CN110907176A - 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，通过wassertein距离在特征空间中度量两个领域的特征分布的距离，并进行特征分布的适配，降低两个领域的差异，学习领域无关特征以训练一个有效的分类器，负责将领域无关的特征映射到类别空间，完成分类任务，解决目标域中没有带标签的振动数据的无监督迁移学习问题。

Description

一种基于Wasserstein距离的深度对抗迁移网络的故障诊断 方法

技术领域

本发明涉及故障诊断领域中，用于识别无标签的振动数据的故障类别的技术领域，尤其是一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法。

背景技术

在复杂工业系统中，研究先进的机械故障诊断方法是保障设备与人员安全的重要内容。深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断最活跃的前沿方向之一。然而使用深度学习训练故障分类模型需要大量有标注的数据,同时训练数据与测试数据满足独立同分布。在实际应用中这两个条件通常难以满足。如何利用辅助领域数据，来建立一个可靠的数学模型，对具有数据分布不同的目标领域开展故障诊断是待解决的问题。

迁移学习是一种利用现有知识解决不同但相关领域的机器学习新方法，为解决此类问题提供了基本思路。最近，基于生成对抗网络(GAN,Generative AdversarialNetworks)的对抗思想也被引入了迁移学习领域，用于解决目标领域中只包含无标注训练样本的无监督迁移学习问题。

基于以上方法可以看出，通过对抗训练的方式，可以逐步提升特征提取器和判别器的性能取。但是，由于这些领域自适应方法度量分布距离算法的缺陷，最后得到的分类器精度还不够理想。

另外，Wasserstein距离又称Earth-Mover距离即EM距离，用于衡量两个分布之间的距离。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，通过wassertein距离在特征空间中度量两个领域的特征分布的距离，并进行特征分布的适配，降低两个领域的差异，学习领域无关特征以训练一个有效的分类器，负责将领域无关的特征映射到类别空间，完成分类任务，解决目标域中没有带标签的振动数据的无监督迁移学习问题。

为实现上述目的，本发明采用以下技术方案，包括：

一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，包括以下步骤：

S1，分别获取源域D^s和目标域D^t的数据集；其中，D表示领域即域；上标s表示源，D^s即表示源域；上标t表示目标，D^t即表示目标域；

所述源域D^s的源数据集A^s中含有n^s个振动数据，且该n^s个振动数据均带有故障标签，即

其中，A表示数据集，A^s即表示源域D^s的数据集即源数据集；n表示数量，n^s即表示源数据集A^s中所包含的振动数据的总数量；x表示振动数据，

表示源数据集A^s中的第i个振动数据；y表示标签即故障类别，

表示源数据集A^s中的第i个振动数据x_is的标签；

所述目标域D^t的目标数据集A^t中有含有n^t个振动数据，且该n^t个振动数据均不带故障标签，即

其中，A表示数据集，A^t即表示目标域D^t的数据集即目标数据集；n表示数量，n^t即表示目标数据集A^t中所包含的振动数据的总数量；x表示振动数据，

表示目标数据集A^t中的第j个振动数据；

所述源域D^s和所述目标域D^t的特征空间相同，即X^s＝X^t；所述源域D^s和所述目标域D^t的类别空间也相同，即Y^s＝Y^t；所述源域D^s和所述目标域D^t中的振动数据的数据分布不同，即

其中，X表示特征空间，X^s表示源域D^s的特征空间，X^t表示目标域D^t的特征空间；Y表示类别空间，Y^s表示源域D^s的类别空间，Y^t表示目标域D^t的类别空间；P表示分布，

表示源域D^s中的振动数据的数据分布，

表示目标域D^t中的振动数据的数据分布；

S2，建立一个基于特征的迁移学习的故障诊断模型，包括：特征提取器、领域判别器、分类器；其中，

所述特征提取器，用于提取源域D^s和目标域D^t中的振动数据的特征；

所述特征提取器的输出z＝G(x；θ_g)；其中，G(·)表示特征提取器的模型；θ_g表示特征提取器的模型参数；z表示特征提取器的输出，即振动数据的特征；x表示特征提取器的输入，即振动数据；

所述领域判别器，用于对特征提取器所提取的振动数据的特征进行识别，判断该振动数据是来自于源域D^s或目标域D^t；

所述分类器，学习源域D^s中的振动数据的特征分布，根据源域D^s中的振动数据的特征进行分类训练，所述分类器的输出结果为振动数据x属于第m个故障类别的概率p(y＝m|x)：

