1.一种双生成器协同域对抗轴承故障诊断方法,其特征在于,包括:S1:采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作为一个可迁移域,建立不同轴承工作负载下的可迁移数据集,对各可迁移数据集中的数据进行处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集;
S2:对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片;
S3:将所述源域样本图片和目标域样本图片输入提前搭建好的轴承故障诊断模型进行训练,使得两个特征生成器的鉴别器预测差异最大化,获得两个不同的特征生成器,所述轴承故障诊断模型包括两个特征生成器、分类器和鉴别器,具体包括:S31:将源域样本图片和目标域样本图片输入提前搭建好的轴承故障诊断模型,通过两个特征生成器提取样本图片的两种特征表示;
S32:将所提取两种特征输入分类器和鉴别器,分别获得两种分类器输出和两种鉴别器输出;
S33:将源域样本图片生成的两种分类器输出与真实标签求交叉熵损失;
损失公式表示如下:
其中,
S34:使用softmax函数对于鉴别器的输出求概率表示,分别获得第一特征生成器生成特征的鉴别器预测输出P差异公式表示如下:
其中,
S35:固定分类器和鉴别器,将步骤S33与步骤S34中的公式结合组成目标函数,更新第一特征生成器和第二特征生成器的参数,获得两个不同的特征生成器;
所述目标函数表示如下:
其中,G
S4:将所述源域样本图片和所述目标域样本图片作为输入,通过两个特征生成器提取样本图片的第一特征生成器生成特征和第二特征生成器生成特征,将第一特征生成器生成特征和第二特征生成器生成特征融合成新的特征,具体包括:S41:将源域样本图片和目标域样本图片作为输入,通过第一特征生成器和第二特征生成器提取样本图片的两种特征,将样本图片的两种特征经过鉴别器获得两种鉴别器输出,并使用softmax函数求得其概率表示,然后求得两组概率表示与50%的差值AS42:使用A
其中,A
S5:将第一特征生成器生成特征、第二特征生成器生成特征和融合后的新特征分别输入鉴别器获得对应的鉴别器输出,将获得的鉴别器输出与真实域标签求交叉熵损失,更新两个特征生成器、分类器和鉴别器的参数,直至轴承故障诊断模型收敛;
S6:将目标域数据集输入训练好的轴承故障诊断模型,所述训练好的轴承故障诊断模型输出预测结果,实现轴承故障诊断。
2.根据权利要求1所述的双生成器协同域对抗轴承故障诊断方法,其特征在于,所述步骤S1中构建源域数据集和目标域数据集包括以下步骤:通过加速度传感器采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作为一个可迁移域,建立不同轴承工作负载下的可迁移数据集,各可迁移数据集服从不同的条件分布与边缘分布;
对各可迁移数据集中的数据进行切割处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集。
3.根据权利要求1所述的双生成器协同域对抗轴承故障诊断方法,其特征在于,步骤S1中,所述源域数据集表示为其中,N
4.根据权利要求1所述的双生成器协同域对抗轴承故障诊断方法,其特征在于,步骤S2中,对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片,将其作为模型输入包括以下步骤:使用快速傅里叶变换对所述源域数据集和所述目标域数据集中的轴承信号样本进行处理,获取轴承频域信号样本;
将所述轴承频域信号样本通过无重叠的窗口处理成灰度图片,将其作为源域样本图片和目标域样本图片。
5.根据权利要求1所述双生成器协同域对抗轴承故障诊断方法的,其特征在于,步骤S3中,所述特征生成器由三个卷积层和一个全连接层组成,所述分类器由两个全连接层组成,所述鉴别器由两个全连接层组成。
6.根据权利要求1所述的双生成器协同域对抗轴承故障诊断方法,其特征在于,步骤S5中,将第一特征生成器生成特征、第二特征生成器生成特征和融合后的新特征分别输入鉴别器获得对应的鉴别器输出,将获得的鉴别器输出与真实域标签求交叉熵损失,更新两个特征生成器、分类器和鉴别器的参数,直至轴承故障诊断模型收敛包括以下步骤:S51:将特征F、F
其中,F表示融合后的新特征,F
S52:将各自鉴别器输出与真实域标签求交叉熵,其公式表示如下:其中,
S53:将各自分类器输出与真实标签求交叉熵,其公式表示如下:其中,
S54:将步骤S52和步骤S53中的损失结合,通过梯度下降法来更新第一特征生成器、第二特征生成器、分类器和鉴别器的参数,其公式表示如下:其中,G
7.根据权利要求1所述的双生成器协同域对抗轴承故障诊断方法,其特征在于,步骤S6中,将目标域数据集输入训练好的轴承故障诊断模型,所述训练好的轴承故障诊断模型输出预测结果,实现轴承故障诊断包括以下步骤:利用快速傅里叶变化对所述目标域数据集进行处理,得到所述目标域样本图片;
将所述目标域样本图片输入特征生成器中,提取第一特征生成器生成特征、第二特征生成器生成特征;
将所述第一特征生成器生成特征和所述第二特征生成器生成特征融合成新特征;
将新特征输入到分类器中得到其分类器输出,通过与真实标签进行对照,求得准确率。
8.一种双生成器协同域对抗轴承故障诊断系统,其特征在于,所述系统用于实现权利要求1至7任意一项所述的双生成器协同域对抗轴承故障诊断方法,包括:采集模块,用于采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作为一个可迁移域,建立不同轴承工作负载下的可迁移数据集,对各可迁移数据集中的数据进行处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集;
处理模块,用于对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片;
特征生成器训练模块,用于将所述源域样本图片和目标域样本图片输入提前搭建好的轴承故障诊断模型进行训练,使得两个特征生成器的鉴别器预测差异最大化,获得两个不同的特征生成器,所述轴承故障诊断模型包括两个特征生成器、分类器和鉴别器;
特征融合模块,用于将所述源域样本图片和所述目标域样本图片作为输入,通过两个特征生成器提取样本图片的第一特征生成器生成特征和第二特征生成器生成特征,将第一特征生成器生成特征和第二特征生成器生成特征融合成新的特征;
模型训练模块,用于将第一特征生成器生成特征、第二特征生成器生成特征和融合后的新特征分别输入鉴别器获得对应的鉴别器输出,将获得的鉴别器输出与真实域标签求交叉熵损失,更新两个特征生成器、分类器和鉴别器的参数,直至轴承故障诊断模型收敛;
测试模块,用于将目标域数据集输入训练好的轴承故障诊断模型,所述训练好的轴承故障诊断模型输出预测结果,实现轴承故障诊断。