CN110210381A - 一种域分离自适应一维卷积神经网络智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种域分离自适应一维卷积神经网络智能故障诊断方法，包括，获取机械振动信号，并构建样本集和标签集；建立模型损失函数构并建故障诊断模型；训练并确认模型；其中，所述振动信号区分为源域信号和目标域信号；本发明提出域分离自适应一维卷积神经网络智能故障诊断方法，解决故障诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题，完善故障诊断系统。

Description

一种域分离自适应一维卷积神经网络智能故障诊断方法

技术领域

本发明涉及的故障诊断技术领域，尤其涉及一种域分离自适应一维卷积神 经网络智能故障诊断方法。

背景技术

近年来，随着深度学习的发展，机械旋转零部件的智能故障诊断性能得到 显著提高，传统的滚动轴承智能故障诊断一般假设在同一分布中提取标记训练 数据和未标记测试数据，然而，在许多实际应用中，这种假设并不成立，比如 工作环境发生变化(转速变化、负载变化等)、机器噪声等，使得故障诊断系 统存在较大的性能退化，现有方法或者将特征表示从一个域映射到另一个域， 或者学习提取域不变特征，这些方法忽略了每个域各自的特征，进而导致了故 障诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的 问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。

鉴于上述现有域分离自适应一维卷积神经网络智能故障诊断方法存在训 练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题，提出了 本发明。

因此，本发明目的是提供一种域分离自适应一维卷积神经网络智能故障诊 断方法。

为解决上述技术问题，本发明提供如下技术方案：一种域分离自适应一维 卷积神经网络智能故障诊断方法，包括，

获取机械振动信号，并构建样本集和标签集；

建立模型损失函数构并建故障诊断模型；

训练并确认模型；

其中，所述振动信号区分为源域信号和目标域信号。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述样本集包括源域样本集X^s，所述源域样本集X^s为：

其中，N_s表示D_s中的样本数，D_s表示标记的源域数据，s表示源域；

其中，所述标记的源域数据D_s的公式为：

其表示每个源域样本，表示相应的类标签，i表示样本个数，Nt表示 为目标域的样本个数。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述类标签的标签集为Y^s，所述标签集Y^s满足如下公式：

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述样本集还包括目标域样本集X^t，所述源域样本集X^t为：

其中，N_t表示D_t中的样本数，D_t表示未标记的目标域数据；

其中，所述未标记的目标域数据D_t的公式为：

其为每个目标域样本，i表示为样本个数。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述构建故障诊断模型并建立模型损失函数的步骤包括：

建立故障诊断的联合损失函数；

构建故障诊断模型；

输入样本集；

其中，所述联合损失函数L的公式如下：

其中，L_rec表示重构损失函数，L_diff表示最小化差异损失函数，L_adv表示对抗 损失函数，L_task表示分类损失函数，α、β和γ是控制损失项的权重， 表示参数。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述分类损失函数L_task的公式如下：

其中，是源域输入的one-hot独热码类别标签。表示模型的故障类 别标签softmax预测。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述对抗损失函数L_adv的公式如下：

其中，N_s表示源域样本个数，N_t表示目标域样本个数，d表示域标签， di表示已标定好的域标签，表示预测的域标签，i有两个取值，0，1，i＝0， 表示源域；i＝1表示目标域。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述最小化差异损失函数L_diff的公式如下：

其中，矩阵是隐层源域共享表示矩阵，矩阵是隐层源域私有表示矩阵， 矩阵和矩阵是隐层目标域共享表示矩阵和私有表示矩阵。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述重构损失函数L_rec的公式如下：

其中，表示第i个源域样本,表示经过源域私有编码器和共享解码器 后输出的值，即的重构值，表示表示经过目标域私有编码器和共享解码器 后输出的值，即的重构值，表示第i个目标域样本，Ns表示源域样本个数， Nt表示目标域样本个数。

作为本发明所述域分离自适应一维卷积神经网络智能故障诊断方法的一 种优选方案，其中：所述训练并确认模型的步骤包括：

初始化模型；

优化确认模型；

模型测试；

其中，所述初始化模型使用源域数据D_s按照式(2)的分类损失函数L_task来 初始化θ_c和θ_y；

其中，所述优化模型采用基于BP的随机梯度下降法(SGD)来更新参数

本发明的有益效果：本发明提出域分离自适应一维卷积神经网络智能故障 诊断方法，解决故障诊断中训练数据和测试数据来自不同域导致的诊断精度下 降和鲁棒性低的问题，完善故障诊断系统。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：

