本技术属于旋转机械故障诊断领域，特别涉及轴承真实损伤的诊断方法。
背景技术：
1、据统计，40％至70％的机电驱动系统和电机故障是由滚动轴承损坏引起的，由于停机，这可能导致应用成本高昂。因此，高风险的应用或具有高维护成本的应用中轴承的运行状态监测十分重要。轴承损坏的检测通常通过使用加速度传感器的振动分析来监测，因为传统基于物理模型的故障诊断方法通过振动信号的故障诊断方法已被证明在明确的工况下检测故障是有效的，但只能根据不同工况训练特定的诊断方法，对专家经验以及精确的数学物理知识要求较高。使得它对早期潜在的故障诊断能力不足，暂时还无法处理未知域的情况，如图1a所示。
2、利用大数据模型能利用所有历史完整数据且能对数据进行快速处理的优点，逐步出现数据驱动的故障诊断方法。经典的数据驱动方法包括对二分类的支持向量机模型和非线性问题中的核函数方法，实现故障状态的识别和分类。但由于现有装置的复杂性，要求主要是通过对过程中运行的振动数据进行分析处理,从而在不需知道系统精确解析模型的情况下完成系统的故障诊断。故出现如图1b所示域自适应(da)这一迁移学习领域的技术被用于处理这些跨域诊断任务。现有基于da的跨域故障诊断研究的核心：即从标记的源域中学习到的知识应用到未标记的目标域中。例如，张等人在深度卷积神经网络(cnn)的基础上使用对抗性适应学习过程来优化基础cnn以跨不同域进行适应。郭等人将条件识别和域适配进行集成，并通过最大均值差异(mmd)，以实现机器智能故障诊断。李等人引入了多层mmd，进一步将目标域特征与源域特征对齐。然而，在真实的工业场景中机械的故障数据是不可见的或者有很多没有先验的数据存在，使得域自适应这一转移诊断工作在只考虑最小化源域和目标域之间的差异时的效果变差。因为未知域超出已知域的转移，且在各种工况下采集标记样本来训练诊断模型是非常困难的，甚至是不可能的，这些情况的出现可能会导致高误诊率。
3、近些年，因为域自适应的泛化能力的有限性，研究人员对域自适应进一步探索，改进为域泛化。域泛化方法已在计算机视觉，自然语言处理，健康医疗等域广泛应用。如图1c所示，这是一种更实用但更具挑战性的场景。红色和蓝色区域表示现有的域，绿色区域表示看不见的域。由于没有先验分布估计可用于看不见的目标任务，因此关键是挖掘特定的源数据的可利用的数据中包含的域的不变特征表示，使特征表示能够泛化到未知域故障的判别中。然而，很少有学者将之应用到故障诊断的真实和人工数据中。为此，进一步考虑由于径向力、转速和环境温度等多种因素的变换，滚动轴承即使相同的故障类型，由于工作环境(人工或真实)的这种可变性，使传感器收集的数据也会不相同。特别是在工业应用中发生特定故障时，必须立即关闭系统进行维护，这使得很难为深度学习模型训练收集足够的故障样本。而且在使用大量功耗(约为1kw)或更低的廉价小型电动机的工业应用中，基于振动的方法会导致有额外传感器的成本，这在经济上是不可行的。
4、在之前的工作中，研究的重点是通过使用传感器收集到的振动信号特征提取来设计广义特征。希望找到对具体工况条件的变化中振动信号具有鲁棒性的故障特征。一些现有的理论表明：对于不同域保持不变的特征表示是通用的，并且可以转移到不同的域。有人使用迁移学习来辅助数据不足的真实场景诊断；还有人提出了一种混合深度迁移学习方法来解决有限标记轴承故障样本问题。然而，由于源域和目标域之间的样本分布不光滑，单独使用振动信号数据增广方法诊断故障不够准确。研究者进一步通过域不变表示学习方法，以学习域不变表示。廖等人研究了标记和未标记源数据之间的对抗性学习，以学习域不变特征。有人提出了一种结合特征归一化的对抗性泛化网络，学习来自多个来源的域不变表示。还有人开发了一个深度dg网络，使用相关性对准和三重态损失来探索域内特征。
5、以上研究尽管在一定程度取得了故障诊断的进一步发展，但它们仍然面临以下挑战。第一，特征学习不足。根据研究，学习域不变表示可以被认为是将已知域中的信息“学习总结”成为一个共享的特征表示，这会抛弃可能导致域偏移的域私有特征。然而，这些被抛弃的私有特征可能携带有利于诊断的故障敏感信息。因此，这会导致每个源域的模型性能下降。第二，上述方法主要侧重于人工损伤下振动信号的故障研究，而实际工况中的故障诊断通常更多变且更具挑战性。只利用振动信号加上其中还有抛弃的特征也导致了有限的特征多样性，因此模型可能面临过拟合源域的风险，导致泛化能力差。第三，不同域的特征信息表示的可区分性低。
6、除了特征提取之外，可区分性是不同域特征信息可进一步辨别以实现域泛化的另一个关键标准。通过考虑同一类之间的紧致性和不同类之间的可分性，进一步增强学习到的特征表示的可分辨性。
7、近年来，旋转机械故障诊断领域中的域适应方法越来越流行。然而，现有方法需要具有大量标记的先验数据分布。对于实际工况诊断中经常会遇到没有先验数据。除此之外，发现由人工损伤加速生成的人工损伤数据集和使用实际真实损伤生成的真实损伤数据集之间的数据具有显著差异性。所以基于人工损伤数据集开发的模型，结合域适应方法应用到真实损伤的工业数据中是一项具有挑战的任务。
