本发明涉及故障诊断，具体涉及一种旋转机械无监督域自适应故障诊断方法、一种旋转机械无监督域自适应故障诊断系统、一种计算机设备、一种计算机可读存储介质及一种计算机程序产品。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
2、旋转机械广泛应用于风力发电机、内燃机等大型传动机组，长期处于高负载、强冲击等极端环境下工作，其齿轮、轴承等旋转机械关键部件容易产生故障且齿轮、轴承引发的停机时间较长，因此，监控旋转机械的运行状态，尽早发现旋转机械内部潜在故障并及时维护，对旋转机械实际工业生产正常运维有重要意义。
3、旋转机械故障诊断涉及数学、计算机、机械等多学科知识，传统故障诊断流程包括信号采集、信号特征提取、诊断模型搭建、训练、测试和结果分析等步骤。伴随着人工智能的发展，基于机器学习算法可以将特征提取、诊断模型、训练、测试和结果融合成一体，形成了基于机器学习的旋转机械故障诊断方法。
4、受益于计算机技术以及gpu性能的快速发展，深度学习凭借其强大的特征提取能力以及出色的故障分类性能被广泛应用于旋转机械故障诊断中。但在实际工业场景中旋转机械大多运行于健康状态下，难以获取齿轮、轴承等旋转机械关键部件有标签的故障数据，且旋转机械在复杂工况下采集的训练数据存在分布差异，有标签的故障数据不理想且故障数据不服从同一分布使得难以训练出泛化性能强、故障诊断准确率高的深度学习故障诊断模型。迁移学习可以利用不同数据分布的数据以提取数据共同特征，从标签数据完备的源域所学到的知识迁移到标签数据稀缺的目标域，通过在故障数据充足的分布下的学习到的知识解决故障数据不理想的分布下的诊断问题，放宽了深度学习诊断方法对于训练数据的要求，提高了深度学习诊断模型的泛化能力，因此基于迁移学习对旋转机械在实际工业生产复杂工况下进行故障诊断十分重要。
5、迁移学习故障诊断虽然不需要训练数据遵循同分布假设，但迁移诊断要求源域数据与目标域数据具有较高的相似度，利用模型从训练数据中学习的共性知识对旋转机械进行迁移故障诊断。然而，旋转机械齿轮、轴承等关键部件在复杂工况下易受噪音等激励因素干扰，其产生的振动信号通常具有非线性、非平稳和非周期的特点，难以从源域和目标域的训练数据中提取出关键的故障特征，难以准确度量源域和目标域之间的相似度，故障特征之间存在信息冗余和不重要特征易使迁移诊断模型产生负迁移现象，迁移故障诊断模型训练难度大，故障诊断准确率低。
技术实现思路
1、为了解决现有技术的不足，本发明提供了一种旋转机械无监督域自适应故障诊断方法及系统，根据相关系数、谱峭度和谱平滑系数的加权和构建量化指标，筛选出故障信息丰富和特征明显的目标分量，依据携带标签信息的振动信号对目标分量进行标注，划分不同转速下的目标分量构建特征增强的模型训练数据集，携带标签信息的源域数据与不携带标签信息的目标域数据输入到故障诊断模型中，利用域自适应损失以及分类损失构造整体损失函数对故障诊断模型进行训练，得到了跨域无监督故障诊断模型，实现了更精准的故障诊断。
2、为了实现上述目的，本发明采用如下技术方案：
3、第一方面，本发明提供了一种旋转机械无监督域自适应故障诊断方法。
4、一种旋转机械无监督域自适应故障诊断方法，包括以下过程：
5、对原始振动信号进行分解，得到每个传感器对应的多个本征模态函数，对各个本征模态函数，分别计算相关系数、谱峭度和谱平滑系数，计算相关系数、谱峭度和谱平滑系数的加权和，选择加权和最大的本征模态函数作为目标分量；
6、根据所述的目标分量以及预训练的域自适应无监督跨域诊断模型，得到故障诊断结果；域自适应无监督跨域诊断模型的训练过程中，以源域带有标签的不同转速下的样本目标分量作为源域训练集，以目标域不带标签的不同转速下的样本目标分量作为目标域训练集。
7、作为本发明第一方面进一步的限定，相关系数为本征模态函数与原始振动信号之间的相关系数。
8、作为本发明第一方面进一步的限定，计算相关系数、谱峭度和谱平滑系数的加权和，包括：
9、以第一权重系数与相关系数的乘积为第一计算结果，以第二权重系数与谱峭度的乘积为第二计算结果，以第三权重系数与谱平滑系数的乘积为第一计算结果，以第一计算结果、第二计算结果和第三计算结果的加和作为加权和。
10、作为本发明第一方面进一步的限定，域自适应无监督跨域诊断模型，包括特征提取器、域自适应器和分类器；
11、特征提取器基于卷积神经网络以及自注意力机制建立，目标分量先输入到第一卷积层，使用批量归一化和relu激活函数进行处理，经最大池化层池化后输入到第二卷积层；
