本发明涉及旋转机械故障检测，特别涉及一种基于加权对抗的轴承故障诊断方法、装置及设备。
背景技术：
1、滚动轴承作为旋转机械中的关键部件，为设备静止部件和旋转部件搭建桥梁，但也是发生故障的主要来源；随着工业互联网和传感器技术的不断发展，轴承的故障诊断技术日益趋向于智能化；智能故障诊断通过传感器采集大量运行数据，然后应用数据挖掘技术找到隐藏的故障模式，相比于传统的依靠人工经验的方法效率更高，诊断也更准确；其中基于深度学习的方法自动学习高级特征，为智能故障诊断提供了强有力的工具。
2、基于深度学习的轴承故障诊断方法旨在利用采集到的轴承历史数据（训练集）训练模型，然后应用于判断目前轴承（测试集）的故障类别；该方法基于一个前提假设，轴承的训练集和测试集应服从相同的分布，然而在工业场景中该假设很难被满足；因为机械设备在生产运行过程中，轴承的负载和转速等工况是变化的；负载是指作用在轴承上的压力，如起重机在吊运不同重量的货物时，轴承所承受的载荷就会有相应的改变；转速是指轴承旋转的速度，根据工艺要求会调整相应的转速，如机床在粗加工和细加工时会切换不同的转速；轴承的这种工况变化使得采集的训练集和测试集数据存在分布差异，造成域偏移问题，即在训练集训练的模型无法很好地泛化在测试集。
3、为解决以上问题，故障诊断领域引入无监督域自适应技术；无监督域自适应是一种有效的迁移学习技术，能够将在一种有标签源域数据中学到的故障知识很好地迁移到另外一种不同但相关的无标签目标域数据；域自适应技术通过提取域不变特征从而缩小源域和目标域之间的分布差异；然而，目前大多数域自适应方法默认源域和目标域的标签空间一致，这种称为闭集跨域；但在真实的工业场景中，考虑轴承外部环境的复杂影响，如高温、潮湿、粉尘颗粒、酸碱等环境因素，对轴承的危害会相互叠加，容易导致轴承出现未知的故障类别，大大增加了迁移难度；将这两域标签空间不一致的问题称为开集跨域；因为目标域中已知类和未知类样本的混淆使得两域在对齐的过程中出现负迁移，即未知类样本被误分类为已知类，所以现有的无监督域自适应方法无法很好地解决开集跨域问题；现阶段针对开集跨域问题的研究，大多数方法是使用辅助分类器或者域辨别器的单个样本的输出直接作为衡量指标判断样本来自已知类的概率，忽略了目标域数据的整体分布信息，所以获取的权重会出现混淆，难以区分出目标域中的已知类样本和未知类样本，导致源域和目标域已知类的分布不能对齐，致使对于开集跨域故障的识别准确度较低。
技术实现思路
1、本发明实施例提供一种基于加权对抗的轴承故障诊断方法、装置及设备，可以解决现有技术中，存在的现阶段针对开集跨域问题的研究，大多数方法是使用辅助分类器或者域辨别器的单个样本的输出直接作为衡量指标判断样本来自已知类的概率，忽略了目标域数据的整体分布信息，所以获取的权重会出现混淆，难以区分出目标域中的已知类样本和未知类样本，导致源域和目标域已知类的分布不能对齐，致使对于开集跨域故障的识别准确度较低的问题。
2、本发明实施例提供一种基于加权对抗的轴承故障诊断方法，包括以下步骤：
3、获取滚动轴承不同工况下的振动信号对应的二维时频域图像；及获取滚动轴承的历史振动信号；
4、利用域对抗网络dann及图卷积网络构建特征提取器，利用贝叶斯方法构建包含后验推断的辅助分类器，利用域对抗网络dann分别构建域辨别器和标签分类器，将特征提取器、辅助分类器、域辨别器和标签分类器级联构建加权域网络模型；
5、将滚动轴承所采集的历史振动信号设定为有标签源域数据，将滚动轴承不同工况下的振动信号设定为目标域数据；使用有标签源域数据训练辅助分类器，获得训练后的辅助分类器；使用有标签源域数据训练标签分类器，获得训练后的标签分类器；将训练后的辅助分类器、训练后的标签分类器、特征提取器和域辨别器级联形成训练后的加权域网络模型；
