本发明涉及磨煤机组故障诊断领域，具体涉及异构磨煤机组的自适应高阶子网故障迁移诊断方法及系统。
背景技术：
1、我国电力需求每年逐步上升。尽管新兴能源如风能、水能和核能蓬勃发展，但火力发电仍占据主导地位，占全国总发电量的70％以上。在火力发电系统中，磨煤机组的角色至关重要，直接影响原材料利用效率和整个发电厂的生产效益。因此，实时监测和精确诊断磨煤机组的运行状态是确保火力发电系统安全稳定运行的关键前提。这不仅关系到电力生产的安全，还符合智能电网发展战略，为未来电力体系智能化演进提供了重要支持。
2、作为火力发电厂的重要设备，磨煤机组经常需要面临极长的工作周期，这使得其故障概率也累积增加，一旦磨煤机组发生故障，一方面，会影响电厂的生产周期，造成经济损失，另一方面，由于磨煤机组在生产过程扮演的关键角色，其故障可能影响整个发电系统的稳定性，威胁工作人员的人身安全。因此，如何在故障发生时对设备进行智能化的故障诊断，对于保障机组的安全运行以及火力发电厂的经济效益都具有重要价值。
3、随着深度学习技术的崛起，许多高效的诊断模型被提出，这些模型可以自动从大量原始数据中学习特征，并进行更准确的诊断。公布号为cn116951443a的现有发明专利申请文献《一种火电机组制粉数字孪生系统》该现有系统包括：物理制粉子系统、虚拟制粉子系统、孪生数据子系统、制粉应用服务子系统、动态实时交互子系统。用于研究原煤从给煤机到磨煤机，最终被制成煤粉吹入炉膛燃烧的全生命周期过程。在该过程中，提取该全生命周期过程有效数据，创建几何模型、物理模型、行为模型，搭建制粉数字孪生系统，进行全周期跟踪监视，同时针对调节偏差、应用服务系统需求，动态交互式优化整个制粉过程，将主蒸汽压力控制提前至原煤运输阶段，并将优化参数传输至各个系统及应用层中，基于制粉数字孪生系统及时发现输煤皮带故障、磨煤机堵塞问题。以及公布号为cn117046597a的现有发明专利申请文献《基于大数据技术的磨煤机智能运维平台》该现有技术中的平台包括：磨煤机运行健康状态评估模块、磨煤机内部磨损预测模块、磨煤机运行数据分析对比模块；所述煤机运行健康状态评估模块包括磨煤机常规运行区间监测和磨煤机故障诊断，基于分布式计算的大数据分析，研发适用于zgm型中速磨运行健康评价的数据模型；所述磨煤机内部磨损预测模块用于预测磨煤机内部磨损状况，利用磨煤机在线运行数据、磨煤机离线检修数据、以及煤质工业分析、磨煤机磨辊参数统计、磨煤机运行参数分析的离线数据建立数据预测模型；所述磨煤机运行数据分析对比模块用于分析磨煤机运行数据对锅炉燃烧重要参数的影响。然而，在现实应用场景中，磨煤机组涉及的工业场景具有复杂多变的特点，数据的分布或维度随时都可能发生变化。前述现有技术采用的模型模型如卷积神经网络、支持向量机、深度适配网络等主要基于具有相同特征空间的数据实现训练，而这在现实中是相对严苛的假设条件。如何根据来自不同特征空间的运行数据，构建目标域的诊断模型是一个亟待解决的问题。
4、综上，现有技术存在因未充分考虑不同特征空间运行数据，导致系统准确率、实用性及鲁棒性较低的技术问题。
技术实现思路
1、本发明所要解决的技术问题在于：如何解决现有技术中因未充分考虑不同特征空间运行数据，导致系统准确率、实用性及鲁棒性较低的技术问题。
2、本发明是采用以下技术方案解决上述技术问题的：异构磨煤机组的自适应高阶子网故障迁移诊断方法包括：
3、s1、在磨煤机组布设传感器，以收集不同工况的样本数据；
4、s2、对不同工况的样本数据，进行归一化预处理，以划分为源域和目标域，并将不同工况的样本数据划分为训练集和测试集；
5、s3、对源域、目标域的异构特征空间，分别构建异构特征提取层，据以形成共享特征提取网络，对不同工况的样本数据进行标注，以得到源域共享特征、目标域共享特征，据以获取并输入有标签样本特征至预置分类网络，以计算交叉熵损失loss_label；在源域样本特征输出、目标域样本特征输出之间，计算最大均值差异损失loss_mmd，使得交叉熵损失loss_label、最大均值差异损失loss_mmd通过反向传播对网络，以得到初始化预训练数据；
