[發明專利]基于多源域錨適配器集成遷移的旋轉機械故障診斷方法

在審

• 申請號: 202011201367.1
• 申請日: 2020-11-02
• 公開（公告）號: CN112308147A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 孔憲光;楊勝康;王奇斌;余粼钖;程涵;吉王輝
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于多源域錨適配器集成遷移的旋轉機械故障診斷方法，其特征在于，從兩個工況隨機選取樣本生成源域樣本集，構建錨適配器矩陣，集成多源域數據信息，該方法的步驟包括如下：

(1)生成源域樣本集：

將數據庫中選取的兩種不同工況下每種至少2000個振動時域信號組成源域樣本集S1和源域樣本集S2；每個源域樣本集包含至少12個故障類別的數據集合；

(2)生成訓練樣本集和測試樣本集：

將通過數據采集系統實時采集的待診斷工況下旋轉機械的至少2000個振動時域信號組成目標域樣本集，目標域樣本集按照3∶1的比例分為目標域訓練樣本集和目標域測試樣本集；

(3)構建錨適配器矩陣：

(3a)從源域樣本集S1和源域樣本集S2的每一類樣本中隨機選擇一個樣本作為錨點，生成一個由K＝2×12個錨點組成的錨集合，其中，K表示錨集合中錨點的總數，錨集合中的一半錨點來自于源域樣本集S1，另一半錨點來自于源域樣本集S2；

(3b)利用相似度計算公式，計算錨集合中每一個錨點與源域樣本集S1中每個樣本的相似度；

(3c)利用與步驟(3b)相同的方法，分別計算錨集合中每一個錨點與源域樣本集S2和目標域訓練樣本集中每個樣本的相似度；

(3d)按照下式，分別計算兩個源域樣本集、目標域訓練樣本集的錨適配器矩陣：

其中，表示錨點集合中第k個錨點對應的源域樣本集S1的錨適配矩陣，cos(·)表示余弦操作，a_k表示錨點集合中第k個錨點，表示源域樣本集S1中的第1個樣本，表示源域樣本集S1中的第N1個樣本，N1表示源域樣本集S1的樣本總數，表示錨點集合中第k個錨點對應的源域樣本集S2的錨適配矩陣，表示源域樣本集S2中的第1個樣本，表示源域樣本集S2中的第N2個樣本，N2表示源域樣本集S2的樣本總數，表示錨點集合中第k個錨點對應的目標域訓練樣本集的錨適配矩陣，表示目標域訓練樣本集中的第1個樣本，表示目標域訓練樣本集中的第N3個樣本，N3表示目標域訓練樣本集的樣本總數；

(4)構建深度域適應網絡：

搭建一個4層的深度域適應網絡，其結構依次為：輸入層→隱藏層→特征輸出層→分類層；

設置每層參數如下：將輸入層、隱藏層、特征輸出層的神經元個數分別設置為200、100、50，輸入層、隱藏層、特征輸出層的神經元激活函數均為Sigmoid函數，分類層由12個分類器組成，分類器的激活函數為Softmax函數，設置深度域適應網絡的學習率為0.02，最大均值懲罰項系數為2；

(5)訓練深度域適應網絡：

(5a)令k＝1；

(5b)將第k個錨點對應的錨適配矩陣和同時輸入到深度域適應網絡中，利用最小化損失函數對深度域適應網絡迭代訓練250次，得到與第k個錨點對應的分類器；

(5c)將目標域訓練樣本集輸入到深度域適應網絡中，通過第k個錨點對應的分類器輸出預測結果；

(5d)判斷是否獲得所有錨點對應的分類器及預測結果，若是，執行步驟(6)，否則，將k加1后執行步驟(5b)；

(6)對每個分類器的性能進行評價：

分別計算每個分類器預測結果的置信度和準確率，利用置信度和準確率兩個指標的乘積作為綜合性能評價指標；對所有綜合性能評價指標由大到小進行排序；

(7)分類器的集成：

(7a)選取所有綜合性能評價指標排序中前L個值對應的分類器，L≤K，計算每個分類器的權重；

(7b)利用分類器集成計算公式，對前L個值對應的分類器采用加權的方式進行分類器集成，獲得分類器集成的故障診斷模型；

(8)對旋轉機械故障進行診斷：

(8a)將目標域測試樣本集分別輸入到L個值對應的分類器中，輸出每個故障類別的預測結果；

(8b)每個故障類別的預測結果通過分類器集成的故障診斷模型，得到每個分類器集成后的預測結果；

(8c)從集成后的預測結果中選取最大值，將該最大值對應的類別作為旋轉機械故障診斷的類別，輸出預測標簽。