图1为本发明域分离自适应一维卷积神经网络智能故障诊断方法的整体步 骤示意图。

图2为本发明域分离自适应一维卷积神经网络智能故障诊断方法所述的建 故障诊断模型并建立模型损失函数的步骤示意图。

图3为本发明域分离自适应一维卷积神经网络智能故障诊断方法所述的故 障诊断模型总体框架结构示意图。

图4为本发明域分离自适应一维卷积神经网络智能故障诊断方法所述的训 练并确认模型的步骤示意图。

图5为本发明域分离自适应一维卷积神经网络智能故障诊断方法所述的故 障诊断流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便 于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图 只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长 度、宽度及深度的三维空间尺寸。

实施例1

参照图1，提供了一种域分离自适应一维卷积神经网络智能故障诊断方法 的整体结构示意图，如图1，一种域分离自适应一维卷积神经网络智能故障诊 断方法包括获取机械振动信号，并构建样本集和标签集；建立模型损失函数构 并建故障诊断模型；训练并确认模型；其中，振动信号区分为源域信号和目标 域信号。

本方法通过调整模型参数或输入特征来补偿不匹配，使机械故障诊断领域 自适应，同时提取其域判别性特征和域不变特征的故障诊断，解决故障诊断中 训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题，从而 完善故障诊断系统，鉴于旋转机械振动信号的原始采样数据是一维周期性的， 本方法将振动信号直接采用一维卷积的方法来解决此问题。

具体的，本方法包括S1：获取机械振动信号，并构建样本集和标签集； S2：建立模型损失函数构并建故障诊断模型；S3：训练并确认模型；其中，振 动信号区分为源域信号和目标域信号。

进一步的，样本集包括源域样本集X^s，源域样本集X^s为：

其中，N_s表示D_s中的样本数，D_s表示标记的源域数据，s表示源域；需说 明的是，标记的源域数据D_s的公式为：

其表示每个源域样本，表示相应的类标签，i表示样本个数，Nt表示 为目标域的样本个数；其中，类标签的标签集为Y^s，标签集Y^s满足如下公式：

进一步的，样本集还包括目标域样本集X^t，源域样本集X^t为：

其中，N_t表示D_t中的样本数，D_t表示未标记的目标域数据；需说明的是， 未标记的目标域数据D_t的公式为：

其为每个目标域样本，i表示为样本个数，N_t表示为D_t中的样本数，此外， 每个数据样本还有一个域标签d_i∈{0,1}，表示该样本是来自源域(d_i＝0)或是目标 域(d_i＝1)。

实施例2

参照图2，该实施例不同于第一个实施例的是：上述实施例中构建故障诊 断模型并建立模型损失函数的步骤包括：建立故障诊断的联合损失函数；构建 故障诊断模型；输入样本集。

具体的，构建故障诊断模型并建立模型损失函数的步骤包括：

S21：建立故障诊断的联合损失函数；

其中，联合损失函数L的公式如下：

其中，L_rec表示重构损失函数，L_diff表示最小化差异损失函数，L_adv表示对抗 损失函数，L_task表示分类损失函数，α、β和γ是控制损失项的权重， 表示参数，具体的，θ_c是共享CNN编码器E_c的参数；θ_y是类标 签分类器E_y的参数；θ_d是域分类器E_d的参数；是源域CNN私有编码器的 参数。目标域私有编码器的参数；θ_r是共享CNN解码器E_r的参数。

S22：构建故障诊断模型，其故障诊断模型包括共享CNN编码器、CNN 私有编码器、CNN共享解码器、标签分类器、域分类器，共同构成一个映射 每个输入样本的深度前馈体系结构，如此便于训练网络对参数进行优化，使标 签预测损失和域分类损失最小。

需说明的是，如图3所示，共享CNN编码器E_c，其参数为θ_c，源域输入 样本X^s输入E_c，被映射为k维共享表示然后输入类标签分类器E_y；而类标 签分类器E_y，参数为θ_y，其共享表示作为输入进入类分类器E_y后，输出相应 的类标签，训练模型最终预测目标域的故障类别标签，因为模型假定目标域是 无标签的，分类损失L_task只应用于源域，最小化源域每个样本正类的负对数似 然，其分类损失函数L_task的公式(2)所示：

