一种跨工况条件下水泵故障智能诊断方法
阅读说明：本技术 一种跨工况条件下水泵故障智能诊断方法 (Intelligent diagnosis method for water pump fault under cross-working condition ) 是由 杨德玮 周克发 杨军 刘晓杰 陈莹颖 陈伟 董凯 于 2021-08-23 设计创作，主要内容包括：本发明公开了一种跨工况条件下水泵故障智能诊断方法,涉及振动信号处理、模式识别等技术领域。该方法构建了一种域对抗网络框架,使得原始工况条件下获取的水泵振动数据(源域)和当前工况条件下获取的水泵振动数据(目标域)在高阶矢量特征空间中对齐,实现自适应的水泵故障诊断。在此网络框架下提出了一种域对抗胶囊网络,能够实现跨工况条件下水泵故障智能诊断。本发明能够稳定、可靠地用于野外复杂工况条件下的水泵故障诊断,具有较高的可靠性和适用性。(The invention discloses an intelligent diagnosis method for water pump faults under a cross-working condition, and relates to the technical fields of vibration signal processing, pattern recognition and the like. According to the method, a domain confrontation network framework is constructed, so that water pump vibration data (source domain) obtained under the original working condition and water pump vibration data (target domain) obtained under the current working condition are aligned in a high-order vector feature space, and self-adaptive water pump fault diagnosis is realized. The domain confrontation capsule network is provided under the network framework, and intelligent diagnosis of water pump faults under the cross-working condition can be realized. The method can be stably and reliably used for diagnosing the water pump fault under the field complex working condition, and has higher reliability and applicability.)
技术领域
本发明涉及一种基于域对抗的跨工况条件下水泵故障智能诊断方法，具体的是指通过模型学习和优化实现源域振动信息和目标域振动信息在高阶矢量特征空间中对齐，以实现跨工况条件下水泵故障的智能诊断，属于振动信号处理、模式识别技术领域。
背景技术
水泵是一种基本的水利设备，广泛布设于各类水库及出/入水口站点。随着人类活动的不断加剧，水泵系统的必须保持长时间的稳定运行。对泵的健康和故障进行实时检测和分析，及时发现其故障隐患并进行检修，是保障水泵健康状态的必要基础。轴承系统是各类水泵机械的最重要的基础机械元件，数量多且长时间发生滚动运行，是水泵设备故障隐患最多发的机械元件。对于轴承的故障诊断对于水泵系统的健康状态诊断而言尤为重要。对于轴承故障诊断，振动数据是最为可靠的依据，能够直接关联水泵设备微小的故障种类。
在实际应用中，水泵多布设于野外场景和多变的水情条件，常面临复杂的工况条件和新颖的运行环境。在此条件下先验的专家知识和已学习的模型参数面临不适定的问题，而重新学习又面临数据匮乏和高时间损耗的难题。此时，传统的故障诊断方法，如基于SVM、贝叶斯网络的故障诊断方法难以应用。近年来，在水泵故障诊断研究领域，尽管深度学习模型已取得了出色的性能但仍难以实现跨工况条件下的故障智能诊断，先验的深度学习模型难以适用于霹时出水量、扬程、轴功率三种因素变化工况条件下水泵故障诊断。