6、将二维时频域图像输入训练后的加权域网络模型中；利用特征提取器提取二维时频域图像中目标域的样本特征；利用训练后的辅助分类器获取目标域特征的目标域熵值，并通过训练后辅助分类器包含的后验推断拟合目标域熵值，获得目标域特征的权重；利用域辨别器筛选权重值小的目标域特征并去除；利用训练后的标签分类器分离筛选后的目标域特征中的已知类特征和未知类特征，并根据已知类特征和未知类特征输出滚动轴承的故障诊断结果。
7、优选地，所述使用有标签源域数据训练辅助分类器的步骤，包括：
8、利用有标签的源域数据训练辅助分类器来估计目标域样本与源域样本的相似性，其损失方程 l c为：
9、
10、其中：表示样本的真实标签；表示交叉熵损失；表示带标签的源域数据集； s表示源域source；表示源域的样本数目；表示特征提取器；
11、辅助分类器通过源域学习一个在 k个类别上的决策边界，目标域未知类样本比已知类样本熵值高；
12、在目标域样本的熵值上建立两个beta分布的混合模型，定义目标域熵值混合分布的概率密度函数，其方程为：
13、
14、其中：表示目标域样本的熵值； h表示熵函数；和分别表示已知类和未知类部分概率密度函数的混合系数；其中每部分的概率密度函数服从的参数方程为：
15、
16、其中：和表示已知类部分的beta分布参数；和表示未知类部分的beta分布参数。
17、优选地，所述分布参数的更新，包括：
18、使用期望最大化em算法对分布参数和进行更新，引入隐变量和表示各部分熵值的后验概率；
19、在em算法的e步骤中固定参数，使用贝叶斯规则更新隐变量，更新方程为：
20、
21、其中：；；表示无标签目标域数据集； t表示目标域target；表示目标域的样本数目；表示第 i个目标域样本；
22、在em算法的m步骤中，固定e步骤中的隐变量，使用加权矩量法分别更新参数，更新方程为：
23、
24、其中：和分别表示已知类或未知类熵值的加权平均和加权方差估计；和分别表示已知类熵值的加权平均和加权方差估计；和分别表示未知类熵值的加权平均和加权方差估计的值，计算公式为：
25、
26、其中： γ k表示熵值的后验概率，当 k为0时表示已知类样本熵值的后验概率，当 k为1时表示未知类样本熵值的后验概率；
27、将e步骤和m步骤进行迭代，并计算后验概率获取目标域熵值属于已知类的概率作为对应样本的权重，其计算方程为：
28、
29、其中：表示目标域样本的熵值； h表示熵函数；表示特征提取器；表示辅助分类器；表示熵值属于已知类的概率密度函数；表示熵值属于未知类的概率密度函数；表示熵值的后验概率。
30、优选地，所述使用有标签源域数据训练标签分类器，包括：
31、使用有标签源域数据训练标签分类器，对已知类进行正确分类，其损失方程为：
32、
33、其中：表示每个样本分配到 k个已知类的概率；表示源域的样本数目；表示交叉熵损失；表示样本的真实标签；表示带标签的源域数据集； s表示源域source；表示特征提取器；
34、同时，目标域样本的权重越大，代表该样本属于已知类的概率越大；目标域样本的权重越小，即值越大，代表该样本属于未知类的概率越大；将值大的目标域样本分配为未知类参与训练，其损失方程为：
35、
36、其中：表示未知类的标签；表示目标域样本分配到未知类的概率；表示无标签目标域数据集； t表示目标域target；表示目标域的样本数目；表示第 i个目标域样本。
37、优选地，所述加权域网络模型的训练过程，包括：
38、在源域上预训练特征提取器和辅助分类器，并通过拟合熵值的混合分布获取目标域样本的初始权重，其优化方程为：
39、
40、其中：表示函数在其定义域中取得最小值的参数值；、分别表示特征提取器和辅助分类器的权重参数；、分别表示取得最小辅助分类损失时的权重参数值；