其中，是源域输入的one-hot独热码类别标签。表示模型的故障类 别标签softmax预测。

对于域分类器E_d，其参数为θ_d，其输入为源域共享编码表示和目标域的 共享编码表示输出样本所属的域标签，为了获得共享编码器的域不变特征， 采用域对抗方式实现，调整共享编码器的参数θ_c最大化域分类器交叉熵损失， 同时调整参数θ_d最小化域分类器交叉熵损失，这种“最大最小损失”可以通过 在域分类之前增加一个梯度反转层GRL来最大限度实现这种混淆，采用对抗 损失L_adv来表示，如式(3)所示：

其中，其中，N_s表示源域样本个数，N_t表示目标域样本个数，d表示域标 签，di表示已标定好的域标签，表示预测的域标签，i有两个取值，0，1，i＝0， 表示源域；i＝1表示目标域。

需说明的是，私有CNN编码器E_p包括源域CNN私有编码器参数为目标域私有编码器其参数源域样本Xs输入后，被映射为隐藏表示目标域样本集X^t输入后，被映射为其为源域的私有表示，为目标域 的私有表示，通过最小化差异损失L_diff训练每个域的私有表示和共享表示正交， 来鼓励共享编码器和私有编码器获取输入样本的不同特征，其最小化差异损失 函数L_diff的公式如(4)所示：

其中，其中，是F范数，矩阵是隐层源域共享表示矩阵，每行为一个 样本的隐层源域共享表示矩阵是隐层源域私有表示矩阵，每行为一个样 本的隐层源域私有表示同样的，矩阵和矩阵是隐层目标域共享表示矩 阵和私有表示矩阵，每行分别为一个样本的隐层目标域共享表示和私有表示

对于共享CNN解码器E_r，其参数为θ_r，其目的是重构源域样本和目标域 样本，在此采用尺度不变的均方误差损失分别表示源域的重构损失和目标域的 重构损失L_rec。如式子(5)所示：

其中，表示第i个源域样本,表示经过源域私有编码器和共享解码器后 输出的值，即的重构值，表示表示经过目标域私有编码器和共享解码器后 输出的值，即的重构值，表示第i个目标域样本，Ns表示源域样本个数， Nt表示目标域样本个数。

S23：输入样本集，将源域样本X^s和目标域样本集X^t的带入上述构建的故 障诊断模型内。

实施例3

参照图4和图5，该实施例不同于以上实施例的是：训练并确认模型的步 骤包括：

初始化模型；优化确认模型；模型预测。具体的，训练并确认模型的步骤包括：

S31：初始化模型，其中，初始化模型通过使用源域数据D_s按照式(2)的 分类损失函数L_task来初始化θ_c和θ_y；

S32：优化确认模型；

需说明的是，DS-1DCNN故障诊断模型输入是有标签的源域样本{X^s，Y^s} 和无标签的目标域样本{X^t}，模型优化的目标是获取最小化式(1)的损失函 数L,其采用基于BP的随机梯度下降法(SGD)来更新参数如 式子(6-11)所示：

其中u是学习率，训练过程直至式子(1)的值小于预设阈值或训练时间超 过预设时间。

S33：模型预测，优化后的共享编码器E_c和标签分类器E_y构成了鲁棒的故 障诊断自适应模型；输入目标域样本X^t，输出预测故障诊断结果。

实施例4

本实施例所提出的域分离自适应一维卷积神经网络智能故障诊断方法与 JDA、1DCNN、1DCNN+AdaBN进行对比实验。通过本发明的方法：域分离 自适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、1DCNN+AdaBN 的实验结果比较分析，本发明解决故障了诊断中训练数据和测试数据来自不同 域导致的诊断精度下降和鲁棒性低的问题，完善故障诊断系统。需要说明的是： 上述瑕疵检测的方法，仅以上述几类图像进行实验举例说明，实际应用中，可 以根据需要而将上述方法运用于不同的地方进行实验分析。

