本发明涉及智能故障诊断领域，尤其涉及一种在线调距桨液压系统齿轮泵故障特征迁移学习方法。
背景技术：
1、数据驱动的机械智能故障诊断的有效性往往基于足够的可用监测数据，这要求用于训练智能诊断模型的数据具有丰富的故障信息和健康标签信息。然而，这在工程实践中很难满足，主要有以下两个原因：
2、1)液压设备在长期运行中仍处于正常运行状态，故障发生的不确定性和持续时间短。因此，获得的故障样本数量远小于正常样本数量，导致监测数据中的故障信息不完整，故障类别不平衡；
3、2)尽管在工程实践中可以获得大量数据，但只有少量数据对应于液压设备的已知健康状态，可以用于训练智能诊断模型。大多数数据都需要标记相应的健康状况，并且标记数据的成本很高，例如频繁停车自检故障、费力地手动标记数据以及很少发生的故障类型，导致缺乏用于监测大数据的健康标记信息。
4、在新的场景下，将训练好的故障诊断模型转移到另一台设备或具有有限故障数据的不同工况下，可以解决上述问题。
5、在目前阶段，大部分故障诊断系统常采样迁移学习解决实际中故障样本不足的情况。迁移学习可以学习源域和目标域彼此接近的特征表示，同时在源数据上保持良好的分类性能。源域和目标域的差异主要来自于源域机器和目标域机器之间的差异，例如不同的速度或负载、不同的工作环境以及不同的物理结构。这种差异导致分布向跨域数据的转移。跨域数据传输越严重，传输诊断任务中的诊断准确性就越差。随着装备的长期运行，系统采集了大量数据，人工去更新模型的方式导致人力成本增加。目已有的在线故障诊断迁移方案收敛速度慢，精度低，难以满足实际需求。
6、此外，不同于常见的机械系统，比如轴承、齿轮和风车等旋转机械，振动传感器常用于采集这些机械的运行数据，故障模式呈现较为明显的周期性特征；而液压系统除了控制信号，常还有压力、温度等数据，故障模式无明显的周期性。
7、因此，本领域的技术人员致力于开发一种在线调距桨液压系统齿轮泵故障特征迁移学习方法。
技术实现思路
1、鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何实现高质量的在线故障特征迁移，提高分类器的故障状态识别能力。
2、为实现上述目的，本发明提供了一种在线调距桨液压系统齿轮泵故障特征迁移学习方法，其特征在于，所述方法包括以下步骤：
3、s101：建立调距桨液压系统齿轮泵数据库，所述数据库包括源域数据和目标域数据，所述源域数据包括机理模型仿真数据或历史数据，所述目标域数据包括当前需要诊断的在线获取的实时数据；
4、s103：利用斯皮尔曼相关性分析和经验模态分解，分析所述调距桨液压系统齿轮泵数据库中数据的相关性和故障特征，获取相关性和故障模式多样性均满足预置条件的测点数据序列；
5、s105：利用卷积网络融合所述测点数据序列，并提取所述齿轮泵的故障特征；
6、s107：将所述故障特征变换为特征向量，并将所述特征向量送入到交叉熵分类器中对所述故障类型进行分类，得到所述齿轮泵的故障诊断结果；
7、s109：将所述测点数据序列保存在经验回放池中，并对所述经验回放池中的数据随机采样，利用随机梯度下降方法对所述卷积网络和所述交叉熵分类器进行参数优化，提高学习效率和诊断性能。
8、进一步地，在所述s101中，所述历史数据包括历史一段时期内待诊断的所述调距桨液压系统齿轮泵的数据，所述历史数据和所述实时数据包括流量数据、压力数据、温度数据以及螺距指令和反馈数据。
9、进一步地，所述历史数据和所述实时数据根据采样频率的不同，设置预定长度的数据序列，采集多个数据点并写入到所述数据库中。
10、进一步地，在所述s103中，所述斯皮尔曼相关性系数采用如下方式计算：
11、
12、其中，ρ为斯皮尔曼相关性系数，di＝rank1-rank2，表示第一个变量的秩和第二个变量的秩之间的差值，i为观测样本序号，n为总观测样本个数。
13、进一步地，在所述s103中，所述经验模态分解包括如下步骤：
14、s1031：确定待分解数据信号的所有的局部极值点，所述数据信号为所述流量数据、所述压力数据、所述温度数据或所述螺距指令和反馈数据的一种；
15、s1032：用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有的局部极小值点连接起来形成下包络线；
16、s1033：利用所述上包络线和所述下包络线，计算所述数据信号的内禀模态函数imf分量。
