基于通道注意力与不变性学习的抽油机诊障方法及系统

1.一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：它包括以下步骤：S1、分别采集抽油机电机的多工况振动信号和减速箱的多工况振动信号，根据采集的所有多工况振动信号构建带标签源域数据集和无标签目标域数据集；S2、分别对带标签源域数据集和无标签目标域数据集进行预处理，得到带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ；S3、构建故障诊断模型，将带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ输入故障诊断模型内进行训练，输出故障类别及定位信息，得到训练好的故障诊断模型；所述故障诊断模型包括多尺度通道注意力单元、分类器、不变性特征学习单元和联合域适应单元，具体过程为：S31、将带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ输入多尺度通道注意力单元内进行特征提取，输出每个数据样本对应的特征，得到带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集；所述多尺度通道注意力单元依次包括卷积层1、批量归一化层1、ReLU激活层1、最大池化层1、Msk-ECA模块、卷积层2、批量归一化层2、ReLU激活层2、最大池化层2、Msk-ECA模块、卷积层3、批量归一化层3、ReLU激活层3、最大池化层3、Msk-ECA模块、卷积层4、批量归一化层4、ReLU激活层4和最大池化层4；所述Msk-ECA模块依次包括全局平均池化层、多尺度卷积交互层、特征加权融合层和Sigmoid激活层；所述全局平均池化层对输入的特征图沿时间维度压缩，生成通道描述符；所述多尺度卷积交互层基于通道描述符，采用3种不同尺寸的一维卷积核并行提取通道交互特征；所述特征加权融合层将通道交互特征相加，得到相加后的通道交互特征；所述Sigmoid激活层将相加后的通道交互特征通过Sigmoid激活生成最终通道权重，利用最终通道权重对所述全局平均池化层输入的特征图进行加权，输出通道加权特征图，根据通道加权特征图得到对应的特征；S32、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集输入分类器中，分别输出源域数据的预测概率和目标域数据的预测概率，根据目标域数据的预测概率生成对应目标域数据的伪标签；S33、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集，以及S32输出的源域数据的预测概率和目标域数据的伪标签输入不变性特征学习单元内，根据带标签源域数据集Ⅲ的特征集和源域数据的预测概率计算源域交叉熵损失，根据无标签目标域数据集Ⅲ的特征集和目标域数据的伪标签计算目标域伪标签损失，计算源域交叉熵损失和目标域伪标签损失对故障诊断模型参数的梯度内积；S34、将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集，以及S32输出的源域数据的预测概率、目标域数据的预测概率和目标域数据的伪标签输入联合域适应单元内，利用条件对抗网络得到最佳域判别器损失函数，并生成条件分布，采用联合最大均值差异进行分布对齐，具体过程为：根据S31得到的带标签源域数据集Ⅲ的特征集中的特征得到对应的特征向量，根据S31得到的无标签目标域数据集Ⅲ的特征集中的特征得到对应的特征向量，将得到的两部分特征向量和S32输出的源域数据的预测概率、目标域数据的预测概率输入条件对抗网络内，计算每个特征向量与对应预测概率的外积作为对应的条件特征，得到所有条件特征，根据所有条件特征，利用梯度反转层训练域判别器，得到最佳的域判别器，计算最佳的域判别器的损失函数 并生成每个数据样本的条件分布；其中，h i 为第i个源域数据特征的特征向量，h j 为第j个目标域数据特征的特征向量，p i 为第i个源域数据的预测概率，p j 为第j个目标域数据的预测概率， 为第i个源域数据的条件特征， 为第i个目标域数据的条件特征，D(·)为域判别器的输出；同时，根据S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集、S32输出的所述目标域数据的伪标签，以及所述每个数据样本的条件分布，利用联合最大均值差异同步对齐源域数据集中与目标域数据集中同类数据样本的边际分布与条件分布：其中， 表示分布对齐， 表示源域数据集中属于第c类的样本集合，x i 表示源域数据集中属于第c类的样本， 表示目标域数据集中属于第c类的样本集合，x