41、在获取初始权重后，开始交替训练特征提取器、辅助分类器、域辨别器和标签分类器；
42、交替训练分为两个阶段，第一阶段通过下式学习域辨别器，其优化方程为：
43、
44、其中： θ d表示域辨别器的权重参数；表示取得最小域分类损失 l d时的权重参数值；
45、第二阶段通过下式更新参数和，其优化方程为：
46、
47、其中：和分别表示特征提取器和标签分类器的学习参数；和分别表示联合损失最小情况下的和参数值；表示源域故障类别损失；表示目标域故障类别损失；表示域分类损失。
48、本发明实施例还提供一种基于加权对抗的轴承故障诊断装置，包括：
49、检测模块，用于获取滚动轴承不同工况下的振动信号对应的二维时频域图像；及获取滚动轴承的历史振动信号；
50、模型模块，利用域对抗网络dann及图卷积网络构建特征提取器，利用贝叶斯方法构建包含后验推断的辅助分类器，利用域对抗网络dann分别构建域辨别器和标签分类器，将特征提取器、辅助分类器、域辨别器和标签分类器级联构建加权域网络模型；
51、将滚动轴承所采集的历史振动信号设定为有标签源域数据，将滚动轴承不同工况下的振动信号设定为目标域数据；使用有标签源域数据训练辅助分类器，获得训练后的辅助分类器；使用有标签源域数据训练标签分类器，获得训练后的标签分类器；将训练后的辅助分类器、训练后的标签分类器、特征提取器和域辨别器级联形成训练后的加权域网络模型；
52、诊断模块，用于将二维时频域图像输入训练后的加权域网络模型中；利用特征提取器提取二维时频域图像中目标域的样本特征；利用训练后的辅助分类器获取目标域特征的目标域熵值，并通过训练后辅助分类器包含的后验推断拟合目标域熵值，获得目标域特征的权重；利用域辨别器筛选权重值小的目标域特征并去除；利用训练后的标签分类器分离筛选后的目标域特征中的已知类特征和未知类特征，并根据已知类特征和未知类特征输出滚动轴承的故障诊断结果。
53、本发明实施例还提供一种电子设备，包括存储器和处理器；
54、所述存储器，用于存储计算机程序；
55、所述处理器，用于执行所述存储器中存储的计算机程序时，实现如上的一种基于加权对抗的轴承故障诊断方法的步骤。
56、本发明实施例提供一种基于加权对抗的轴承故障诊断方法、装置及设备，与现有技术相比，其有益效果如下：
57、本发明通过滚动轴承所采集的历史振动信号形成的有标签源域数据训练加权域网络模型中的辅助分类器和标签分类器，使得训练后的辅助分类器提取目标域特征的目标域熵值，及使用后验推断拟合目标域熵值以获得目标域特征的权重时，缩小源域特征和目标域特征中已知类的特征分布偏差，从而使得训练后的标签分类器能够更好地区分目标域特征中的已知类和未知类，并根据已知类特征和未知类特征输出滚动轴承的诊断结果；本发明将目标域特征数据的整体分布信息进行清晰地展现，从而获取的权重明确，从而清楚地区分出目标域特征数据中的已知类样本和未知类样本，使源域和目标域已知类的特征分布对齐，因而对于开集跨域故障的识别准确度大幅提高。
1.一种基于加权对抗的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于加权对抗的轴承故障诊断方法，其特征在于，所述使用有标签源域数据训练辅助分类器的步骤，包括：
3.根据权利要求2所述的一种基于加权对抗的轴承故障诊断方法，其特征在于，所述分布参数的更新，包括：
4.根据权利要求1所述的一种基于加权对抗的轴承故障诊断方法，其特征在于，所述使用有标签源域数据训练标签分类器，包括：
5.根据权利要求1所述的一种基于加权对抗的轴承故障诊断方法，其特征在于，所述加权域网络模型的训练过程，包括：
6.一种基于加权对抗的轴承故障诊断装置，其特征在于，
7.一种电子设备，其特征在于，包括存储器和处理器；
