[發明專利]一種基于重要性加權域對抗自適應的智能故障診斷方法

有效

• 申請號: 202010711903.6
• 申請日: 2020-07-22
• 公開（公告）號: CN112101085B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 王宇;孫曉杰;訾艷陽
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

1.一種基于重要性加權域對抗自適應的智能故障診斷方法，其特征在于，包括如下步驟，

(1)采集旋轉機械在兩種不同工況下的振動信號，分別對兩種工況下的振動信號采用移動時窗進行分割，獲得兩種工況下的數據集，并將兩種工況下的數據集分為源域數據集與目標域數據集；

(2)構造由特征提取器與域分類器組成的域類別識別網絡，采用源域數據集與目標域數據集，訓練域類別識別網絡，得到源域數據集中源域樣本的重要性權重，根據重要性權重，得到歸一化的源域樣本的重要性權重；

(3)將特征提取器與類別標簽分類器組成故障模式識別網絡；

(4)將特征提取器、歸一化的源域樣本的重要性權重以及域判別器組成重要性加權域對抗自適應網絡；具體過程如下：

a)將源域數據集與目標域數據集，經過特征提取器，得到源域數據集與目標域數據集在高維空間中的域不變特征；

b)根據源域數據集與目標域數據集在高維空間中的域不變特征，通過域判別器D₁進行域類別識別分類，得到域類別標簽預測結果；

c)根據域類別標簽預測結果以及歸一化的源域樣本的重要性權重計算重要性加權對抗自適應網絡的損失函數，完成重要性加權域對抗自適應網絡的構建；

(5)采用對抗博弈策略依次迭代訓練域分類器、故障模式識別網絡與重要性加權域對抗自適應網絡，直至所有的網絡參數收斂，然后使用類別標簽分類器識別目標域數據集中的旋轉機械健康狀態。

2.根據權利要求1所述的一種基于重要性加權域對抗自適應的智能故障診斷方法，其特征在于，步驟(1)的具體過程如下：

1)使用傳感器采集滾動軸承在兩種不同工況下各故障類型的振動信號；

2)選擇最優前進步長，采用移動時窗對振動信號進行分割；分別獲得兩種工況下的數據集，其中故障類型完整且帶有故障標簽的工況數據集設置為源域數據集，故障類型不完整且故障標簽缺失的數據集設置為目標域數據集。

3.根據權利要求1所述的一種基于重要性加權域對抗自適應的智能故障診斷方法，其特征在于，步驟(2)中，構造由特征提取器與域分類器D₀組成的域類別識別網絡的具體過程如下：

1)將多層一維卷積神經網絡層搭建特征提取器；

2)將域分類器通過全連接層與特征提取器進行連接，組成域類別識別網絡；根據域類別識別網絡，得到域類別標簽預測的結果；

3)根據域類別標簽預測的結果計算域類別識別網絡損失函數，迭代訓練域分類器直至穩定；

4)通過訓練穩定的域類別識別網絡，得到源域樣本的重要性權重，根據源域樣本的重要性權重，得到歸一化的源域樣本的重要性權重。

4.根據權利要求3所述的一種基于重要性加權域對抗自適應的智能故障診斷方法，其特征在于，步驟2)的具體過程為：根據源域訓練數據集與目標域訓練數據集其中，為源域的樣本點；為源域樣本點的標簽；n_s為源域樣本點的個數；Y為源域樣本的標簽空間；為目標域的樣本點；為目標域樣本點的標簽，在訓練時目標域標簽是不存在的；n_t為目標域樣本點個數；Y_sub為目標域樣本的標簽空間，Y_sub為源域樣本的標簽空間的子集；通過特征提取器得到振動信號的特征：

式1-1中：為網絡輸出函數，其中x_s、x_t、θ_h、H_s、H_t分別代表網絡輸入的源域樣本、輸入的目標域樣本、特征提取器的網絡參數、源域樣本經過特征提取器后輸出的源域特征、目標域樣本經過特征提取器后輸出的目標域特征；

源域特征與目標域特征經過域分類器D₀，得到域類別標簽預測的結果：

式1-2中：sigmoid(·)函數將輸入映射到0，1之間；P₀為歸一化網絡樣本的域類別標簽預測概率向量；θ_d0代表域分類器D₀的網絡參數。