基于DANN变工况和少标签谐波减速器故障诊断方法

基于dann变工况和少标签谐波减速器故障诊断方法
技术领域
1.本发明涉及了一种减速器故障诊断方法，具体涉及一种基于dann变工况和少标签谐波减速器故障诊断方法。


背景技术：

2.谐波减速器广泛应用于航空航天、工程机械、军用设备、风力发电、通信设备等诸多领域，其主要由波发生器、带有内齿圈的刚性齿轮(柔轮)、带有外齿圈的柔性齿轮(刚轮)与柔性轴承四个基本构件组成。由于其精密的结构组成，因此具有传动速比大、承载能力高、传动精度高、传动效率高、运动平稳、结构简单以及可向密闭空间传递运动等优点，特别是在高动态性能与高精度传动系统中，采用谐波齿轮传动更显示出其优越性。由于谐波减速器在实际工业应用中的重要性与不可替代性，因此开展谐波减速器的故障诊断与状态监测，对可能发生的故障进行检测、诊断和预测，以“防患于未然”，对保证设备的可靠、连续和稳定运行，以及避免重大事故发生，具有十分重要的现实需求和实际意义。
3.基于有健康状态标签的振动信号进行变工况下的故障诊断是常用的方法，通过深度神经网络提取振动信号的内在特征，并且利用神经网络缩小源域与目标域间的分布差异以学习信号样本的域不变特征，来实现变工况下的故障诊断。但其都基于振动信号必须具有对应的健康状态标签，这与我们实际情况并不相符。实际情况往往为采集到大量的振动信号，却无法对所采集到的振动信号进行健康状态标注，这使得常规的故障诊断方法无法适用于实际情况。


技术实现要素：

4.为了解决背景技术中存在的问题，本发明所提供一种基于dann变工况和少标签谐波减速器故障诊断方法。
5.本发明采用的技术方案是：
6.本发明谐波减速器故障诊断方法包括如下步骤：
7.s1、通过安装在试验台驱动端的传感器分别采集谐波减速器在正常、刚轮故障、柔轮故障和波发生器四类故障的四种负载工况下的健康状态的振动信号，每种振动信号均包括m个样本，每个样本中有m个信号采样点；传感器具体为振动传感器。
8.s2、针对步骤s1中的每种振动信号，使用分段聚合近似方法paa进行聚合以减小大小后进行缩放，获得预处理振动信号。
9.s3、使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，以16a为步长对极坐标预处理振动信号进行划窗截取采样后获得若干采样样本，每个样本中包括128c个信号采样点，128c＜m；将各个采样样本中的若干采样样本进行故障标注作为标注样本，剩下的若干采样样本不进行故障标注作为无标注样本。
10.s4、针对每个采样样本，使用两角差cos函数处理一维采样样本后获得谐波减速器的振动信号的二维gasf图像；将由进行故障标注采样样本获得的gasf图像作为有标签数据
图像，将由未进行故障标注采样样本获得的gasf图像作为无标签数据图像；有标签数据图像的批次batch＝b，无标签数据图像的批次batch＝μb，μ为预设比例。
11.s5、将各个有标签数据图像和各个无标签数据图像共同作为训练集，具体按照预设比例划分为训练集和验证集进行训练和验证；将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络。
12.s6、将每个无标签数据图像输入训练完成的标签生成网络中处理后输出每个无标签数据图像的生成标签数据图像，即生成人工标签。
13.s7、将各个有标签数据图像和生成标签数据图像共同作为源域，具体为将预设比例划分为训练集和验证集进行训练和验证；将除了源域的负载工况的另外一种负载工况下的振动信号经步骤s2-s4获得的各个无标签数据图像作为目标域，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann。
14.s8、通过传感器采集谐波减速器在工作时的实时振动信号，将实时振动信号进行步骤s2-s3中的振动信号的相同的操作获得若干实时采样样本，将各个实时采样样本进行步骤s4中的采样样本的相同的操作获得若干实时gasf图像，将各个实时gasf图像依次输入训练完成的标签生成网和训练完成的领域对抗迁移网络dann中处理后确定实时振动信号的负载工况，实现在变工况和少标签情况下的谐波减速器的故障诊断。
15.所述的步骤s2中，每种振动信号均为笛卡尔坐标系下的时间序列信号，将时间序列信号分段聚合近似方法paa进行聚合后再缩放到[-1,1]区间完成振动信号的预处理。
[0016]
所述的步骤s3中，使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，具体为使用反余弦方法，将笛卡尔坐标系下的预处理振动信号转换到极坐标系下，即针对笛卡尔坐标系下的预处理振动信号的每个时间戳(x，y)，将时间戳(x，y)转换为极坐标系下的半径和角度，具体如下：
[0017][0018][0019]