6、s4、在共享特征提取网络的各异构特征提取层之间，添加加权神经元，以构建高阶特征子网络，子网络参数，通过反向传播操作更新高阶特征子网络的参数，以完成自适应特征加权学习，据以获取适用高阶特征子网络；
7、s5、将初始化预训练数据输入适用高阶特征子网络，计算训练集中样本的交叉熵损失loss_label、最大均值差异损失loss_mmd，通过梯度下降算法更新高阶特征子网络的网络参数，以得到适用故障检测模型；
8、s6、将测试集输入至适用故障检测模型，据以进行故障诊断，并求取故障诊断准确率，据以衡量适用故障检测模型的分类精度。
9、本发明利用多阶共享特征提取层进行异构磨煤机组跨工况故障诊断，可以将来自不同工况并具有不同特征空间的数据样本对齐到同一个特征空间，通过构建的高阶特征子网络可以自适应的联合学习多个特征提取层的输出信息，从而提高故障诊断的精度和方法的实用性。
10、本发明基于域对齐的思想，在多个特征提取网络上构建高阶特征子网络模型来解决磨煤机组在不同特征空间下的故障诊断问题，一方面，域自适应策略可以将不同工况下的数据样本映射到同一特征空间，从而提高模型的鲁棒性和实用性；另一方面，通过加权多个不同特征网络的输出，从特征层的角度构建了一个全新的高阶子网络，使得特征网络可以自适应学习来自不同特征分布空间的样本，从而提高故障诊断的鲁棒性以及准确率。
11、在更具体的技术方案中，样本数据包括：磨煤机电流、给煤机煤量、磨煤机进口风温、引风机轴承温度、一次风机电流、送风机电流以及空预器出口烟气温度。
12、在更具体的技术方案中，步骤s3中，利用下述逻辑，提取源域样本特征输出、目标域样本特征输出：
13、
14、
15、
16、式中，表示源域第(k+1)层特征网络的输出，表示目标域第(k+1)层特征网络的输出。xs和xt分别表示源域和目标域的网络输入。和分别表示源域和目标域第(k+1)层特征网络的权重参数。和分别表示源域和目标域第(k+1)层特征网络的偏置。relu表示激活函数。
17、本发明通过考虑跨域磨煤机的数据样本之间可能存在特征空间不同的问题，通过对每个域建立各自的特征提取层来将不同工况和不同特征空间下的数据样本映射到同一隐藏空间中，进而实现不同工况特征之间的对齐，通过对源域和目标域分别建立不同的特征层可以有效避免源域和目标域数据因特征空间的不同导致的模型无法训练的问题，更加符合现实工业场景同时提高了模型的鲁棒性和实用性。
18、在更具体的技术方案中，步骤s3中，利用共享特征提取网络，提取源域共享特征、目标域共享特征：
19、
20、
21、式中，表示共享特征网络第(k+1)层的输出，表示源域或者目标域特征网络中的第1层特征输出。表示第(k+1)层共享特征提取网络的权重参数。表示第(k+1)层共享特征提取网络的偏置。
22、在更具体的技术方案中，步骤s3中，利用下述逻辑，计算分类交叉熵损失loss_label：
23、
24、在更具体的技术方案中，步骤s3中，利用下述逻辑，计算最大均值差异损失loss_mmd：
25、
26、式中，表示第i个样本在特征网络的输出，ns和分别表示源域样本总数和目标域的标签样本数。和分别表示源域第i个和目标域第j个样本在特征网络的输出，nt表示目标域的样本总数。
27、本发明结合目标域少样本和高阶子网络参数稀疏的特点，只采用目标域的有限标签数据对该子网络进行更新，使得子网络朝着利于提升目标域诊断精度的方向更新，实现对有限的目标域数据的充分利用。
28、在更具体的技术方案中，步骤s4中，利用高阶特征子网络的加权神经元，自适应学习异构特征提取层的深层特征。
