本發(fā)明涉及故障診斷，尤其涉及一種基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法。

背景技術(shù)：

1、故障診斷技術(shù)在工業(yè)生產(chǎn)過程中能夠輔助故障的排查，加速工業(yè)生產(chǎn)能力的恢復(fù)，減少安全事故及其后續(xù)危險(xiǎn)；因此，故障診斷技術(shù)的發(fā)展也備受關(guān)注，尤其是需要長時(shí)間在高負(fù)載、高危險(xiǎn)等環(huán)境下工作的產(chǎn)業(yè)。

2、近年來，人工智能技術(shù)發(fā)展迅速，大量基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法被研發(fā)出來，且在數(shù)據(jù)集實(shí)驗(yàn)測試中取得了非常優(yōu)異的成果，即使這些方法存在著低可解釋性等問題，但憑借實(shí)驗(yàn)中的優(yōu)異性能、低人力消耗以及簡單易行等優(yōu)勢，使其從傳統(tǒng)故障診斷方法以及基于傳統(tǒng)機(jī)器學(xué)習(xí)的故障診斷方法中脫穎而出。

3、公開號(hào)為cn118395252a基于自適應(yīng)蒸餾的齒輪箱增量故障診斷學(xué)習(xí)方法的專利，損失函數(shù)使用對比損失、對比蒸餾損失以及自適應(yīng)蒸餾損失，能夠挖掘豐富的特征信息，但是由于故障診斷數(shù)據(jù)集本身具有數(shù)據(jù)量較少的特點(diǎn)，對比損失難以充分發(fā)揮作用，甚至對神經(jīng)網(wǎng)絡(luò)的特征提取能力造成損傷。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有方法的不足，本發(fā)明解決llmfd-ad模型中當(dāng)故障數(shù)據(jù)不充足時(shí)，對比損失會(huì)出現(xiàn)過度使用，導(dǎo)致該模型特征提取能力不足，訓(xùn)練不理想的問題；以及該模型在最近鄰分類預(yù)測過程中產(chǎn)生歸一化問題。

2、本發(fā)明所采用的技術(shù)方案是：一種基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法包括以下步驟：

3、步驟一、采集齒輪箱故障振動(dòng)信號(hào)，并添加故障類型標(biāo)簽，構(gòu)建故障齒輪箱故障數(shù)據(jù)集；

4、步驟二、利用聯(lián)合損失函數(shù)對初始任務(wù)模型，進(jìn)行訓(xùn)練，結(jié)合交叉熵?fù)p失函數(shù)與對比損失函數(shù)，使回放樣本參與對比損失值的計(jì)算，增加回放樣本在損失值計(jì)算中的權(quán)重；引入距離衡量，使同類樣本提取的特征在距離上接近；利用任務(wù)間的特征相似度，調(diào)整對比損失項(xiàng)的權(quán)重；

5、作為本發(fā)明的一種優(yōu)選實(shí)施方式，聯(lián)合損失函數(shù)的公式為：

6、

7、其中，α1和α2為超參數(shù)；scur為當(dāng)前階段訓(xùn)練使用的數(shù)據(jù)集；為任務(wù)階段t-1的回放樣本集；為任務(wù)階段t線性分類器輸出的分類預(yù)測結(jié)果；y為one-hot編碼后的故障類型標(biāo)簽；s(syc)為階段t的故障數(shù)據(jù)與回放樣本集之間的相似度均值；pi為第i個(gè)樣本的同類樣本集；|pi|為第i個(gè)樣本的同類樣本總數(shù)；τ為超參數(shù)；z為故障數(shù)據(jù)通過階段0模型經(jīng)過歸一化處理的特征值；i、j、k均為樣本標(biāo)號(hào)。

8、步驟三、計(jì)算任務(wù)階段t時(shí)的故障數(shù)據(jù)與代表前t個(gè)任務(wù)階段故障數(shù)據(jù)的回放樣本之間的特征相似度；將任務(wù)階段t的訓(xùn)練數(shù)據(jù)以及回放樣本集的故障數(shù)據(jù)進(jìn)行合并，利用綜合損失函數(shù)訓(xùn)練任務(wù)階段t模型；

9、作為本發(fā)明的一種優(yōu)選實(shí)施方式，綜合損失函數(shù)的公式為：

10、

11、其中，為聯(lián)合損失函數(shù)，為聯(lián)合蒸餾損失函數(shù)。

12、作為本發(fā)明的一種優(yōu)選實(shí)施方式，聯(lián)合蒸餾損失函數(shù)的公式為：

13、

14、其中，為特征相似度蒸餾損失值，β1、β2為超參數(shù)；為t-1任務(wù)階段線性分類器輸出的分類預(yù)測結(jié)果。

15、步驟四、利用交叉熵?fù)p失函數(shù)訓(xùn)練測試階段線性分類器；

16、步驟五、將待診斷的故障數(shù)據(jù)輸入最終任務(wù)階段模型，也即任務(wù)階段t模型，獲取故障數(shù)據(jù)的特征值；將特征值輸入線性分類器獲取分類預(yù)測結(jié)果；計(jì)算故障數(shù)據(jù)與各類回放樣本的類特征中心的余弦相似度，提取相似度最大的類對應(yīng)的任務(wù)標(biāo)識(shí)并進(jìn)行編碼，獲取任務(wù)預(yù)測結(jié)果；