其中，r为时间戳(x，y)转换后的极坐标系下的半径，θ为时间戳(x，y)转换后的极坐标系下的角度；x和y分别为笛卡尔坐标系下的时间戳的横纵坐标。
[0020]
所述的步骤s5中，将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络，具体如下：
[0021]
s5.1、将训练集中的各个有标签数据图像输入基于半监督学习ssl的标签生成网络中进行常规的有监督训练，基于半监督学习ssl的标签生成网络输出各个有标签数据图像的crossentropyloss交叉熵损失ls。
[0022]
s5.2、将训练集中的各个无标签数据图像基于半监督学习ssl的标签生成网络中进行augment图像增强处理，augment图像增强处理包括强增强处理和弱增强处理。
[0023]
s5.3、根据各个进行弱增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得弱增强处理的无标签数据图像的softmax预测结果的argmax预测概率，直至argmax预测概率大于预设基准时输出弱增强处理的无标签数据图像的softmax预测结果。
[0024]
s5.4、根据各个进行强增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得强增强处理的无标签数据图像的softmax预测结果，将各个无标签数据图像经弱增强处理和强增强处理后获得的softmax预测结果做交叉熵损失crossentropyloss，获得各个无标签数据图像的crossentropyloss交叉熵损失lu；通过一致性正则化和伪标签来提取泛化特征。
[0025]
s5.5、根据各个有标签数据图像的crossentropyloss交叉熵损失ls和各个无标签数据图像的crossentropyloss交叉熵损失lu获得标签生成网络的最终损失，并将最终损失反向梯度传播至标签生成网络中对标签生成网络进行参数优化更新，最终获得训练完成的基于半监督学习ssl的标签生成网络。
[0026]
所述的强增强处理具体为进行兰德数据增强randaugment处理和控制理论数据增强ctaugment处理；所述的弱增强处理具体为进行标准的旋转和/或移位处理。
[0027]
所述的最终损失loss具体如下：
[0028]
loss＝ls+λlu[0029]
其中，λ为预设超参数。
[0030]
所述的步骤s7中，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann，具体如下：
[0031]
s7.1、领域对抗迁移网络dann包括特征提取器gf、类别分类器gy和领域判别器gd，首先将源域和目标域共同输入特征提取器gf中进行特征提取获得具有强泛化性的若干领域不变特征；特征提取器gf输出特征提取损失。
[0032]
s7.2、将各个领域不变特征输入类别分类器gy中进行故障分类，类别分类器gy输出类别分类损失。
[0033]
s7.3、将各个领域不变特征输入领域判别器gd中，用于判断领域不变特征特征来自源域还是目标域，领域判别器gd输出领域判别损失。
[0034]
s7.4、领域对抗迁移网络dann通过最小化特征提取损失和类别分类损失，同时最大化领域判别损失，对特征提取器gf、类别分类器gy和领域判别器gd进行参数优化更新，直至领域对抗迁移网络dann收敛，获得训练完成的领域对抗迁移网络dann。
[0035]
领域对抗迁移网络dann还在特征提取器gf和领域判别器gd间加入梯度反转层grl，使得在最小化故障标签分类损失的同时，最大化领域分类损失，使随机梯度下降变为梯度上升，梯度反转层grl的功能则通过将该层梯度取反实现。
[0036]
本发明的有益效果是：
[0037]
1、采用gasf与划窗截取图像处理方法将时域信号转换为图像，从而为特征提取提供更全面的表征。
[0038]
2、使用基于ssl的标签生成模块，通过生成人工标签解决了尚未有人考虑过的源域标签不足问题；并通过一致性正则化和伪标签来提取泛化特征，这两者都被应用于源域标签的生成以实现实际工业中的智能故障探测。
[0039]
3、引入了对抗性领域适应方法dann来衡量和优化跨领域间的数据分布，这有利于在工况发生重大变化时进行有效与准确的故障诊断结果。
附图说明
[0040]
图1为本发明的方法流程图。
具体实施方式
[0041]
下面结合附图及具体实施例对本发明作进一步详细说明。
[0042]
如图1所示，本发明谐波减速器故障诊断方法包括如下步骤：
[0043]
s1、通过安装在试验台驱动端的传感器分别采集谐波减速器在正常、刚轮故障、柔轮故障和波发生器四类故障的四种负载工况下的健康状态的振动信号，每种振动信号均包括m个样本，每个样本中有m个信号采样点；传感器具体为振动传感器。
[0044]
s2、针对步骤s1中的每种振动信号，使用分段聚合近似方法paa进行聚合以减小大小后进行缩放，获得预处理振动信号。
