1.一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于,包括以下步骤:S1,数据采集和基于短时傅里叶变换的信号预处理,将机械设备的原始时域振动信号作为输入样本,采集变工况的实验数据作为不同领域的样本,并标注领域标签,其中人工标注标签的数据作为源域数据;未被人工标注的标签为目标域数据;对源域数据和目标域数据进行短时傅里叶变换将时域振动信号转化为特征时频图;
S2,模型预训练,对源域特征时频图进行卷积操作,提取故障特征,构建初始化的卷积神经网络模型,实现针对源域的高精度故障诊断模型,将该源域的高精度故障诊断模型作为预训练模型,将卷积神经网络模型的参数迁移到目标域的故障诊断模型,所述卷积神经网络模型包括特征提取器和故障识别分类器;
S3,基于谱范数GAN的特征表示学习,利用GAN中的生成器改进卷积神经网络模型的特征提取器,构建针对目标域的特征提取器,使得卷积神经网络模型能够提取有效的故障特征;初始化特征提取器的参数,经过训练优化得到特征提取器的权重和偏置;
S4,基于谱范数GAN的领域判别器,利用GAN中的判别器针对不同的领域构建多分类的领域判别器,所述领域判别器可以学习领域之间的差异,并对S3的故障特征进行识别,判断故障特征所属的领域;在领域判别器的监督下,使特征提取器能够学习跨领域不变的故障特征;
S5,对抗知识迁移及诊断,包括卷积神经网络模型优化,优化所述S2中卷积神经网络模型的目标函数为:其中LCE为交叉熵损失,ys分别为针对源域数据的预测标签和人工标签,分别为针对目标域数据的预测标签和伪标签,伪标签可以用预测标签来计算:优化所述S3中特征提取器的目标函数为:
其中ds分别为源域数据的领域预测值和领域标签,为目标域数据的领域预测值;
优化所述S4中领域判别器的目标函数为:
其中为目标域数据的领域标签;
交替训练如下的联合优化目标:
以实现诊断模型的对抗知识迁移,减小领域间故障特征的差异。
2.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于:所述S2包括:S2.1,卷积神经网络模型,包括特征提取器和故障识别分类器,经过多层的卷积神经网络模型优化训练,得到一个针对源域数据的预训练模型,其中将卷积层堆叠,构成一个高效的特征提取器;
S2.2,预训练模型,用于在执行对抗知识迁移之前,源域数据对卷积神经网络模型参数进行预训练;
S2.3,卷积神经网络模型的优化,通过反向传播算法优化神经网络的参数,直至卷积神经网络模型优化完成。
3.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于:所述S3包括:S3.1,初始化特征提取器的参数,其中特征提取器和故障识别分类器的初始化参数均由源域高精度故障诊断模型得来的预训练初始化参数;
S3.2,目标域特征提取器的特征表示学习,将学习到的参数迁移到特征提取器来初始化模型的参数,通过训练优化,使特征提取器学习并提取到与跨领域不变的故障特征;
S3.3,对特征提取器和领域判别器的谱范数正则化,引入谱范数正则化,使特征提取器的映射函数满足Lipschitz常数为1的谱范数约束,同时使领域故障识别分类器每层的Lipschitz常数小于1。
4.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于:所述S4包括:S4.1,基于GAN模型的领域判别器,所述基于GAN的领域判别器,用于鉴别故障数据的工况信息并约束特征提取器的训练;
S4.2,谱范数正则化约束下的领域判别器,所述领域判别器中引入了谱范数正则化。
5.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于:所述S5包括:S5.1,领域判别器的优化,提取在不同领域下相同的故障特征,特征提取器被领域判别器所约束;
S5.2,特征提取器及故障识别分类器的优化,特征提取器通过对抗知识迁移来优化参数,最优的特征提取器能够混淆领域判别器,即提取的特征使领域判别器无法准确识别故障特征所属领域,来提取跨领域不变的故障特征。
6.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法,其特征在于,所述多工况机械故障诊断方法还包括:(1)、利用所述S1中不同领域的特征时频图构建故障诊断数据集;
(2)、基于谱范数GAN建立的机械故障诊断模型;
(3)、基于谱范数GAN的多工况机械故障诊断方法得出在变工况下的故障诊断结果。