发明内容
发明目的：针对现有技术中存在的问题与不足，本发明提供了一种基于域对抗的跨工况条件下水泵故障智能诊断方法，通过故障分类和工况域分类模型学习和联合优化实现源域振动信息和目标域振动信息在高阶矢量特征空间中对齐，以实现跨工况条件下水泵故障的智能诊断。
技术方案：一种基于域对抗的跨工况条件下水泵故障智能诊断方法，包括如下步骤：
(一)搭建变化工况条件下水泵故障诊断的域对抗网络框架：建立了针对霹时出水量、扬程、轴功率三种因素变化工况条件下水泵故障诊断的域对抗网络模型框架。
(二)构建类别分类、领域分类的损失函数。
(三)通过损失函数的联合优化，实现域对抗网络模型的优化，完成模型训练学习。
(四)将跨工况条件下的水泵振动数据输入到域对抗网络模型中，同时完成对故障种类和工况域种类的分类，以此完成故障诊断。
所述变化工况条件下水泵故障诊断的域对抗网络框架主要包括水泵振动源域数据和水泵振动振动域数据输入、基于CNN网络的源域/目标域特征提取器、基于胶囊网络的水泵振动数据高阶矢量特征提取器、水泵故障类别分类器、水泵工况领域分类器。
(1)多工况条件下水泵振动源域数据和水泵振动振动域数据输入：构建了并行处理两路输入数据的双流网络架构分别输入多工况条件下水泵振动数据，包括：源域振动数据xs和目标域振动数据xt。其中，水泵源域振动数据xs和目标域振动数据xt采集的工况环境不同，在霹时出水量、扬程、轴功率上具有差异。
(2)通过源域/目标域特征提取器和水泵振动数据高阶矢量特征提取器两级特征提取获取源域高阶矢量特征和目标域高阶矢量特征其中Gs()为两级特征提取函数。以此，获取一维水泵振动故障特征。
(3)水泵故障类别分类器计算高阶特征的矢量模长并取模长最大值来进行类别分类。当源域数据输入时表示为：当目标域数据输入时表示为：其中length()为矢量模长计算函数，squash()为挤压函数。
(4)水泵工况领域分类器主要是通过梯度反转层、两层全连接以及softmax函数进行领域分类。表示为：当源域数据输入时表示为：当目标域数据输入时表示为：其中W()为全连接计算函数，softmax()为softmax函数。
域对抗网络框架优化的对象包括：①类别分类，②领域分类。
水泵故障类别分类器优化基于边缘损失函数：
Lc＝Tcmax(0,m+-pc)2+λ(1-Tc)max(0,pc-m-)2
其中，c表示输出的第c个标签；pc表示类别分类器输出的一组概率值；Tk表示分类指示函数，假设输出的第K个标签表示类别K，即该标签负责预测类别K的概率，则当输入的样本为类别K且c＝K时，Tc＝1，否则Tc＝0；m+为上边界，取固定值0.9，当概率值pc>0.9时，将损失函数置为0；m-为下边界，取固定值0.1，当概率值pc<0.1时，将损失函数置为0；λ为一个比例系数，用来调整两项比例，通常取值0.5。
水泵故障工况领域分类器的任务为二分类任务，使用交叉熵损失函数：
其中，和分别表示以第i个源域数据样本输入，最后一层全连接层输出向量的第一和第二个数值；和分别表示以第i个目标域数据样本输入，最后一层全连接层输出向量的第一和第二个数值。第一个输出数值表示源域，第二个表示目标域，源域数据样本的领域标签为[1,0]，目标域数据样本的领域标签为[0,1]。
在优化阶段，首先是水泵故障源域类别分类训练：利用有标签的源域数据对源域特征提取器Gs、基于胶囊网络的水泵振动数据高阶矢量特征提取器Gcap和水泵故障类别分类器C进行类别分类训练，源域特征提取器Gs、基于胶囊网络的水泵振动数据高阶矢量特征提取器Gcap和水泵故障类别分类器C参数表示为θC，通过最小化类别分类损失来进行参数优化：
其中，为类别分类损失，为θC的优化值。
然后，进行水泵故障工况领域分类训练：通过最大化领域分类损失对目标域特征提取器Gt参数进行优化，并且通过最小化领域分类损失对水泵工况领域分类器D参数θD进行优化：
其中，为领域分类损失，为θD的优化值。