技术实现思路
1、本技术的目的在于应对以上挑战，提出改进的旋转机械故障诊断方法。
2、为实现上述目的，本技术的一些实施例提供了一种基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，该方法首先设计了一种多源域工况数据混合多源域泛化网络模型，该网络模型将多源数据增广和域特征信息表示相结合；考虑到多源域特征，设计了多源数据增广和新的特征信息对比损失以找到域不变的类表示，从而为模型提供鲁棒的和判别的表示。
3、具体而言，本技术提出的多源数据增广泛化网络模型通过混合域间数据对齐分布生成增广数据，使增广数据能够混合来自多个源域的信息，实现多个源域之间的信息交互。这些增广数据携带和融合来自多个源域的一些私密信息，这将使整个数据分布平稳、连续。
4、在一些实施例中，通过所述新的特征信息对比损失最大化了不同源域中同一类的特征之间的相同信息，同时最小化了不同源域的特征之间的相异信息。
5、在一些实施例中，所提出的混合多源域泛化网络模型(mdfnet模型)分为两个主要部分，第一个主要部分是混合增强源域特征提取网络，旨在充分利用不同种类的信号域共享信息并进行特征提取和分类。第二个主要部分使不同类的共同信息最大化重合，同时最小化不同类之间的信息。这样，它就可以学习可以转移到新的看不见的域的独立于域的类表示。
6、本技术的主要有益效果包括：
7、本技术的一些实施例提出了模型的一种实际的故障诊断场景，即该模型可以在不访问其数据分布的情况下推广到真实的看不见域。与传统的数据诊断方法相比，所提出的泛化方法更适合实际真实的诊断任务。
8、本技术的一些实施例采用了一种可以根据不同机械数据的不同诊断框架，不仅能充分利用振动信号和电机电流信号来检测轴承损坏，也能处理小型旋转机械只单独收集了振动信号或电机电流信号的情况。提出的mdfnet模型引入了一种新的多源域数据增强增广方法，增强了源域混合特征信息不变表示的多样性。并且设计了一种新的特征信息对比损失，以最大化不同源域中同一特征信息类之间的相互信息来考虑跨源域关系，同时最小化同一源域间不同特征信息变化的学习表示，因此提高了不同源域数据的最大利用率以及共同特征信息的鲁棒性。
9、本技术的一些实施例设计了在德国帕德伯恩滚动轴承数据集上的实验以证明本技术提出的模型的有效性。进一步通过搭建行星平行轴齿轮箱轴承综合故障模拟实验台，通过进一步实验诊断任务结果，也验证了该模型在面对未知真实工况时，其性能优于对比模型。
1.一种基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法：其特征在于，包括步骤：
2.根据权利要求1所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，所述混合强度超参数β在区间[7，9]内选择。
3.根据权利要求1所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，还包括设计所述特征信息对比损失函数以最大化不同源域中同一特征信息类之间的相互信息来考虑跨源域关系，同时最小化同一源域间不同特征信息变化的学习表示。
4.根据权利要求1所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，还包括使得学习不同源域中人工损伤数据特征信息再进而泛化到真实损伤未知域中，即通过特征判别使相似特征表示的内积平均高于其他特征，从而学习人工损伤数据中不同域的相同故障特征信息进而泛化到真实损伤下的数据。
5.根据权利要求1所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，定义锚样本正样本和负样本三个样本，且锚样本和正样本是同一类别，负样本属于不同的类别；锚样本的特征信息对比损失函数表示为的形式化表示为：
6.根据权利要求5所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，所述信息对比超参数τ在[0.01，0.2]中选择。
7.根据权利要求5所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，所述类别分类损失函数是交叉熵损失函数。
8.根据权利要求7所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，总体优化目标由所述特征信息对比损失和所述交叉熵损失函数之间的凸组合表示：
9.根据权利要求8所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，所述对称分布超参数α在[0.2，0.6]中选择。
10.根据权利要求1所述的基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，其特征在于，所述旋转机械是轴承。