具体的，本对比实验采用的主要评价指标是准确率(Accuracy)、精度(Precision)、召回率(Recall)和F值，其精度也称为查准率，召回率也成为 查全率，其定义分别为：Accuracy＝模型所有类别预测正确的样本数/样本总数， 其中，精度和召回率采集公式如下：

其中，TP表示模型预测出某样本类别与手工标定的样本类别相同的部分， FP表示手工标定的某样本类别被误检的部分，FN表示手工标定的某样本类别 被漏检的部分。

定义F值作为诊断情况分析的参考，F值的计算方法如下：

F值表示查全率与查准率的几何加权平均，α为权重，将α置为1，表示查 准率与查全率一样重要，其中，当α>1时表示查准率比较重要，当α<1时表示 查全率比较重要；

本实施例中将α置为1，F值越接近1代表检测效果越好，既使用该评价 方法考虑了查全率和查准率，解决了非同量级数值相加时代数与数值较大的数 接近的影响。

按本实施例所提出的域分离自适应一维卷积神经网络智能故障诊断方法， 在美国凯斯西储大学轴承数据集中进行实验，通过本发明的方法：域分离自适 应一维卷积神经网络智能故障诊断方法与联合适应网络(Joint Adaptation Network，JDA)、一维卷积神经网络(1-Dimensional Convolutional Neural Networks，1DCNN)、1DCNN+AdaBN(AdaptiveBatch Normalization)的实验结果 比较分析，说明本发明在查全率、查准率和F1值上有较大提升，需要说明的 是，上述故障诊断的方法，仅以上述基准数据集进行实验举例说明，实际应用 中，可以根据需要而将上述方法运用于不同的场景进行实验分析。

本实施例中，实验使用的数据库采用美国凯斯西储大学轴承数据中心发布 的滚动轴承故障测试数据库，电动机驱动端和风扇端的轴承座上各放置一个加 速度传感器，试验装置包括一台发动机、一个扭矩传感器、一个功率测试计和 电子控制器，试验采用的数据是通过在电机驱动端轴承座上方放置的加速度传 感器采集得到，采样频率包括12KHz和48KHz两种，分别在4种不同的负荷 (0-3hp)下采集得到；轴承试验系统模拟了轴承的正常状态(N)、外圈故障 (OF)、内圈故障(IF)和滚动体故障(RF)4种故障类型，且每种故障类型都有3种故障程度，包含损伤直径7mils(记作故障程度1)、14mils(记作故障 程度2)、21mils(记作故障程度3)，于是得到10种健康状态，如表1所示。

本发明实验选用滚动轴承驱动端采样频率为48kHz的不同故障位置及不 同健康状态振动信号进行试验研究，并定义了包含不同负载和不同转速的数据 集，数据集的详细描述如表1所示，表1中数据集A由1马力、1772rpm转速 下包含4种不同健康状态10个类别的2000个样本组成，数据B、C的组成与 A类似；每种健康状态包含200个样本，每一个样本包含2400个数据点；对每 个样本进行快速傅里叶变换得到2400个傅里叶系数，因系数是对称的，每个 样本选择前1200个系数作为预处理后的样本；数据集D由包含10种不同健康 状态和三种不同负载的6000个数据样本组成。

表1轴承数据集参数描述

为了测试本发明的域适应性能，A->B表示数据集A为源域，数据集B为 目标域，其余以此类推，故对于数据集A、B、C来说，共有6种域适应问题， 将本发明提出的算法和JDA、1DCNN、1DCNN+AdaBN进行对比实验，最终 所得的准确率的实验结果如表2所示。

表2诊断结果方法对比

方法	A->B	A->C	B->C	B->A	C->A	C->B
							JDA	0.7825	0.7795	0.9720	0.7775	0.7830	0.9735
1DCNN	0.8935	0.853	0.991	0.8755	0.7875	0.986
							1DCNN+AdaBN	0.8945	0.8685	0.9915	0.8845	0.7365	0.9885
DS-1DCNN	0.9895	0.9885	0.9945	0.9905	0.9870	0.9930

表2显示了各种方法的故障特征提取性能，本方法以0.03％-21.3％的比例 显著优于所有以前的基线方法；同时可以注意到，数据集B和数据集C无论哪 个作为源域哪个作为目标域，几种方法的诊断结果都比较高，说明其所对应的 两种环境，一种是功率2HP和转速1750rpm，另一种是功率3HP和转速 1730rpm，这两种环境相似度较高，对测试振动信号的影响不太大。