[0045]
步骤s2中，每种振动信号均为笛卡尔坐标系下的时间序列信号，将时间序列信号分段聚合近似方法paa进行聚合后再缩放到[-1,1]区间完成振动信号的预处理。
[0046]
s3、使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，以16a为步长对极坐标预处理振动信号进行划窗截取采样后获得若干采样样本，每个样本中包括128c个信号采样点，128c＜m；将各个采样样本中的若干采样样本进行故障标注作为标注样本，剩下的若干采样样本不进行故障标注作为无标注样本。
[0047]
步骤s3中，使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，具体为使用反余弦方法，将笛卡尔坐标系下的预处理振动信号转换到极坐标系下，即针对笛卡尔坐标系下的预处理振动信号的每个时间戳(x，y)，将时间戳(x，y)转换为极坐标系下的半径和角度，具体如下：
[0048][0049][0050]
其中，r为时间戳(x，y)转换后的极坐标系下的半径，θ为时间戳(x，y)转换后的极坐标系下的角度；x和y分别为笛卡尔坐标系下的时间戳的横纵坐标。
[0051]
s4、针对每个采样样本，使用两角差cos函数处理一维采样样本后获得谐波减速器的振动信号的二维gasf图像；将由进行故障标注采样样本获得的gasf图像作为有标签数据图像，将由未进行故障标注采样样本获得的gasf图像作为无标签数据图像；有标签数据图像的批次batch＝b，无标签数据图像的批次batch＝μb，μ为预设比例。
[0052]
s5、将各个有标签数据图像和各个无标签数据图像共同作为训练集，具体按照预设比例划分为训练集和验证集进行训练和验证；将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络。
[0053]
步骤s5中，将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络，具体如下：
[0054]
s5.1、将训练集中的各个有标签数据图像输入基于半监督学习ssl的标签生成网络中进行常规的有监督训练，基于半监督学习ssl的标签生成网络输出各个有标签数据图像的crossentropyloss交叉熵损失ls。
[0055]
s5.2、将训练集中的各个无标签数据图像基于半监督学习ssl的标签生成网络中
进行augment图像增强处理，augment图像增强处理包括强增强处理和弱增强处理。
[0056]
s5.3、根据各个进行弱增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得弱增强处理的无标签数据图像的softmax预测结果的argmax预测概率，直至argmax预测概率大于预设基准时输出弱增强处理的无标签数据图像的softmax预测结果。
[0057]
s5.4、根据各个进行强增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得强增强处理的无标签数据图像的softmax预测结果，将各个无标签数据图像经弱增强处理和强增强处理后获得的softmax预测结果做交叉熵损失crossentropyloss，获得各个无标签数据图像的crossentropyloss交叉熵损失lu；通过一致性正则化和伪标签来提取泛化特征。
[0058]
s5.5、根据各个有标签数据图像的crossentropyloss交叉熵损失ls和各个无标签数据图像的crossentropyloss交叉熵损失lu获得标签生成网络的最终损失，并将最终损失反向梯度传播至标签生成网络中对标签生成网络进行参数优化更新，最终获得训练完成的基于半监督学习ssl的标签生成网络。
[0059]
强增强处理具体为进行兰德数据增强randaugment处理和控制理论数据增强ctaugment处理；所述的弱增强处理具体为进行标准的旋转和/或移位处理。
[0060]
最终损失loss具体如下：
[0061]
loss＝ls+λlu[0062]
其中，λ为预设超参数。
[0063]
s6、将每个无标签数据图像输入训练完成的标签生成网络中处理后输出每个无标签数据图像的生成标签数据图像，即生成人工标签。
[0064]
s7、将各个有标签数据图像和生成标签数据图像共同作为源域，具体为将预设比例划分为训练集和验证集进行训练和验证；将除了源域的负载工况的另外一种负载工况下的振动信号经步骤s2-s4获得的各个无标签数据图像作为目标域，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann。
[0065]
步骤s7中，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann，具体如下：
[0066]
