本发明涉及旋转机械故障诊断，尤其是一种基于多任务学习的旋转机械复合故障诊断方法。
背景技术：
1、旋转机械在运行过程中，滚动轴承、齿轮等关键部件不可避免地会出现各种不同程度的损伤。旋转机械的运行状态监测与故障诊断对于保障生产效率和人员安全具有重要意义。目前，大多数研究主要专注于单一部件不同健康状态的有效识别，而对于复合故障的智能诊断与识别研究较少。然而，由于机械结构的复杂性，各传动部件之间的支撑关联和传动耦合关系使得某零部件的单一故障容易诱发其他关联零部件的运行状态发生变化或故障失效，导致两个甚至多个零部件同时发生或先后级联出现故障，从而形成复合故障。复合故障振动信号中各个故障特征相互耦合，增加了故障识别的难度。因此，开展复合故障智能诊断方法研究对于保障机械设备的安全稳定运行具有重要意义和工程价值
2、得益于计算机科学与人工智能技术的发展，基于深度学习的故障智能诊断技术能够有效分析大量数据并自动提供准确的诊断结果，成为机械故障诊断领域的重要方法。相比于传统的机器学习方法能够摆脱专业技术人员手动特征设计过程，通过进行复杂映射关系的拟合，自适应地从原始数据中学到抽象代表性的特征，在故障诊断领域得到了广泛的研究。但是对于复合故障的解耦诊断，目前基于多标签输出的深度学习方法往往需要大量的复合故障数据用于模型训练，但是复合故障的类型多种多样，往往无法获取完整的复合故障数据。对于复合故障而言，信号中蕴含的不同部件的故障特征既有相关性，又存在差异性。如果能够有效利用和挖掘复合故障信号中的潜在有用信息，将不同部件的故障类型识别视作不同的学习任务，有助于提升复合故障的诊断识别精度。
技术实现思路
1、本发明需要解决的技术问题是提供一种基于多任务学习的旋转机械复合故障诊断方法，能够在仅采用单一故障状态和正常状态的数据样本对深度模型进行训练的前提下，实现对未知复合故障的解耦诊断。
2、为解决上述技术问题，本发明所采用的技术方案是：一种基于多任务学习的旋转机械复合故障诊断方法，包括如下步骤：
3、s1、采集旋转机械在不同健康状态下运行时的原始振动信号；
4、s2、将采集到的原始振动信号利用滑动窗进行重叠分割来构造样本数据集，并采用变分模态分解和希尔伯特黄变换将样本数据集中的每个样本数据转换为时频图，进而构造训练数据集和测试数据集；
5、s3、利用训练数据集对复合故障多任务诊断模型进行训练，并将训练好的复合故障多任务诊断模型用于测试数据集分析，从而得到测试数据的故障诊断结果。
6、本发明技术方案的进一步改进在于：所述步骤s2具体过程如下：首先，用长度为m的滑动窗对所述原始振动信号进行重叠截取，得到多个子信号来构造样本数据集；然后，从所构造的样本数据集中随机选择一个样本数据，利用变分模态分解算法进行分析，同时采用鲸鱼优化算法以分解结果的包络熵最小作为目标函数对变分模态分解算法中的模式数量k和惩罚因子α进行优化选取；最后，利用参数优化后的变分模态分解算法对所述样本数据集中的每个样本数据进行分解，并利用希尔伯特黄变换将每个样本数据的分解结果转换成时频图，用于构造训练数据集和测试数据集。
7、本发明技术方案的进一步改进在于：所述步骤s2中训练数据集仅由之正常状态和单一故障状态的数据样本构成；测试数据集由正常状态、单一故障状态和复合故障状态的数据样本构成。
8、本发明技术方案的进一步改进在于：所述步骤s3中复合故障多任务诊断模型包括：
9、任务适配网络模块，由三个并联的具有不同卷积核大小的任务适配网络构成，并且每个任务适配网络中增加了任务私有参数，用于从输入样本数据中学习浅层的共享特征和私有特征；
10、基于私有特征注意的密集连接网络模块，由通道空间注意力和密集连接块串联构成，以任务适配网络模块的输出作为输入，用于深入挖掘与特定任务密切相关的重要特征信息；
11、多任务分类器模块，以基于私有特征注意的密集连接网络模块的输出作为输入，且每个任务分类器由多个全连接层构成，用于输出每个学习任务的诊断结果，并通过融合多个分类器输出结果得到最终的故障诊断结果。
12、本发明技术方案的进一步改进在于：所述任务适配网络模块，由三个不同大小卷积核的任务适配网络并联构成，每个任务适配网络由四个密集连接适配模块串联构成；每个密集连接适配模块由共享单元和任务导向的选择单元构成；任务导向的选择单元由两个私有任务模块构成，可根据不同的学习任务，从中选择相对应的任务模块，用于学习与特定任务相关的私有参数信息。
13、本发明技术方案的进一步改进在于：对于每一个密集连接适配模块，其输入输出关系表示为
14、
15、其中，x表示密集连接适配模块的输入，δ(g)表示relu激活函数，表示选择单元中的批归一化运算，fba(g)表示基本适配器模块，表示选择单元中的挤压激励运算，cat(·)表示拼接操作，taski用于区分不同的学习任务：task1表示滚动轴承故障诊断任务，task2表示齿轮故障诊断任务；
16、其中，基本适配器表示为
17、
18、其中，x'表示基本适配器的输入，fc(g)表示共享单元中的卷积运算，表示选择单元中的卷积运算；
19、最后，根据不同的学习任务，将三个并联任务适配网络的输出进行拼接，从而可以得到每个任务的最终输出。