12、使用批量归一化和relu激活函数进行处理，处理后输入到第三卷积层，并使用批量归一化和relu激活函数进行处理，通过自适应最大池化后，经自注意力机制施加权重后拼接并输入到全连接层中，使用l2正则化处理后得到特征提取结果。
13、作为本发明第一方面更进一步的限定，域自适应器用于在源域训练集和目标域训练集之间传递信息并适应到目标域的数据分布，学习源域、目标域的共同知识以进行源域和目标域共同特征空间映射；
14、通过最小化源域训练集和目标域训练集之间的距离或差异进行特征对齐，选择局部最大平均差异量化源域训练集和目标域训练集之间的局部分布差异；
15、作为本发明第一方面更进一步的限定，利用交叉熵损失函数训练并调整分类器的参数，利用局部最大平均差异建立域自适应损失函数，通过高斯核函数将源域、目标域中相同类标签数据从低维数据分布映射到可再生希尔伯特空间并转换为高维数据分布，以使得源域数据和目标域数据的局部特征对齐。
16、第二方面，本发明提供了一种旋转机械无监督域自适应故障诊断系统。
17、一种旋转机械无监督域自适应故障诊断系统，包括：
18、加权求和单元，被配置为：对原始振动信号进行分解，得到每个传感器对应的多个本征模态函数，对各个本征模态函数，分别计算相关系数、谱峭度和谱平滑系数，计算相关系数、谱峭度和谱平滑系数的加权和，选择加权和最大的本征模态函数作为目标分量；
19、故障诊断单元，被配置为：根据所述的目标分量以及预训练的域自适应无监督跨域诊断模型，得到故障诊断结果；域自适应无监督跨域诊断模型的训练过程中，以源域带有标签的不同转速下的样本目标分量作为源域训练集，以目标域不带标签的不同转速下的样本目标分量作为目标域训练集。
20、第三方面，本发明提供了一种计算机设备，包括：处理器和计算机可读存储介质；
21、处理器，适于执行计算机程序；
22、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本发明第一方面所述的旋转机械无监督域自适应故障诊断方法。
23、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如本发明第一方面所述的旋转机械无监督域自适应故障诊断方法。
24、第五方面，本发明提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面所述的旋转机械无监督域自适应故障诊断方法。
25、与现有技术相比，本发明的有益效果是：
26、1、本发明首先对原始振动信号进行分解，对分解后的本证模态函数，采用相关系数、谱峭度和谱平滑系数的加权和构建量化指标，去除了噪声等因素干扰，筛选出特征明显的目标分量作为训练数据集输入到故障诊断模型中，减少了负迁移对智能故障诊断模型准确率的影响。
27、2、在旋转机械齿轮、轴承等关键部件缺少故障数据及可用标签数据的情况下，本发明通过自注意力机制增强源域和目标域数据样本本身的相似度，设置损失函数减少源域和目标域数据整体分布差异及局部分布差异，可以实现端到端的迁移智能故障诊断，保证智能诊断模型的泛化能力，有效提高复杂工况下旋转机械故障诊断的准确率。
28、3、本发明结合speemd分解和迁移学习进行故障诊断，可以保证诊断模型输入均是故障特征明显的训练样本，有效降低训练诊断模型的难度，在旋转机械处于复杂工况下进行故障诊断具有较好的鲁棒性、稳定性和自适应性。
29、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种旋转机械无监督域自适应故障诊断方法，其特征在于，包括以下过程：
2.如权利要求1所述的旋转机械无监督域自适应故障诊断方法，其特征在于，
3.如权利要求1所述的旋转机械无监督域自适应故障诊断方法，其特征在于，
4.如权利要求1所述的旋转机械无监督域自适应故障诊断方法，其特征在于，
5.如权利要求4所述的旋转机械无监督域自适应故障诊断方法，其特征在于，
6.如权利要求4或5所述的旋转机械无监督域自适应故障诊断方法，其特征在于，
7.一种旋转机械无监督域自适应故障诊断系统，其特征在于，包括：
8.一种计算机设备，其特征在于，包括：处理器和计算机可读存储介质；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如权利要求1-6任一项所述的旋转机械无监督域自适应故障诊断方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的旋转机械无监督域自适应故障诊断方法。
