本发明涉及轴承故障诊断，尤其涉及一种基于迁移学习和对偶学习的轴承故障诊断方法及系统。
背景技术：
1、随着科学技术的迅猛发展及现代工业的进步，机械设备在日常工作中几乎无处不在。然而，某些情况下，这些机器在不利环境下运行，导致负荷过重，引发机电设备故障，进而带来高昂的维护费用、生产水平下降、经济损失以及潜在的人员伤亡风险。轴承作为机械的关键易损部件，其健康状况——在不同负荷条件下运行时可能出现的损伤或故障——直接影响设备的性能、稳定性和使用寿命。轴承由内圈、外圈、滚动体和保持架四个主要部分组成。大量关于旋转设备故障的研究表明，轴承故障是最常见的故障类型之一。因此，轴承的故障检测与诊断已成为开发和工程研究的重点课题。
2、故障检测域诊断方法的效果除了依赖于数据采集方式及被采信号的质量，有效的数据挖掘和特征学习方法更是其获得准确推断的关键。作为一种表示学习技术，深度学习通过多层结构进行特征转换和学习，从海量数据中提取监督信息，构建高度抽象的特征表示，并实现数据与模式之间的映射关系。与传统的机器学习方法相比，深度学习技术提供了更高的效率和准确性，因为深度学习倾向于端到端地解决问题，而传统机器学习方法通常需要将问题分解成不同部分，最后将它们的结果结合起来。
3、近年来，多种深度学习技术得到了广泛的关注并应用于机械故障诊断领域。尤其是深度迁移学习和领域自适应技术，通过利用源域和目标域之间的知识迁移，有效地提高了模型在不同环境下的泛化能力。然而，现有的方法在处理标签破坏和高噪声等弱监督场景时，常常表现出一定的局限性。标签破坏和高噪声环境下，传统方法难以保证可靠性和准确性。因此，发展能够适应这些挑战的新方法显得尤为重要。迁移课程学习和对偶学习等新兴技术，通过加强对可用数据集中有用样本的选择和针对性学习，有助于更好地理解和诊断轴承的故障。因此，本专利设计了基于迁移课程学习和对偶学习的轴承故障诊断方法，对于保障工业设备的安全性维护和提高工业生产效率具有重要理论意义和现实价值。
技术实现思路
1、本技术实施例通过提供一种基于迁移学习和对偶学习的轴承故障诊断方法及系统，通过迁移学习能力高效选择源域信息，提高泛化能力；通过对偶学习能力提高模型在复杂场景下的准确性。
2、本技术实施例提供了一种基于迁移学习和对偶学习的轴承故障诊断方法，所述方法包括：
3、步骤s1、获取多工况条件下的轴承全寿命振动信号，去噪处理后构建多工况全寿命数据集；
4、步骤s2、确定网络超参数，并搭建具有生成对抗形式的弱监督领域自适应网络框架fθ；其中，特征提取器获取输入xi的特征hi＝gf(xi)；类别分类器获得输入xi的预测类别标签域分类器获得输入xi的预测域标签
5、步骤s3、采用迁移课程学习和对偶学习的策略训练无监督领域自适应网络fθ直至收敛，其包括采用迁移课程学习的预备步以及基于对偶学习策略的若干个互为对偶的反向步和正向步；在预备步之后经过两个方向，即反向布和正向步的循环，网络误差下降到预期范围，得到训练后的无监督领域自适应网络；
6、步骤s31、采用迁移课程策略的预备步训练fθ得到预训练后的模型fθ(0),*；
7、步骤s32、根据预备步后得到的预训练模型fθ(0),*获得目标域样本伪标签，构建伪标签目标域数据集以步骤s31为原任务网络fθ构建基于对偶学习策略的对偶任务网络f′θ′，其以相反的迁移方向实现从伪标签目标域数据集至去标签源域数据集训练；
8、步骤s33、根据对偶任务及构造的伪标签目标域数据集和去标签源域数据集，进行反向步的模型再训练以获得对偶任务训练模型f′θ′；
9、步骤s34、根据原任务及源域和目标域数据集，进行正向步的模型再训练；根据正向步后的模型再次计算目标域样本的伪标签并更新伪标签目标域数据集；
10、步骤s35、重复步骤s33和步骤s34的反向步和正向步，直至模型充分收敛并具有充分的鲁棒性和泛化性；
11、步骤s4、采集现场测试数据并导入训练完成的弱监督领域自适应网络以获得对准确的故障诊断。
12、优选的，所述步骤s1中多工况全寿命数据集包含不同工况的源域数据集和目标域数据集
13、优选的，所述步骤s2中弱监督领域为源域数据集中包含标签错误和特征噪声干扰。
14、优选的，所述步骤s31中fθ(0),*的训练目标函数为：
15、