17、作為本發(fā)明的一種優(yōu)選實(shí)施方式，任務(wù)預(yù)測結(jié)果的公式為：

18、

19、其中，μj為第j類樣本的特征中心；c為類別總數(shù)，enc(·)為編碼，sim()為余弦相似度函數(shù)。

20、步驟六、將分類預(yù)測結(jié)果與任務(wù)預(yù)測結(jié)果做哈達(dá)瑪積，獲取最終分類結(jié)果；

21、作為本發(fā)明的一種優(yōu)選實(shí)施方式，最終分類結(jié)果的公式為：

22、

23、其中λ1、λ2為超參數(shù)；為分類預(yù)測結(jié)果；pt為任務(wù)預(yù)測結(jié)果；⊙為哈達(dá)瑪積。

24、本發(fā)明的有益效果：

25、1、本發(fā)明在訓(xùn)練過程中使用聯(lián)合損失和聯(lián)合蒸餾損失，相比單純使用對比損失，在數(shù)據(jù)量較少情況下，根據(jù)任務(wù)之間的相似性，更好且更多的挖掘數(shù)據(jù)公共特征，為后續(xù)任務(wù)階段的訓(xùn)練找到更好的起點(diǎn)；公共特征的存在不僅有著類似于預(yù)訓(xùn)練的作用有助于任務(wù)的學(xué)習(xí)，提高準(zhǔn)確率；且能讓模型關(guān)注到起重要作用的特征，并在訓(xùn)練過程中限制參數(shù)修改，以對公共特征進(jìn)行保留，更好的抵抗模型的遺忘；引入距離衡量，要求同類樣本提取的特征在距離上接近，以保證特征更具代表性；聯(lián)合蒸餾損失與聯(lián)合損失能充分配合，更好發(fā)揮各自作用；

26、2、任務(wù)預(yù)測預(yù)先判斷故障樣本可能所屬的任務(wù)，進(jìn)而縮小分類預(yù)測的范圍，減小線性分類器將舊類故障樣本誤判為新類的可能性，提高準(zhǔn)確率；任務(wù)預(yù)測使用相似度作為衡量標(biāo)準(zhǔn)，對輸入分類器的各類特征無需進(jìn)行數(shù)據(jù)可比較化轉(zhuǎn)換，無額外歸一化需求，計(jì)算方面也無需進(jìn)行小數(shù)字除法計(jì)算，減少計(jì)算誤差。

技術(shù)特征：

1.一種基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，聯(lián)合損失函數(shù)的公式為：

3.根據(jù)權(quán)利要求1所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，綜合損失函數(shù)的公式為：

4.根據(jù)權(quán)利要求3所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，聯(lián)合蒸餾損失函數(shù)的公式為：

5.根據(jù)權(quán)利要求1所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，任務(wù)預(yù)測結(jié)果的公式為：

6.根據(jù)權(quán)利要求1所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，其特征在于，最終分類結(jié)果的公式為：

7.基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)系統(tǒng)，其特征在于，包括：存儲(chǔ)器，用于存儲(chǔ)可由處理器執(zhí)行的指令；處理器，用于執(zhí)行指令以實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法。

8.存儲(chǔ)有計(jì)算機(jī)程序代碼的計(jì)算機(jī)可讀介質(zhì)，其特征在于，計(jì)算機(jī)程序代碼在由處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法。

技術(shù)總結(jié)
本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于任務(wù)預(yù)測的齒輪箱增量故障診斷學(xué)習(xí)方法，包括采集齒輪箱故障振動(dòng)信號(hào)；利用聯(lián)合損失函數(shù)對初始任務(wù)模型進(jìn)行訓(xùn)練；計(jì)算任務(wù)階段t時(shí)故障數(shù)據(jù)與前t個(gè)任務(wù)階段故障數(shù)據(jù)的回放樣本之間的特征相似度；利用綜合損失函數(shù)訓(xùn)練任務(wù)階段t模型；利用交叉熵?fù)p失函數(shù)訓(xùn)練線性分類器；將特征值輸入線性分類器獲取分類預(yù)測結(jié)果；計(jì)算故障數(shù)據(jù)與各類回放樣本的類特征中心的余弦相似度，獲取任務(wù)預(yù)測結(jié)果。本發(fā)明解決LLMFD?AD模型中當(dāng)故障數(shù)據(jù)不充足時(shí)，對比損失會(huì)出現(xiàn)過度使用，導(dǎo)致模型特征提取能力不足，訓(xùn)練不理想的問題；以及該模型在最近鄰分類預(yù)測過程中產(chǎn)生歸一化問題。

技術(shù)研發(fā)人員：潘星原,郇戰(zhàn),時(shí)文雅
受保護(hù)的技術(shù)使用者：常州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9