29、本发明创新性的提出一种自适应高阶子网络，该模型将单个特征提取层作为网络节点，在特征层之间添加神经元区别来自不同层的特征输入，从而实现自适应的学习不同特征提取层输出的有益信息，具有更好的鲁棒性和诊断能力。
30、在更具体的技术方案中，步骤s4中，利用下述逻辑，在共享特征提取网络的各异构特征提取层之间，添加加权神经元，以构建高阶特征子网络：
31、
32、
33、
34、
35、式中，分别表示源域、目标域、以及共享特征网络的第k层输出，分别表示各特征网络第k层输出在输入第(k+1)层特征网络时所对应的权重值。
36、本发明通过以上定义可以在源域、目标域以及共享特征提取网络的上下层之间构建一个全连接的高阶子网络。该子网络的参数可以由目标域的少量样本学到，一方面，因为该子网络的特征参数的数量是极其有限的，因此通过少量样本也可以有效对该子网络的参数进行学习，另一方面是为了防止大量源域样本的梯度对目标域样本梯度产生稀释作用。
37、在更具体的技术方案中，步骤s4中，获取源域、目标域以及共享特征提取网络的最后一层输出，据以进行加权求和，以得到高阶特征子网络的特征输出
38、
39、式中，分别表示源域、目标域和共享特征提取网络在最后一层的特征输出。分别表示特征加权的参数。
40、由于本发明特征子网络作用在特征层的输出上，导致训练过程的梯度也被缩放，该过程不同于让梯度直接乘以某个值进行放大的过程，mhda的特征子网络可以自适应的学习最佳的子网络参数从而使网络更快收敛。
41、在更具体的技术方案中，异构磨煤机组的自适应高阶子网故障迁移诊断系统包括：
42、传感采集模块，用以在磨煤机组布设传感器，以收集不同工况的样本数据；
43、样本源域目标域划分模块，用以对不同工况的传感器数据，进行归一化预处理，以划分为源域和目标域，并将不同工况的样本数据，划分为训练集和测试集，样本源域目标域划分模块与传感采集模块连接；
44、共享特征提取网络构建及预训练模块，用以对源域、目标域的异构特征空间，分别构建异构特征提取层，据以形成共享特征提取网络，对不同工况的样本数据进行标注，以得到源域共享特征、目标域共享特征，据以获取并输入有标签样本特征至预置分类网络，以计算交叉熵损失loss_label；在源域样本特征输出、目标域样本特征输出之间，计算最大均值差异损失loss_mmd，使得交叉熵损失loss_label、最大均值差异损失loss_mmd通过反向传播对网络，以得到初始化预训练数据，共享特征提取网络构建及预训练模块与样本源域目标域划分模块连接；
45、高阶特征子网络构建模块，用以在共享特征提取网络的各异构特征提取层之间，添加加权神经元，以构建高阶特征子网络，子网络参数，通过反向传播操作更新高阶特征子网络的参数，以完成自适应特征加权学习，据以获取适用高阶特征子网络，高阶特征子网络构建模块与共享特征提取网络构建及预训练模块连接；
46、故障检测模型训练模块，用以将初始化预训练数据输入适用高阶特征子网络，计算训练集中样本的交叉熵损失loss_label、最大均值差异损失loss_mmd，通过梯度下降算法更新高阶特征子网络的网络参数，以得到适用故障检测模型，故障检测模型训练模块与高阶特征子网络构建模块连接；
47、故障诊断及模型评估模块，用以将测试集输入至适用故障检测模型，据以进行故障诊断，并求取故障诊断准确率，据以衡量适用故障检测模型的分类精度，故障诊断及模型评估模块与故障检测模型训练模块及样本源域目标域划分模块连接。
48、本发明相比现有技术具有以下优点：
49、本发明利用多阶共享特征提取层进行异构磨煤机组跨工况故障诊断，可以将来自不同工况并具有不同特征空间的数据样本对齐到同一个特征空间，通过构建的高阶特征子网络可以自适应的联合学习多个特征提取层的输出信息，从而提高故障诊断的精度和方法的实用性。