16、式中，ly、le和ld分别为类别交叉熵、目标域熵和域交叉熵；λe和λd为预设超参数；和为样本的类别标签真值；和分别为样本和的预测域标签；为样本的预测类别标签，为样本的向量形式的预测类别标签中的第c个元素；为迁移课程权重，其计算方式为：
17、
18、式中，和τi分别为样本学习的容易度和可迁移度，而γ为预设的课程阈值。
19、优选的，所述步骤s32中伪标签被定义为：
20、
21、式中，c表示第c个类别，有c∈{1,...,c}；表示预训练网络fθ(0),*输出向量中对应第c个类别的值；
22、优选的，所述步骤s33中对偶任务训练模型f′θ′的训练目标函数为：
23、
24、式中，λco为预设的超参数；为从伪标签目标域到去标签源域的一致性正则化项，其被定义为
25、
26、式中，和分别为目标域样本使用网络fθ和f′θ′当前参数获得的类别标签分布；djs(·||·)表示两分布间的jensen-shannon(js)散度值；l′y、l′e和l′d为将步骤s31中源域和目标域分别替换为伪标签目标域和去标签源域计算得到的类别交叉熵、目标域熵和域交叉熵，即
27、
28、式中，和为样本的类别标签真值；和分别为样本和的预测域标签；为样本的预测类别标签，为样本的向量形式的预测类别标签中的第c个元素；为迁移课程权重。
29、优选的，所述步骤s34中正向步的模型再训练的目标函数为：
30、
31、式中，为从源域到目标域的一致性正则化项，其被定义为
32、
33、式中，和分别为目标域样本使用网络fθ和f′θ′当前参数获得的类别标签分布。
34、本发明还提供了一种基于迁移学习和对偶学习的轴承故障诊断系统，采用上述的轴承故障诊断方法，包括：
35、信号获取模块，用于获取多工况条件下的轴承全寿命振动信号，去噪处理后构建多工况全寿命数据集；
36、模型构建模块，用于确定网络超参数，并搭建具有生成对抗形式的弱监督领域自适应网络框架fθ；其中，特征提取器获取输入xi的特征hi＝gf(xi)；类别分类器获得输入xi的预测类别标签域分类器获得输入xi的预测域标签
37、模型训练模块，用于采用迁移课程学习和对偶学习的策略训练无监督领域自适应网络fθ直至收敛，其包括采用迁移课程学习的预备步以及基于对偶学习策略的若干个互为对偶的反向步和正向步；在预备步之后经过两个方向布和正向步的循环，网络误差下降到预期范围，得到训练后的无监督领域自适应网络；
38、故障诊断模块，用于采集现场测试数据并导入训练完成的弱监督领域自适应网络以获得对准确的故障诊断。
39、本发明通过迁移学习能力和对偶学习能力对模型进行优化，使得本轴承故障诊断方法在弱监督高噪声破坏和干扰下仍然保持良好跨域泛化性能，即使大部分标签都被错误标记，其依然能够避免干扰，并筛选出有效样本，得到有效的特征和分类决策；本发明所提取的特征表达可视化性能更优，实现同类别样本正确聚集且不同类别样本相互分离的显示效果。
1.一种基于迁移学习和对偶学习的轴承故障诊断方法，其特征在于，所述方法包括：
2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s1中多工况全寿命数据集包含不同工况的源域数据集和目标域数据集
3.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s2中弱监督领域为源域数据集中包含标签错误和特征噪声干扰。
4.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s31中fθ(0),*的训练目标函数为：
5.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s32中伪标签被定义为：
6.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s33中对偶任务训练模型f′θ′的训练目标函数为：
7.如权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s34中正向步的模型再训练的目标函数为：
8.一种基于迁移学习和对偶学习的轴承故障诊断系统，采用权利要求1-7任一所述的轴承故障诊断方法，其特征在于，包括：