其中，

表示分类器参数，其中，上标C用于标识为分类器的参数，下标m表示第m个故障类别；

K表示故障类别的总数量；

G(·)表示特征提取器的模型；G(x)表示振动数据的特征；

所述分类器根据领域自适应训练，使得目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布；

所述领域自适应训练是指：将源域D^s和目标域D^t中的振动数据的特征通过特征提取器进行特征提取，从而映射到同一个特征空间；然后领域判别器对所提取的特征进行判断，判断所提取的特征是来自于源域D^s中的振动数据还是目标域D^t中的振动数据；当判别器无法判断所提取的特征来自源域D^s中的振动数据还是目标域D^t中的振动数据，此时，则表示目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布，判别器即认为目标域D^t中的该振动数据的故障类别与源域D^s中的该振动数据的故障类别相同；

S3，基于故障诊断模型的优化目标，确定故障诊断模型的目标函数；

故障诊断模型中，包括以下三个优化目标：

领域判别器的优化目标：使领域判别的误差最小化；

特征提取器的优化目标：使领域判别的误差最大化；

分类器的优化目标：使故障分类的误差最小化；

S4，得到故障诊断模型的目标函数后，对故障诊断模型进行训练，求解故障诊断模型中的模型参数，从而得到训练后的分类器；

S5，在故障识别的过程中，利用分类器即可对目标域中的无标签的振动数据进行故障分类。

步骤S3中，确定故障诊断模型的目标函数，包括以下具体步骤：

S301，对于特征提取器所提取出的源域D^s中的振动数据的特征和目标域D^t中的振动数据的特征，使用Wassertein距离来衡量两个领域之间特征分布的差异：

其中，sup表示上确界；

z表示特征提取器的输出即振动数据的特征，同时z也为领域判别器输入；z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

P表示分布，

表示源域D^s中振动数据的特征分布；

表示目标域D^t的振动数据的特征分布；

E表示期望；

表示源域D^s中振动数据的特征分布的期望；

表示目标域D^t的振动数据的特征分布的期望；

表示源域D^s中振动数据的特征分布和目标域D^t中振动数据的特征分布之间的差异即距离；

D(·)表示领域判别器的模型：D(z)中的z表示振动数据的特征，即领域判别器的输入；

||D||_L≤1表示在领域判别器上施加的限制，领域判别器的Lipschitz常数为1；

S302，领域判别器的经验损失L_D为：

其中，θ_d表示领域判别器的模型参数；

S303，领域判别器的模型D(·)需要满足1-Lisschitz约束，即：

|D(z₁)-D(z₂)|≤|z₁-z₂|；

其中，z₁、z₂分别为领域判别器的两个输入；

在领域判别器上增加一个梯度惩罚项L_gp，使领域判别器的模型D(·)满足1-Lisschitz约束：

其中，

z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

ε为0～1之间的随机数；

L_gp表示领域判别器的梯度惩罚项；

▽为数学中表示梯度的符号；

S304，领域判别器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越大越好，领域判别器的优化目标表示为：

表示故障诊断模型的参数；

S305，特征提取器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越小越好，特征提取器的优化目标表示为：

S306，分类器的分类损失L_C，用于度量分类器根据源域D^s中振动数据的特征进行故障分类时的误差，该分类损失L_C即为交叉熵代价损失：

其中，C(·)表示分类器的模型；θ_c表示分类器的模型参数；

表示源域D^s中第i个振动数据的特征；

表示源域D^s中第i个振动数据的标签；

S307，故障诊断模型的目标函数包括：领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C。

步骤S4中，得到故障故障诊断模型的目标函数即领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C后，对故障诊断模型进行训练，使用反向传播算法对求解故障诊断模型中的模型参数；故障诊断模型的模型参数即包括：特征提取器的模型参数θ_g、领域判别器的模型参数θ_d、分类器的模型参数θ_c进行训练；

采用Adam算法对模型参数进行更新，所述Adam算法通过计算梯度的一阶矩估计和二阶矩估计，为不同的模型参数提供独立的自适应学习率：

其中，α、β₁、β₂均为Adam算法的参数；

分别表示特征提取器、领域判别器、分类器的梯度。

所述特征提取器的网络结构是一个一维全卷积神经网络，如下所示：

其中，

表示卷积操作；W^g表示卷积核，b^g表示卷积核偏置，上标g用于标识为特征提取器的参数，h表示卷积操作结果；BN表示批归一化层；relu表示激活函数层。

本发明的优点在于：

(1)本发明提出了基于深度对抗迁移网络的故障诊断方法，通过Wassertein距离来准确度量两个分布距离，实现领域自适应的故障特征提取与较高精度的分类识别，用以解决目标领域中的无标签的振动数据的故障诊断问题。

(2)本发明使用Wassertein距离对原始的生成对抗网络GAN的目标函数进行改进，这个新的距离函数，即通过Wassertein距离对原始的生成对抗网络GAN的目标函数进行改进后所得到距离函数在满足一定条件下是处处连续的，且几乎处处可微的，即表示函数在任一点都是连续的，没有间断点，同时在任一点都存在导数，解决了由于原始的生成对抗网络GAN的梯度计算困难导致模型难以优化的问题。