50、本发明基于域对齐的思想，在多个特征提取网络上构建高阶特征子网络模型来解决磨煤机组在不同特征空间下的故障诊断问题，一方面，域自适应策略可以将不同工况下的数据样本映射到同一特征空间，从而提高模型的鲁棒性和实用性；另一方面，通过加权多个不同特征网络的输出，从特征层的角度构建了一个全新的高阶子网络，使得特征网络可以自适应学习来自不同特征分布空间的样本，从而提高故障诊断的鲁棒性以及准确率。
51、本发明通过考虑跨域磨煤机的数据样本之间可能存在特征空间不同的问题，通过对每个域建立各自的特征提取层来将不同工况和不同特征空间下的数据样本映射到同一隐藏空间中，进而实现不同工况特征之间的对齐，通过对源域和目标域分别建立不同的特征层可以有效避免源域和目标域数据因特征空间的不同导致的模型无法训练的问题，更加符合现实工业场景同时提高了模型的鲁棒性和实用性。
52、本发明结合目标域少样本和高阶子网络参数稀疏的特点，只采用目标域的有限标签数据对该子网络进行更新，使得子网络朝着利于提升目标域诊断精度的方向更新，实现对有限的目标域数据的充分利用。
53、本发明创新性的提出一种自适应高阶子网络，该模型将单个特征提取层作为网络节点，在特征层之间添加神经元区别来自不同层的特征输入，从而实现自适应的学习不同特征提取层输出的有益信息，具有更好的鲁棒性和诊断能力。
54、本发明通过以上定义可以在源域、目标域以及共享特征提取网络的上下层之间构建一个全连接的高阶子网络。该子网络的参数可以由目标域的少量样本学到，一方面，因为该子网络的特征参数的数量是极其有限的，因此通过少量样本也可以有效对该子网络的参数进行学习，另一方面是为了防止大量源域样本的梯度对目标域样本梯度产生稀释作用。
55、由于本发明特征子网络作用在特征层的输出上，导致训练过程的梯度也被缩放，该过程不同于让梯度直接乘以某个值进行放大的过程，mhda的特征子网络可以自适应的学习最佳的子网络参数从而使网络更快收敛。
56、本发明解决了现有技术中存在的因未充分考虑不同特征空间运行数据，导致系统准确率、实用性及鲁棒性较低的技术问题。
1.异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述样本数据包括：磨煤机电流、给煤机煤量、磨煤机进口风温、引风机轴承温度、一次风机电流、送风机电流以及空预器出口烟气温度。
3.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s3中，利用下述逻辑，提取所述源域样本特征输出、所述目标域样本特征输出：
4.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s3中，利用所述共享特征提取网络，提取所述源域共享特征、所述目标域共享特征：
5.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s3中，利用下述逻辑，计算所述分类交叉熵损失loss_label：
6.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s3中，利用下述逻辑，计算所述最大均值差异损失loss_mmd：
7.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s4中，利用所述高阶特征子网络的所述加权神经元，自适应学习所述异构特征提取层的深层特征。
8.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s4中，利用下述逻辑，在所述共享特征提取网络的各所述异构特征提取层之间，添加加权神经元，以构建所述高阶特征子网络：
9.根据权利要求1所述的异构磨煤机组的自适应高阶子网故障迁移诊断方法，其特征在于，所述步骤s4中，获取所述源域、所述目标域以及所述共享特征提取网络的最后一层输出，据以进行加权求和，以得到所述高阶特征子网络的特征输出
10.异构磨煤机组的自适应高阶子网故障迁移诊断系统，其特征在于，所述系统包括：