上述结果验证了DS-1DCNN故障诊断模型在处理故障分类问题时的有效 性，其表现主要有以下原因：

1)对抗损失项使得不同区域的分布相似，使得区域自适应问题可以转化为 传统的故障分类问题；

2)作为权值正则化项，重构损失和差异损失在将原始数据映射到共享子空 间和私有子空间的同时，避免了原始数据丢失重要信息，使得自适应后的各种 故障保持可识别性。

这些结果是在相对公平的实验条件下，从故障诊断研究的基准数据集中得 到的，从而验证了在故障诊断领域解决领域自适应问题的潜力。

本发明在6种域适应问题中的精度、召回率和F1值如表3、表4和表5 所示，可以看出本发明在精度、召回率和F1值方面较高。

表3所提方法在六种域适应问题的精度

表4所提方法在六个域适应问题的召回率

表5所提方法在六个域适应问题的F1值

重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和 布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅 此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖 教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结 构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使 用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或 元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围 内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺 序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的 执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明 的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他 替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展 至仍落在所附的权利要求书的范围内的多种改型。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的 所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于 实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项 目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时 的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所 述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，

获取机械振动信号，并构建样本集和标签集；

建立模型损失函数构并建故障诊断模型；

训练并确认模型；

其中，所述振动信号区分为源域信号和目标域信号。

2.如权利要求1所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述样本集包括源域样本集X^s，所述源域样本集集X^s为：

其中，N_s表示D_s中的样本数，D_s表示标记的源域数据，s表示源域；

其中，所述标记的源域数据D_s的公式为：

其表示每个源域样本，表示相应的类标签，i表示样本个数，Ns表示为目标域的样本个数。

3.如权利要求2所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述类标签的标签集为Y^s，所述标签集Y^s满足如下公式：

其中，N_s表示D_s中的样本数，D_s表示标记的源域数据，s表示源域，Y^s表示源域标签集合，表示其集合中的每一个值。

4.如权利要求1～3任一所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述样本集还包括目标域样本集X^t，所述目标域样本集X^t为：

其中，N_t表示D_t中的样本数，D_t表示未标记的目标域数据，t表示目标域；

其中，所述未标记的目标域数据D_t的公式为：

其为每个目标域样本，i表示为样本个数。

5.如权利要求4所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述构建故障诊断模型并建立模型损失函数的步骤包括：

建立故障诊断的联合损失函数；

构建故障诊断模型；

输入样本集；

其中，所述联合损失函数L的公式如下：

其中，L_rec表示重构损失函数，L_diff表示最小化差异损失函数，L_adv表示对抗损失函数，L_task表示分类损失函数，α、β和γ是控制损失项的权重，表示参数。

6.如权利要求5所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述分类损失函数L_task的公式如下：

其中，y_i ^s是源域输入x_i ^s的one-hot独热码类别标签，表示模型的故障类别标签softmax预测。

7.如权利要求5或6所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述对抗损失函数L_adv的公式如下：

其中，N_s表示源域样本个数，N_t表示目标域样本个数，d表示域标签，di表示已标定好的域标签，表示预测的域标签，i有两个取值，0，1，i＝0，表示源域；i＝1表示目标域。

8.如权利要求7所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述最小化差异损失函数L_diff的公式如下：

其中，矩阵是隐层源域共享表示矩阵，矩阵是隐层源域私有表示矩阵，矩阵和矩阵是隐层目标域共享表示矩阵和私有表示矩阵。

9.如权利要求5、6和8任一所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述重构损失函数L_rec的公式如下：

其中，x_i ^s表示第i个源域样本,表示经过源域私有编码器和共享解码器后输出的值，即的重构值，表示表示经过目标域私有编码器和共享解码器后输出的值，即的重构值，表示第i个目标域样本，Ns表示源域样本个数，Nt表示目标域样本个数。

10.如权利要求9所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述训练并确认模型的步骤包括：

初始化模型；

优化确认模型；

模型预测；

其中，所述初始化模型使用源域数据D_s按照式(2)的分类损失函数L_task来初始化θ_c和θ_y；

其中，所述优化模型采用基于BP的随机梯度下降法(SGD)来更新参数