[發明專利]基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法

有效

• 申請號: 202110020442.2
• 申請日: 2021-01-07
• 公開（公告）號: CN112860183B
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 陳景龍;馮勇;宋霄罡;訾艷陽
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F3/06
• 分類號: G06F3/06;G06F13/40
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 賀小停

1.基于高階矩匹配的多源蒸餾-遷移機械故障智能診斷方法，其特征在于，包括以下步驟：

步驟1：利用從多臺機械設備采集的設備運行狀態數據，建立多源數據集，對該多源數據集進行預處理，并將預處理后的數據集劃分為包含多個設備數據的源域數據集和包含單設備數據的目標域數據集，將目標域數據集分為目標域訓練數據集和目標域測試數據集；

其中，預處理具體包括，以固定長度將數據無重復地切分為不同樣本，為樣本賦予類別標簽，并對樣本進行標準化處理，公式如下：

式中，l表示樣本包含的數據點個數，x₀表示預處理前的樣本，x表示預處理后的樣本，x₀(i)為x₀的第i個分量；

步驟2：構建基于高階矩匹配的多源蒸餾-遷移學習網絡模型；

基于高階矩匹配的多源蒸餾-遷移學習網絡模型的結構包括一個特征提取器和三個分類器，特征提取器由5個卷積池化模塊以及兩個全連接層組成，每個分類器由兩個全連接層組成；

每個卷積池化模塊由卷積層、批規范化層、激活函數、Dropout操作以及池化層構成，第一個卷積池化模塊中的卷積層采用寬尺寸卷積核以抑制高頻環境噪聲，其余卷積池化模塊中卷積核尺寸一致，且其余卷積池化模塊中卷積核尺寸小于第一個卷積池化模塊中的卷積核；

步驟3：使用步驟1中的源域數據集和目標域訓練數據集對步驟2中構建的模型進行訓練；

其中，對模型進行的訓練包含：高階矩匹配訓練，最大分類器差異訓練以及多源蒸餾訓練；

所述高階矩匹配訓練以源域數據集和目標域訓練數據集作為輸入，分別計算每個域之間的高階矩距離，將每個域之間的高階矩距離相加作為模型該階段訓練的損失函數，該階段訓練目標及高階矩距離公式如下：

式中，G、C₁及C₂分別代表特征提取器和兩個分類器，L_m(X^S，X^T)表示高階矩匹配訓練的損失函數，AHMM表示高階矩距離，Q表示高階矩的階數，q表示第q階矩，X^s與X^T分別表示源域數據集樣本、目標域訓練數據集樣本，與分別表示源域數據集第i個源域中第n個樣本、源域數據集第j個源域中第n個樣本、目標域訓練數據集中第n個樣本，N^s與N^T分別表示每個源域的樣本數和目標域樣本數，k代表源域數據集中源域個數，||·||₂表示2-范數；

所述最大分類器差異訓練以源域數據集和目標域訓練數據集作為輸入，且分為三個訓練子階段：最小化分類損失、最大化分類器差異、最小化分類器差異，其訓練目標分別表示如下：

式中，L_C(X^S，Y^S)表示分類損失，L_d(X^T)為分類器差異，Y^S為源域數據集中X^T對應的類別標簽；L_C(X^S，Y^S)與L_d(X^T)的計算公式分別為：

式中，Cⁱ表示源域數據集第i個源域中樣本的類別數，為源域數據集第i個源域中的第j個樣本及其標簽，s為類別標簽，p_c為第c個分類器的輸出，且c＝1，2，為第m個線性映射，C^T為目標域樣本類別數，常數M為線性映射數量，(·)_(i)代表第i個順序統計量；

所述多源蒸餾訓練以源域數據集和目標域訓練數據集作為輸入，訓練目標如下：

式中，C₃為第三個分類器，L_c3(X^S，Y^S)為多源蒸餾訓練損失函數，其公式如下：

式中，表示從源域數據集第i個源域蒸餾后得到的第j個樣本，為第三個分類器C₃的輸出，1_[·]為指示函數，r為蒸餾樣本殘留系數，s為類別標簽；

蒸餾樣本的篩選依據如下：

式中，表示源域數據集中第i個源域中第j個樣本的溫度，Q表示高階矩的階數，將每個源域中樣本的溫度從小到大排序，選擇其中最小的rN^S個樣本參與后續多源蒸餾訓練；

步驟4：以步驟1中的目標域測試數據集作為步驟3中訓練模型的輸入，使用自適應加權策略綜合多個分類器的輸出結果，完成跨域故障智能診斷；

所述自適應加權策略公式如下：

式中，p為綜合輸出，λ₁、λ₁、λ₁分別為三個常系數，p₁(y|x)、p₂(y|x)、p₃(y|x)分別為三個分類器C₁、C₂、C₃的輸出，d_1，2、d_2，3分別為C₁與C₃的差異、C₂與C₃的差異；

分類器C₂與C₃的差異度量公式為：

式中，d_c，3表示分類器C₂與C₃的差異，為第m個線性映射，常數M為線性映射數量，(·)_(i)代表第i個順序統計量，c取1或2。