17、进一步地，在所述s1033中，所述内禀模态函数imf分量采用如下方式计算：
18、s10331：计算所述上包络线和所述下包络线的平均值m1；
19、s10332：计算所述数据信号x(t)和所述平均值m1的差值h1：x(t)-m1＝h1；
20、s10333：判断h1是否满足imf条件，若满足条件，则h1为x(t)的第一个imf分量；否则，将h1作为原始信号x(t)，重复所述s10331～s10333，直到满足imf条件；
21、s10334：设置c1＝h1，计算x(t)-c1＝r1，再令x(t)＝r1重复所述s10332～s10334进行下一次迭代，得到下一个imf分量。
22、进一步地，在所述s105中，所述卷积网络为4层一维的卷积网络，每一层卷积核大小为7，输出特征通道维度分别为32、64、128和256。
23、进一步地，在所述s107中，所述交叉熵分类器由一个线性变换层和3个齿轮泵故障状态构成，所述交叉熵分类器包括一个softmax函数：
24、
25、其中，h为卷积网络提取的特征，w、b为线性变换层的权重，i、j表示输出向量中的类别。
26、进一步地，在所述s109中，所述随机梯度下降方法通过求解多目标损失函数实现对对所述卷积网络和所述交叉熵分类器进行参数优化，所述多目标损失函数为：
27、
28、其中，loss总为总损失，loss分类为分类损失，loss评价差异为最大平均差异损失，t为目标域样本，s为源域样本，t为目标域样本总数，s为源域样本总数，i为故障类别序号，y′ti为目标域第i类故障的真实故障标签，yti为softmax函数输出的目标域第i类故障，||·||为2范数，hs为从源域数据提取的特征，ht为从目标域数据提取的特征。
29、进一步地，所述多目标损失函数包括交叉熵分类损失函数和最大平均差异损失函数，所述交叉熵分类损失函数用于学习所述源域数据中不同故障之间的区别，所述最大平均差异损失函数用于将所述源域数据和所述目标域数据映射到同一分布中。
30、在本发明的较佳实施方式中，和现有技术相比，本发明具有如下有益效果：
31、1、本发明通过在线故障迁移学习，实时地更新模型参数，减少源域和目标域的距离，可以实时根据液压系统齿轮泵运行状态更新故障特征，提高故障诊断精度；
32、2、本发明提供使用经验池回放提高学习收敛速度，实时保存当前设备采集的数据，并在更新参数时采样部分数据，提高了在线故障特征迁移学习收敛速度和精度。
33、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
1.一种在线调距桨液压系统齿轮泵故障特征迁移学习方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，在所述s101中，所述历史数据包括历史一段时期内待诊断的所述调距桨液压系统齿轮泵的数据，所述历史数据和所述实时数据包括流量数据、压力数据、温度数据以及螺距指令和反馈数据。
3.如权利要求2所述的方法，其特征在于，所述历史数据和所述实时数据根据采样频率的不同，设置预定长度的数据序列，采集多个数据点并写入到所述数据库中。
4.如权利要求3所述的方法，其特征在于，在所述s103中，所述斯皮尔曼相关性系数采用如下方式计算：
5.如权利要求4所述的方法，其特征在于，在所述s103中，所述经验模态分解包括如下步骤：
6.如权利要求5所述的方法，其特征在于，在所述s1033中，所述内禀模态函数imf分量采用如下方式计算：
7.如权利要求6所述的方法，其特征在于，在所述s105中，所述卷积网络为4层一维的卷积网络，每一层卷积核大小为7，输出特征通道维度分别为32、64、128和256。
8.如权利要求7所述的方法，其特征在于，在所述s107中，所述交叉熵分类器由一个线性变换层和3个齿轮泵故障状态构成，所述交叉熵分类器包括一个softmax函数：
9.如权利要求8所述的方法，其特征在于，在所述s109中，所述随机梯度下降方法通过求解多目标损失函数实现对对所述卷积网络和所述交叉熵分类器进行参数优化，所述多目标损失函数为：
10.如权利要求9所述的方法，其特征在于，所述多目标损失函数包括交叉熵分类损失函数和最大平均差异损失函数，所述交叉熵分类损失函数用于学习所述源域数据中不同故障之间的区别，所述最大平均差异损失函数用于将所述源域数据和所述目标域数据映射到同一分布中。