(3)本发明的故障诊断模型使用特征提取器从源域和目标域中振动数据中提取可转移特征，然后通过域判别器和分类器的对抗训练，减少所学习到的可迁移特征的分布差异。最后为目标域中的未标记样本得到一个有效的分类器，在故障识别中，可以使用分类器正确地对目标域中的未标记样本进行分类。

附图说明

图1为本发明的一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法的整体示意图。

图2为本实施例的实验所采用的振动数据。

图3为本实施例中采用的三种方法在四种迁移任务上的分类准确率的示意图。

图4为降维后的特征分布的过程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由图1所示，本发明的一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，包括以下步骤：

S1，分别获取源域D^s和目标域D^t的振动数据集。其中，D表示领域即域；上标s表示源，D^s即表示源域；上标t表示目标，D^t即表示目标域；

所述源域D^s的振动数据集A^s中含有n^s个振动数据，且该n^s个振动数据均带有故障标签，即

其中，A表示数据集，A^s即表示源域D^s的数据集即源数据集；n表示数量，n^s即表示源数据集A^s中所包含的振动数据的总数量；x表示振动数据，

表示源数据集A^s中的第i个振动数据；y表示标签即故障类别，

表示源数据集A^s中的第i个振动数据

的标签；

所述目标域D^t的目标数据集A^t中有含有n^t个振动数据，且该n^t个振动数据均不带故障标签，即

其中，A表示数据集，A^t即表示目标域D^t的数据集即目标数据集；n表示数量，n^t即表示目标数据集A^t中所包含的振动数据的总数量；x表示振动数据，

表示目标数据集A^t中的第j个振动数据；

所述源域D^s和所述目标域D^t的特征空间相同，即X^s＝X^t；所述源域D^s和所述目标域D^t的类别空间也相同，即Y^s＝Y^t；所述源域D^s和所述目标域D^t中的振动数据的数据分布不同，即

其中，X表示特征空间，X^s表示源域D^s的特征空间，X^t表示目标域D^t的特征空间；Y表示类别空间，Y^s表示源域D^s的类别空间，Y^t表示目标域D^t的类别空间；P表示分布，

表示源域D^s中的振动数据的数据分布，

表示目标域D^t中的振动数据的数据分布。

S2，建立一个基于特征的迁移学习的故障诊断模型，包括：特征提取器、领域判别器、分类器。其中，

2.1，所述特征提取器，学习非线性特征映射，用于提取源域D^s和目标域D^t中的振动数据的特征；

特征提取器的输入为振动数据x，x∈Rⁿ，所述特征提取器将该振动数据x映射到m维的特征空间中G:Rⁿ→R^m，所述特征提取器的输出z＝G(x；θ_g)；其中，G(·)表示特征提取器的模型；θ_g表示特征提取器的模型参数；z表示特征提取器的输出，即振动数据x的特征。

所述特征提取器的网络结构是一个一维全卷积神经网络，如下所示：

其中，

表示卷积操作；W^g表示卷积核，b^g表示卷积核偏置，上标g用于标识为特征提取器的参数；h表示卷积操作结果；BN表示批归一化层；relu表示激活函数层。

2.2，所述领域判别器，用于对特征提取器所提取的振动数据的特征进行识别，判断该振动数据是来自于源域D^s或目标域D^t；属于二分类问题。

2.3，所述分类器，学习源域D^s中的振动数据的特征的分布，根据源域D^s中的振动数据的特征进行分类训练，所述分类器的输出结果为振动数据x属于第m个故障类别的概率p(y＝m|x)：

其中，

分类器参数，其中，上标C用于标识为分类器的参数，下标m表示第m个故障类别，w表示什么？；

K表示故障类别的总数量；

G(·)表示特征提取器的模型；G(x)表示振动数据的特征；

所述分类器根据域自适应训练，使得目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布；

所述领域自适应训练是指：将源域D^s和目标域D^t中的振动数据的特征通过特征提取器进行特征提取，从而映射到同一个特征空间；然后领域判别器对所提取的特征进行判断，判断所提取的特征是来自于源域D^s中的振动数据还是目标域D^t中的振动数据；当判别器无法判断所提取的特征来自源域D^s中的振动数据还是目标域D^t中的振动数据，此时，则表示目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布，判别器即认为目标域D^t中的该振动数据的故障类别与源域D^s中的该振动数据的故障类别相同。

