更加符合工業生產中的實際情況，因此備受學者們的關注。文獻[7]利用目標域的少量標簽數據及源域數據的知識構建批次歸一化長短期記憶模型來生成輔助樣本。再利用遷移最大分類器差異方法結合對抗策略來對齊輔助樣本和目標域未標記數據的概率分布，實現了不同設備之間的跨域診斷。文獻[8]提出一種基于對比學習的無監督域適應方法。通過設計對比估計項來降低樣本被分類在類邊界附近或類邊界上的概率，從而實現了跨工況的軸承故障診斷。文獻[9]打破現有方法大都基于單源域到目標域進行遷移來進行故障診斷的固定模式，提出一種更符合實際工業的多源域遷移學習方法，在無監督跨域故障診斷問題上取得令人滿意的效果。文獻[10]突破了傳統無監督遷移中閉集域適應范疇，提出一種具有源域和目標域加權機制的通用域適應方法，通過使用額外的異常值標識符，可以實現自動識別未知故障模式。

4、當今主流的遷移學習方法都是結合深度學習進行設計，而實際生產中診斷任務要求的不斷提高導致基于深度學習的方法所構建的模型愈加復雜。在面臨海量數據時，訓練過程極為耗時，使得其學習效率和速度遠低于實際要求，因此成為了許多應用的重要瓶頸。

5、隨著寬度學習系統(broad?learning?system，bls)被chen等人[11]提出，其快速、可靠的建模方式使得上述深度學習方法所遇到的瓶頸有了新的解決思路[12]。文獻[13]提出一種以旋轉機械原始振動信號為輸入的自適應bls。通過一種自適應增量學習策略來調整網絡結構，避免再訓練，為旋轉機械故障診斷提供了一種有效的解決方案。文獻[14]提出了一種任務增量bls方法，該方法可通過順序學習不同的診斷任務，而無需重新訓練，同時有效地診斷關鍵部件的故障。此外，寬度學習相比深度學習而言，所需調整的超參數較少，因此適合將其與元啟發算法相結合，通過優化特征節點個數來達到更好的診斷效果[15-16]。另一方面，對于目標函數的改進，也是提高bls性能的一種方案。文獻[17]在原始的目標函數中加入結構信息約束權重，使得類內距減小，類間距增大，實現了滾動軸承的故障診斷與定位。

6、滾動軸承故障診斷準確率不僅受跨工況的影響，還受數據類別不平衡問題的制約。在旋轉機械服役期間，發生故障屬于少數情況，這就導致采集到的正常狀態數據遠多于故障數據。因此，在利用數據對模型進行訓練時，會出現類別不平衡的問題，進而影響模型的分類性能。實際生產中的滾動軸承故障診斷問題是一個需要同時考慮跨工況和數據類別不平衡的復合性問題。所以故障診斷領域中類別不平衡下的域適應(class?imbalanceddomain?adaptation，cida)問題[18]是目前值得深入研究的問題。

7、當下解決cida問題的主流方法多基于深度學習網絡。而文獻[19]提出一種結合寬度遷移和集成學習的方法，有效地解決了污水處理過程的多工況故障診斷問題。文獻[20]依靠寬度學習網絡的分類結果，設計了一種主動遷移采樣策略，實現了對機械故障的跨工況診斷。兩篇文獻的出現填補了寬度學習在解決cida問題上的空白，但也存在未考慮到少數類與多數類的樣本比例差別過大對集成學習效果產生的影響，導致整體模型性能下降的情況。以及在獲取目標域知識前，忽略源域和目標域的數據分布差異，導致結果存在某少數類樣本全部錯分的情況。

技術實現思路

1、本發明要解決的技術問題是：

2、現有技術中缺少有效解決軸承故障診斷中的類別不平衡下的域適應問題的方法。

3、本發明為解決上述技術問題所采用的技術方案：

4、本發明提供了一種類別不平衡場景下的寬度無監督域適應兩階段滾動軸承故障診斷方法，包括如下步驟：

5、步驟一、采用滾動軸承時域數據，對數據進行降維，

6、步驟二、利用寬度學習網絡模型對數據進行特征提取，并采用流形嵌入分布對齊進行特征對齊，獲得目標域數據偽標簽；

7、步驟三、基于不確定性度量和樣本間余弦相似度進行樣本篩選，將目標域中樣本劃分為可靠樣本與剩余樣本；引入含有梯度懲罰的生成對抗網絡wgan-gp對篩選出的對目標域中可靠樣本進行數據增強，得到平衡樣本集；

8、步驟四、將平衡樣本集作為訓練集，初始化寬度學習網絡模型并進行訓練，最后輸入目標域剩余樣本至訓練后的寬度學習網絡模型，實現診斷。

9、進一步地，步驟一包括如下過程：

10、采用滾動軸承時域數據，以滑動采樣的方式構造單個樣本長度為l點的時域樣本集，對每個樣本進行快速傅里葉變換得到頻域樣本集，并且將快速傅里葉變換時將采樣點數設置為8l；然后將每個頻域樣本劃分為若干個頻率子帶，計算每個頻率子帶的rms，將其作為輸入數據，實現數據降維。