有益效果：与现有技术相比，本发明提供的基于域对抗的跨工况条件下水泵故障智能诊断方法，提出了由水泵振动数据深度特征提取器、水泵振动数据高阶矢量特征提取器、水泵故障类别分类器和水泵工况领域分类器组成的水泵故障智能诊断域对抗网络模型；通过模型训练的优化过程，优化高阶矢量特征提取器模型参数，缩小了不同工况数据之间的高阶矢量特征差异，解决了轴承故障诊断中跨工况条件下的模型适应性问题；本发明方法能够适用于复杂、新颖的工况条件，实现了适应性的水泵故障智能诊断，提高了诊断模型的适应和推广能力。
附图说明
图1是本发明实施例中变化工况条件下水泵振动数据及故障诊断的域对抗网络框架程图；
图2是本发明实施例与现有技术中方法性能的对比图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
以水泵故障诊断为实施例：在霹时出水量、扬程、轴功率三种因素变化工况条件下泵站的振动信号模式发生显著变化，导致振动特征同故障状态间的映射关系迥异。致使跨工况条件下先验的专家经验和已学习的模型难以适用。严重影响模型的适应和推广能力。针对这一问题本发明设计了一种域对抗网络，能够在学习得到的高阶矢量特征空间中实现特征对齐，从而实现跨工况条件下的故障诊断模型的自适应。
如图1所示，基于域对抗的跨工况条件下水泵故障智能诊断方法，建立了针对霹时出水量、扬程、轴功率三种因素变化工况条件下水泵故障诊断的域对抗网络模型框架，提出了由水泵振动数据深度特征提取器、水泵振动数据高阶矢量特征提取器、水泵故障类别分类器和水泵工况领域分类器组成的水泵故障智能诊断域对抗网络模型。通过模型训练的优化过程，优化高阶矢量特征提取器模型参数，缩小了不同工况数据之间的高阶矢量特征差异，解决了轴承故障诊断中跨工况条件下的模型适应性问题。
域对抗网络框架，该网络框架主要包括水泵振动源域数据和水泵振动振动域数据输入、基于CNN网络的源域/目标域特征提取器、基于胶囊网络的水泵振动数据高阶矢量特征提取器、水泵故障类别分类器、水泵工况领域分类器，如图1所示。
在模型(域对抗网络框架)训练阶段：
首先，采用多层卷积神经网络(CNN)对源域和目标域的振动数据进行计算，提取源域数据的深度特征和目标域数据的深度特征。
随后，结合水泵振动数据高阶矢量特征提取器形成了两级特征提取获取源域高阶矢量特征和目标域高阶矢量特征
随后，对高阶矢量特征进行分类，对故障类别和故障的工况领域进行分类。其中类别分类器为其中故障的工况领域分类器为
随后，对分类器进行优化训练。
(1)水泵故障源域类别分类器优化：利用有标签的源域数据对源域特征提取器Gs、基于胶囊网络的水泵振动数据高阶矢量特征提取器Gcap和水泵故障类别分类器C进行类别分类训练，源域特征提取器Gs、基于胶囊网络的水泵振动数据高阶矢量特征提取器Gcap和水泵故障类别分类器C参数表示为θC，通过最小化类别分类损失来进行参数优化：
其中，为θC的优化值。
(2)水泵故障工况领域分类器优化：通过最大化领域分类损失对目标域特征提取器Gt参数进行优化，并且通过最小化领域分类损失对水泵工况领域分类器D参数θD进行优化：
其中，为θD的优化值。
在故障诊断阶段：
首先，采用多层卷积神经网络(CNN)对目标域的振动数据进行计算，提取目标域数据的深度特征。
随后，结合水泵振动数据高阶矢量特征提取器形成了两级特征提取目标域高阶矢量特征
随后，对高阶矢量特征进行分类，对故障类别和故障的工况领域进行分类。其中类别分类器为其中故障的工况领域分类器为
至此，完成了跨工况的水泵故障诊断。分别在A、B两种水泵设备上进行测试，A1、A2、A3分别为负载为1HP、2HP和3HP三种工况条件，B1、B2、B3分别为转速为600RPM、800RPM和1000RPM三种工况条件。
结果如表1、2所示，实现了准确率较好的故障诊断结果：对于A种水泵，跨工况条件下的故障诊断准确率保持在96％以上，对于B种水泵，跨工况条件下故障诊断准确率保持在95％以上，能够满足于领域应用。
图2为本发明公开方法同现有方法的性能对比，其中图2(a)为比较的方法，其中图2(b)为本发明所提出的方法。其中方块颜色越浅表明故障诊断错误数越多。可看到：所比较方法的故障诊断错误数量显著大于本发明所提出方法的错误数量，证明了本发明所提出方法的性能优势。
表1水泵A跨工况诊断准确率
表2水泵B跨工况诊断准确率
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种研究柱塞泵外流场油液流动传热特性的实验系统