j 表示目标域数据集中属于第c类的样本， 表示源域数据集中第c类的样本数量， 表示目标域数据集中第c类的样本数量，φ(·)表示高斯核映射函数， 表示RKHS空间中的范数；S35、所述故障诊断模型还包括多目标联合优化单元，将S33得到的源域交叉熵损失和梯度内积，以及S34得到的最佳域判别器损失函数和分布对齐输入多目标联合优化单元内进行整合，将整合后的结果作为故障诊断模型的总损失函数；S36、根据S32输出的目标域数据的预测概率，添加熵加权策略筛选高置信度目标域预测结果，输出故障类别及定位信息，具体过程为：根据目标域数据的预测概率计算熵值H(p)：其中，p c 为目标域数据的预测概率；根据熵值H(p)生成权重w H ＝e -H(p) ，筛选高置信度目标域预测结果；至此，得到训练好的故障诊断模型；S4、采集待诊断的电机多工况振动信号或减速箱多工况振动信号，将采集的多工况振动信号输入S3中训练好的故障诊断模型内，输出对应的故障类别及定位信息。 2.根据权利要求1所述的一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：所述S1中采集抽油机电机的多工况振动信号和减速箱的多工况振动信号时，采集参数为：采样频率：20kHz；采样信号长度：单样本包含1024个数据点，对应0.0512秒时长；工况标记：源域数据包括转速、负载及故障标签，所述故障标签包括轴承外圈损伤和齿轮断齿。 3.根据权利要求1所述的一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：所述S2中分别对带标签源域数据集和无标签目标域数据集进行预处理，得到带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ，具体过程为：S21、针对带标签源域数据集和无标签目标域数据集中的每个数据样本，采用小波阈值消除高频噪声，得到带标签源域数据集Ⅰ和无标签目标域数据集Ⅰ，所述小波阈值采用DB4小波基，且3层分解；S22、对带标签源域数据集Ⅰ和无标签目标域数据集Ⅰ中的每个数据样本进行最大最小值归一化，得到带标签源域数据集Ⅱ和无标签目标域数据集Ⅱ；S23、对带标签源域数据集Ⅱ和无标签目标域数据集Ⅱ中的每个数据样本添加高斯噪声和时域随机裁剪，得到带标签源域数据集Ⅲ和无标签目标域数据集Ⅲ，所述高斯噪声的信噪比SNR为20dB。 4.根据权利要求1所述的一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：所述S33中将S31得到的带标签源域数据集Ⅲ的特征集和无标签目标域数据集Ⅲ的特征集，以及S32输出的源域数据的预测概率和目标域数据的伪标签输入不变性特征学习单元内，根据带标签源域数据集Ⅲ的特征集和源域数据的预测概率计算源域交叉熵损失，根据无标签目标域数据集Ⅲ的特征集和目标域数据的伪标签计算目标域伪标签损失，根据源域交叉熵损失和目标域伪标签损失计算梯度内积，具体过程为：根据S31得到的带标签源域数据集Ⅲ的特征集和S32输出的源域数据的预测概率计算源域交叉熵损失 其中，m表示当前批次中源域数据样本的数量，C表示故障类别的总数，y i,c 表示源域数据集中第i个样本的真实标签在第c类的one-hot编码，p i,c 表示分类器对所述第i个样本属于第c类的预测概率；根据S31得到的无标签目标域数据集Ⅲ的特征集和S32输出的目标域数据的伪标签计算目标域伪标签损失 其中，n表示当前批次中目标域样本的数量， 为目标域数据集中的第j个样本在第c类的伪标签，p j,c 表示分类器对第j个样本属于第c类的预测概率；计算源域交叉熵损失 与目标域伪标签损失 对故障诊断模型参数θ的梯度内积 其中，θ i 表示故障诊断模型中第i个可训练参数。 5.根据权利要求4所述的一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：所述S35中故障诊断模型的总损失函数为：其中，λ 1 、λ 2 、λ 3 为权衡系数，λ 1 ＝0.5，λ 2 ＝1，λ 3 ＝0.3，α为惩罚因子，α＝0.1。 6.根据权利要求1所述的一种基于通道注意力与不变性学习的抽油机诊障方法，其特征在于：所述S3中训练好的故障诊断模型的报警逻辑为：当预测概率最大值P max ≥0.95且熵值H(p)≤0.1时，触发一级报警；当0.8≤P max ≤0.95或0.1≤H(p)≤0.3时，触发二级预警。 7.一种基于通道注意力与不变性学习的抽油机诊障系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-6任一所述方法的步骤。