s7.1、领域对抗迁移网络dann包括特征提取器gf、类别分类器gy和领域判别器gd，首先将源域和目标域共同输入特征提取器gf中进行特征提取获得具有强泛化性的若干领域不变特征；特征提取器gf输出特征提取损失。
[0067]
s7.2、将各个领域不变特征输入类别分类器gy中进行故障分类，类别分类器gy输出类别分类损失。
[0068]
s7.3、将各个领域不变特征输入领域判别器gd中，用于判断领域不变特征特征来自源域还是目标域，领域判别器gd输出领域判别损失。
[0069]
s7.4、领域对抗迁移网络dann通过最小化特征提取损失和类别分类损失，同时最大化领域判别损失，对特征提取器gf、类别分类器gy和领域判别器gd进行参数优化更新，直至领域对抗迁移网络dann收敛，获得训练完成的领域对抗迁移网络dann。
[0070]
领域对抗迁移网络dann还在特征提取器gf和领域判别器gd间加入梯度反转层grl，使得在最小化故障标签分类损失的同时，最大化领域分类损失，使随机梯度下降变为
梯度上升，梯度反转层grl的功能则通过将该层梯度取反实现。
[0071]
s8、通过传感器采集谐波减速器在工作时的实时振动信号，将实时振动信号进行步骤s2-s3中的振动信号的相同的操作获得若干实时采样样本，将各个实时采样样本进行步骤s4中的采样样本的相同的操作获得若干实时gasf图像，将各个实时gasf图像依次输入训练完成的标签生成网和训练完成的领域对抗迁移网络dann中处理后确定实时振动信号的负载工况，实现在变工况和少标签情况下的谐波减速器的故障诊断。
[0072]
步骤s3中，具体以64为步长对极坐标预处理振动信号进行划窗截取采样后获得若干采样样本，每个样本中包括512个信号采样点；步骤s5和s7中，具体按照8:2的比例划分为训练集和数据集，对网络进行训练和验证。步骤s7中，在梯度反转层grl的作用下，网络将损失项最大化。经对比测试，模型选择领域损失影响因子δ＝0.3。
[0073]
本发明方法通过设计信号划窗截取方法和gasf信号转换方法，将谐波减速器时域信号转换为二维图像，提高了信号特征在深度网络的提取效率，设计基于半监督学习的标签生成方法，为无健康状态标注的信号样本生成相应的人工预测标签，使其适用于后续的故障诊断任务，设计了基于对抗生成算法的领域对抗神经网络模型，极大提高了变工况下谐波减速器故障诊断的精度与准确度。

技术特征：
1.一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：方法包括如下步骤：s1、通过传感器分别采集谐波减速器在正常、刚轮故障、柔轮故障和波发生器四类故障的四种负载工况下的振动信号；s2、针对步骤s1中的每种振动信号，使用分段聚合近似方法paa进行聚合后进行缩放，获得预处理振动信号；s3、使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，以16a为步长对极坐标预处理振动信号进行划窗截取采样后获得若干采样样本，每个样本中包括128c个信号采样点；将各个采样样本中的若干采样样本进行故障标注作为标注样本，剩下的若干采样样本不进行故障标注作为无标注样本；s4、针对每个采样样本，使用两角差cos函数处理采样样本后获得谐波减速器的振动信号的gasf图像；将由进行故障标注采样样本获得的gasf图像作为有标签数据图像，将由未进行故障标注采样样本获得的gasf图像作为无标签数据图像；s5、将各个有标签数据图像和各个无标签数据图像共同作为训练集，将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络；s6、将每个无标签数据图像输入训练完成的标签生成网络中处理后输出每个无标签数据图像的生成标签数据图像；s7、将各个有标签数据图像和生成标签数据图像共同作为源域，将除了源域的负载工况的另外一种负载工况下的振动信号经步骤s2-s4获得的各个无标签数据图像作为目标域，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann；s8、通过传感器采集谐波减速器在工作时的实时振动信号，将实时振动信号进行步骤s2-s3中的振动信号的相同的操作获得若干实时采样样本，将各个实时采样样本进行步骤s4中的采样样本的相同的操作获得若干实时gasf图像，将各个实时gasf图像依次输入训练完成的标签生成网和训练完成的领域对抗迁移网络dann中处理后确定实时振动信号的负载工况，实现在变工况和少标签情况下的谐波减速器的故障诊断。2.根据权利要求1所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的步骤s2中，每种振动信号均为笛卡尔坐标系下的时间序列信号，将时间序列信号分段聚合近似方法paa进行聚合后再缩放到[-1,1]区间完成振动信号的预处理。3.根据权利要求2所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的步骤s3中，使用坐标变换法将预处理振动信号转换为极坐标预处理振动信号，具体为使用反余弦方法，将笛卡尔坐标系下的预处理振动信号转换到极坐标系下，即针对笛卡尔坐标系下的预处理振动信号的每个时间戳(x，y)，将时间戳(x，y)转换为极坐标系下的半径和角度，具体如下：系下的半径和角度，具体如下：其中，r为时间戳(x，y)转换后的极坐标系下的半径，θ为时间戳(x，y)转换后的极坐标
