1.一种基于深度学习的单源域泛化故障诊断方法,其特征在于,包括以下步骤:步骤1,从距离滚珠轴承最近的轴承座上采集单源域滚珠轴承振动信号,切分为振动信号样本片段后,进行预处理,对预处理后的振动信号样本片段划分为包含单源域数据的训练集以及包含多源域数据的测试集;
步骤2,将训练集中的数据通过编码器提取特征,并进行约束后,得到类相关特征和类无关特征;
步骤3,将类相关特征和类无关特征经过特征级协混增强模块进行增强,生成增强类相关特征和增强类无关特征;
步骤4,将增强类相关特征和增强类无关特征经过解码器的处理,生成增强信号;
步骤5,计算增强信号与原始滚珠轴承振动信号的余弦相似度,根据余弦相似度筛选增强信号;
步骤6,将原始滚珠轴承振动信号与筛选后的增强信号合并构建联合数据空间,在联合数据空间对样本进行局部聚类;
步骤7,将聚类后的联合数据输入至分类器中得到故障类型,并计算总损失值,反向更新诊断模型的参数,得到训练好的诊断模型;将测试集数据输入至已完成训练的诊断模型中,实现故障的诊断;该诊断模型包括编码器和分类器。
2.根据权利要求1所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,步骤2包括:将输入至编码器的振动信号样本记为,通过编码器得到类相关特征和类无关特征,然后通过特征解耦损失约束类相关特征和类无关特征;
其中特征解耦损失包括正交损失和冗余抑制损失,公式分别为:,
,
式中,和分别是类相关损失和类无关损失相对于类相关特征和类无关特征的梯度,表示L2范数,和分别是类相关和类无关损失;是元素为1的方阵,是单位矩阵,用于屏蔽对角线元素,是类相关特征矩阵,每一行表示一个样本的类相关特征向量,是类无关矩阵;表示 Hadamard乘积,表示Frobenius范数,是特征维度;
特征解耦损失表达式为:。
3.根据权利要求2所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,步骤3包括:将类相关特征和类无关特征输入至特征级协混增强模块中进行协混数据增强,生成类相关增强特征和类无关增强特征,公式分别为:,
,
式中,表示增强系数,表示按照随机索引排列后的类相关特征,表示按照随机索引排列后的类无关特征。
4.根据权利要求3所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,步骤4包括:将类相关增强特征和类无关增强特征输入至解码器,沿特征维度将两个特征向量合并为联合特征,再依次通过线性层、卷积层和ReLU逐步降维,最后成为映射到原信号维度的增强信号z。
5.根据权利要求4所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,步骤5包括:对增强信号z和原始机械振动信号进行快速傅里叶变换得到解析信号,将得到的解析信号的负频率部分置零,保留正频率部分;
再对解析信号的频谱做逆快速傅里叶变换,得到复数形式的解析信号,根据希尔伯特变换的性质,解析信号表示为:,
式中,是原始滚珠轴承振动信号,是虚数单位,是原始滚珠轴承振动信号的希尔伯特变换结果;
计算原始滚珠轴承振动信号的包络值,公式为:,
根据包络值计算余弦相似度,公式为:
,
式中,和分别表示原始滚珠轴承振动信号的包络值和增强信号的包络值,是两个向量的点积,和是和的模长;
选择余弦相似度超过阈值的增强信号z加入到训练集。
6.根据权利要求5所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,步骤6包括:将原始数据和筛选后的增强数据合并,通过K负三重损失增强类别之间的区分,选择距离锚点最远的k个负样本,最大化锚点和负样本之间的距离,同时最小化同一类样本锚点和正样本之间的距离,实现聚类;
其中,K负三重损失公式如下:
,
式中,是标准松弛系数;样本之间的距离的定义如下:,
式中,和是样本和的类相关特征。
7.根据权利要求1至6任一项所述的基于深度学习的单源域泛化故障诊断方法,其特征在于,在步骤7中计算总损失值的公式为:,
式中,为权重参数,为特征解耦损失,为K负三重损失;为交叉熵损失,公式为:,
式中,为样本总数,和分别是样本第i类的真实标签和预测概率。