20、本发明技术方案的进一步改进在于：所述的基于私有特征注意的密集连接网络模块，由两个子模块构成，分别用于学习与特定学习任务相关的私有特征信息；每个子模块由一个通道空间注意力模块和一个密集连接块串联构成；通道空间注意力模块的计算过程表示为
21、
22、其中，x∈rc×h×w表示输入的特征图，fca(g)表示空间注意力模块，fsa(g)表示通道注意力模块，表示矩阵乘法运算，x1表示通道空间注意力模块的输出；
23、在密集连接块中，一个批归一化层、一个relu激活层和一个卷积层共同构成一个卷积单元；两个具有不同大小卷积核的卷积单元串联构成一个分支对输入进行处理，并将处理后的结果与输入进行拼接，再通过一个relu激活层得到密集连接模块的最终输出；计算过程表示为
24、y＝δ(cat(f(x1,ωi),x1))
25、其中，y表示密集连接块的输出；f(·)表示卷积分支的映射运算。
26、本发明技术方案的进一步改进在于：所述多任务分类器模块，由两个分类器构成，分别用于对基于私有特征注意的密集连接网络模块的两个子模块的输出进行分类识别；每个分类器包含3个全连接层和1个softmax分类层；通过将两个分类器的输出结果进行融合，从而得到输入样本数据的最终诊断结果。
27、本发明技术方案的进一步改进在于：所述步骤s3中基于任务适配深度注意网络的复合故障多任务解耦诊断方法，其特征在于，所述复合故障诊断多任务诊断模型在每一轮次的训练过程中，针对每个任务进行单独训练，训练时每个任务分别计算损失。
28、由于采用了上述技术方案，本发明取得的技术进步是：
29、本发明所提出的旋转机械复合故障诊断方法，将变分模态分解与希尔伯特黄变换相结合，得到时间序列信号的时频图作为模型输入；另外，设计了一种任务适配网络从不同尺度提取不同学习任务的公共和私有特征；然后，通过构建的基于私有特征注意的密集连接网络进一步挖掘与特定学习任务相关的重要信息；最后，融合多任务分类器的多个输出获得最终的故障识别结果。本发明所提出的方法在未知复合故障的解耦诊断精度和泛化性能方面有显著提高。
1.一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述步骤s2具体过程如下：首先，用长度为m的滑动窗对所述原始振动信号进行重叠截取，得到多个子信号来构造样本数据集；然后，从所构造的样本数据集中随机选择一个样本数据，利用变分模态分解算法进行分析，同时采用鲸鱼优化算法以分解结果的包络熵最小作为目标函数对变分模态分解算法中的模式数量k和惩罚因子α进行优化选取；最后，利用参数优化后的变分模态分解算法对所述样本数据集中的每个样本数据进行分解，并利用希尔伯特黄变换将每个样本数据的分解结果转换成时频图，用于构造训练数据集和测试数据集。
3.根据权利要求2所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述步骤s2中训练数据集仅由之正常状态和单一故障状态的数据样本构成；测试数据集由正常状态、单一故障状态和复合故障状态的数据样本构成。
4.根据权利要求1所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述步骤s3中复合故障多任务诊断模型包括：
5.根据权利要求4所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述任务适配网络模块，由三个不同大小卷积核的任务适配网络并联构成，每个任务适配网络由四个密集连接适配模块串联构成；每个密集连接适配模块由共享单元和任务导向的选择单元构成；任务导向的选择单元由两个私有任务模块构成，可根据不同的学习任务，从中选择相对应的任务模块，用于学习与特定任务相关的私有参数信息。
6.根据权利要求5所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：对于每一个密集连接适配模块，其输入输出关系表示为
7.根据权利要求4所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述的基于私有特征注意的密集连接网络模块，由两个子模块构成，分别用于学习与特定学习任务相关的私有特征信息；每个子模块由一个通道空间注意力模块和一个密集连接块串联构成；通道空间注意力模块的计算过程表示为
8.根据权利要求4所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述多任务分类器模块，由两个分类器构成，分别用于对基于私有特征注意的密集连接网络模块的两个子模块的输出进行分类识别；每个分类器包含3个全连接层和1个softmax分类层；通过将两个分类器的输出结果进行融合，从而得到输入样本数据的最终诊断结果。
9.根据权利要求1所述的一种基于多任务学习的旋转机械复合故障诊断方法，其特征在于：所述步骤s3中基于任务适配深度注意网络的复合故障多任务解耦诊断方法，其特征在于，所述复合故障诊断多任务诊断模型在每一轮次的训练过程中，针对每个任务进行单独训练，训练时每个任务分别计算损失。