系下的角度；x和y分别为笛卡尔坐标系下的时间戳的横纵坐标。4.根据权利要求1所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的步骤s5中，将训练集输入基于半监督学习ssl的标签生成网络进行训练，获得训练完成的标签生成网络，具体如下：s5.1、将训练集中的各个有标签数据图像输入基于半监督学习ssl的标签生成网络中进行有监督训练，基于半监督学习ssl的标签生成网络输出各个有标签数据图像的crossentropyloss交叉熵损失l
s
；s5.2、将训练集中的各个无标签数据图像基于半监督学习ssl的标签生成网络中进行augment图像增强处理，augment图像增强处理包括强增强处理和弱增强处理；s5.3、根据各个进行弱增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得弱增强处理的无标签数据图像的softmax预测结果的argmax预测概率，直至argmax预测概率大于预设基准时输出弱增强处理的无标签数据图像的softmax预测结果；s5.4、根据各个进行强增强处理的无标签数据图像，基于半监督学习ssl的标签生成网络处理后获得强增强处理的无标签数据图像的softmax预测结果，将各个无标签数据图像经弱增强处理和强增强处理后获得的softmax预测结果做交叉熵损失crossentropyloss，获得各个无标签数据图像的crossentropyloss交叉熵损失l
u
；s5.5、根据各个有标签数据图像的crossentropyloss交叉熵损失l
s
和各个无标签数据图像的crossentropyloss交叉熵损失l
u
获得标签生成网络的最终损失，并将最终损失反向梯度传播至标签生成网络中对标签生成网络进行参数优化更新，最终获得训练完成的基于半监督学习ssl的标签生成网络。5.根据权利要求4所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的强增强处理具体为进行兰德数据增强randaugment处理和控制理论数据增强ctaugment处理；所述的弱增强处理具体为进行旋转和/或移位处理。6.根据权利要求4所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的最终损失loss具体如下：loss＝l
s
+λl
u
其中，λ为预设超参数。7.根据权利要求1所述的一种基于dann变工况和少标签谐波减速器故障诊断方法，其特征在于：所述的步骤s7中，将源域和目标域共同输入领域对抗迁移网络dann中进行训练，获得训练完成的领域对抗迁移网络dann，具体如下：s7.1、领域对抗迁移网络dann包括特征提取器gf、类别分类器gy和领域判别器gd，首先将源域和目标域共同输入特征提取器gf中进行特征提取获得若干领域不变特征；特征提取器gf输出特征提取损失；s7.2、将各个领域不变特征输入类别分类器gy中，类别分类器gy输出类别分类损失；s7.3、将各个领域不变特征输入领域判别器gd中，领域判别器gd输出领域判别损失；s7.4、领域对抗迁移网络dann通过最小化特征提取损失和类别分类损失，同时最大化领域判别损失，对特征提取器gf、类别分类器gy和领域判别器gd进行参数优化更新，直至领域对抗迁移网络dann收敛，获得训练完成的领域对抗迁移网络dann。

技术总结
本发明公开了一种基于DANN变工况和少标签谐波减速器故障诊断方法。方法包括：采集谐波减速器的振动信号；使用分段聚合近似方法进行聚合后缩放；使用坐标变换法转换，进行划窗截取采样；使用两角差cos函数处理后获得GASF图像；将训练集输入标签生成网络训练；将无标签数据图像输入处理后输出生成标签数据图像；将源域和目标域输入领域对抗迁移网络中进行训练；采集实时振动信号，获得实时GASF图像，依次输入训练完成的标签生成网和领域对抗迁移网络中处理后确定负载工况，实现谐波减速器的故障诊断。本发明方法能够为特征提取提供更全面的表征，解决了源域标签不足问题，有利于在工况发生重大变化时进行有效与准确的故障诊断结果。断结果。断结果。


技术研发人员：王午炎 潘柏松 文娟 李一帆
受保护的技术使用者：浙江工业大学台州研究院
技术研发日：2022.12.29
技术公布日：2023/8/1