11、進一步地，步驟二中所述寬度學習網絡模型的目標函數為：

12、

13、式中，y是實際輸出，λ是正則化系數，w是連接權重，網絡的估計輸出為通過不斷優化估計輸出和實際輸出之間的誤差，w的最優解表示為：

14、w＝(λi+ata)-1aty＝a+y

15、式中，i為單位矩陣，at是a的轉置矩陣，a的偽逆為

16、進一步地，步驟二中所述采用流形嵌入分布對齊進行特征對齊，包括如下過程：

17、步驟二一、流形特征變換，具體為：

18、首先利用pca獲取兩域子空間ss和st，使用黎曼流形的標準歐幾里得度量參數化測地線函數φ(t)；令φ(0)＝ss，φ(1)＝st；則兩點間最短距離函數計算公式為：

19、φ(t)＝ssu1γ(t)-rsu2σ(t)

20、式中，rs為ss的正交補，滿足而u1、u2、γ和σ由和經過奇異值分解得到，即：

21、

22、式中，γ和σ是方陣，其對角元素是ss和st之間主角的正余弦函數；

23、然后，對路徑上所有t∈[0,1]進行積分，使得測地線函數從φ(0)遷移至φ(1)，即：

24、

25、式中，ai和aj表示源域和目標域的特征樣本；g是半定矩陣，其表示為：

26、

27、

28、式中，λ為對角矩陣，λ1i、λ2i和λ3i為對角元素，θi為ss和st的主角；

29、經過gfk之后的特征樣本集表示為as和at為經過寬度學習網絡特征提取后的源域特征樣本集和目標域特征樣本集；

30、步驟二二、動態分布對齊，包括如下過程：

31、利用平衡因子μ自適應調節源域數據和目標域數據的重要性，自適應分布適配表示為：

32、

33、式中μ∈[0,1]是平衡因子，c∈{1,…,c}代表對應類別，df代表邊緣分布，代表條件分布；

34、計算兩域之間的分布差異，則自適應分布適配表示為：

35、

36、式中，c∈{1,…,c}代表對應類別，h表示再生核希爾伯特空間，e[·]表示期望函數；

37、測量不同分布之間的距離，表示為：

38、

39、式中，dm和dc分別表示邊緣分布差異和第c類的條件分布差異的a-distance；

40、使用類條件分布近似為獲得使用經源域數據ds訓練后的bls對目標域數據dt進行預測，并通過迭代對預測結果進行修正；

41、步驟二三、學習分類器，包括如下過程：

42、根據結構風險最小化構建學習分類器f：

43、

44、式中，前兩項代表分類器f在源域上的損失，為自適應分布適配懲罰項，rf(·)為拉普拉斯正則化項，η、τ和ρ均為正則化系數；

45、通過迭代調整目標域數據標簽得到

46、進一步地，步驟三中所述基于不確定性度量和樣本間余弦相似度進行樣本篩選，將目標域樣本分為可靠樣本與剩余樣本，具體為：

47、基于邊緣采樣的不確定性度量，通過選擇模型預測結果中概率最大兩類的差值來衡量樣本置信度rx，即：

48、

49、式中，表示樣本x屬于類別的概率，和表示最有可能所屬類和第二可能所屬類；

50、選擇信任每個少數類中的rx最大的一個樣本，將其偽標簽視作真實標簽；然后計算所屬類別中所有樣本與該樣本特征向量的余弦相似度；

51、特征維度為n的樣本xi和樣本xj的余弦相似度為：

52、

53、定義少數類樣本xi的最終得分rc為：

54、

55、式中，表示與樣本xi預測類別相同且rx最大的樣本；

56、最后將每類樣本按照得分降序排列，并根據經驗選擇固定個數樣本，將其偽標簽視作真實標簽，得到可靠樣本和剩余樣本。

57、進一步地，步驟三中所述含有梯度懲罰的生成對抗網絡wgan-gp的目標函數為：

58、

59、式中，e[·]代表期望函數，d(·)和g(·)分別表示判別器函數和生成器函數；z為輸入的噪聲數據；||·||2表示2范數，γ為梯度懲罰項系數，是梯度算子，表示從生成樣本分布ψg(·)與真實樣本分布ψr(·)抽樣點對之間沿直線的均勻采樣，代表真實數據與生成數據之間的隨機采樣。

60、本發明提供了一種類別不平衡場景下的寬度無監督域適應兩階段滾動軸承故障診斷系統，該系統具有與上述技術方案任一項所述方法的步驟對應的程序模塊，運行時執行上述的類別不平衡場景下的寬度無監督域適應兩階段滾動軸承故障診斷方法中的步驟。

61、本發明提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序配置為由處理器調用時實現上述技術方案中任一項所述的類別不平衡場景下的寬度無監督域適應兩階段滾動軸承故障診斷方法中的步驟。

62、相較于現有技術，本發明的有益效果是：

63、本發明將寬度學習網絡與非深度遷移方法meda相結合快速得到目標域預測結果，同時實現了寬度學習快速建模的優勢；本發明基于主動學習中不確定性度量以及樣本間余弦相似度構建復合指標，從目標域中篩選出可靠樣本，并結合wgan-gp對目標域預測結果進行修正，不但使模型具有普適性，且在類別不平衡的情況依然表現出較高的模型性能，尤其針對少數類別的分類準確率得到顯著提升。

64、本發明實現了對旋轉機械中滾動軸承故障的準確診斷，為滾動軸承復合故障以及旋轉機械其他部件的故障診斷奠定了基礎。