S3，故障诊断模型中，包括以下三个优化目标：

领域判别器的优化目标：使领域判别的误差最小化。

特征提取器的优化目标：使领域判别的误差最大化。

分类器的优化目标：使故障分类的误差最小化。

基于上述优化目标，确定故障诊断模型的目标函数，包括以下具体步骤：

S301，对于特征提取器所提取出的源域D^s中的振动数据的特征和目标域D^t中的振动数据的特征，使用Wassertein距离来衡量两个领域之间特征分布的差异：

其中，sup表示上确界；

z表示特征提取器的输出即振动数据的特征，同时z也为领域判别器输入；z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

P表示分布，

表示源域D^s中振动数据的特征分布；

表示目标域D^t的振动数据的特征分布；

E表示期望；

表示源域D^s中振动数据的特征分布的期望；

表示目标域D^t的振动数据的特征分布的期望；

表示源域D^s中振动数据的特征分布和目标域D^t中振动数据的特征分布之间的差异即距离；

D(·)表示领域判别器的模型：D(z)中的z表示振动数据的特征，即领域判别器的输入；

||D||_L≤1表示在领域判别器上施加的限制，领域判别器的Lipschitz常数为1；

S302，领域判别器的经验损失L_D为：

其中，θ_d表示领域判别器的模型参数；

S303，领域判别器的模型D(·)需要满足1-Lisschitz约束，即：

|D(z₁)-D(z₂)|≤|z₁-z₂|；

其中，z₁、z₂分别为领域判别器的两个输入；

在领域判别器上增加一个梯度惩罚项L_gp，使领域判别器的模型D(·)满足1-Lisschitz约束：

其中，

z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

ε为0～1之间的随机数；

L_gp表示领域判别器的梯度惩罚项；

▽为数学中表示梯度的符号；

S304，领域判别器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越大越好，领域判别器的优化目标表示为：

表示故障诊断模型的参数；

S305，特征提取器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越小越好，特征提取器的优化目标表示为：

S306，分类器的分类损失L_C，用于度量分类器根据源域D^s中振动数据的特征进行故障分类时的误差，该分类损失L_C即为交叉熵代价损失：

其中，C(·)表示分类器的模型；θ_c表示分类器的模型参数；

表示源域D^s中第i个振动数据的特征；

表示源域D^s中第i个振动数据的标签

S307，故障诊断模型的目标函数包括：领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C。

S4，得到故障故障诊断模型的目标函数即领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C后，对故障诊断模型进行训练，使用反向传播算法对求解故障诊断模型中的模型参数；故障诊断模型的模型参数即包括：特征提取器的模型参数θ_g、领域判别器的模型参数θ_d、分类器的模型参数θ_c进行训练。

本实施例中，采用Adam算法对模型参数进行更新，所述Adam算法通过计算梯度的一阶矩估计和二阶矩估计，为不同的模型参数提供独立的自适应学习率：

其中，α、β₁、β₂均为Adam算法的参数；

分别表示特征提取器、领域判别器、分类器的梯度。

S5，在故障识别的过程中，利用分类器即可对目标域中的无标签的振动数据进行故障分类。

由图2所示，本实施例分别列举三种方法在四种迁移任务上的分类准确率，迁移学习就是将源域上训练的模型迁移到目标域，源域D^s的来自驱动端，目标域D^t的数据来自风扇端；其中，DE-HP0表示驱动端在轴承负载为0的情况下的外圈，内圈，滚动体的振动数据；DE-HP1表示驱动端在轴承负载为1的情况下的外圈，内圈，滚动体的振动数据；FE-HP0风扇端在轴承负载为0的情况下的外圈，内圈，滚动体的振动数据；FE-HP1风扇端在轴承负载为1的情况下的外圈，内圈，滚动体的振动数据。轴承负载为0和为1用于区分两种工况。

由图3和下表1所示，对于卷积神经网络CNN，由于没有进行迁移，其学习到的特征不具有迁移性，导致直接将训练好的模型应用于目标域数据上时准确率很低。对于域适应神经网络DANN，加入迁移之后，相比无迁移情形下，其准确率有所提高，平均提升约24％，表明学到的特征具有可迁移性了。对于本发明所提出的基于Wasserstein距离的深度对抗迁移网络，诊断准确率高于其他两种方法，且和DANN相比提升大约10％，在各项迁移任务中，识别率达到了90％以上。实验结果验证了本发明方法的有效性，可以用于故障诊断中的迁移学习问题，本发明方法在所有迁移任务上，其准确率都比其他方法要高。

表1

特征提取器提取数据的特征，特征存在于高维空间，由图4所示，表示使用t-sne方法将学到的特征降到二维，降维后的特征分布的过程图，就是将高维数据降低到低维数据的过程。

图4中，D代表驱动端，F代表风扇端；IF表示内圈故障、OF表示外圈故障、BF表示滚动体故障；

由图4所示，第一行图片为原始信号直接降维后的特征分布结果，完全交错在一起，无法直接用于分类任务，需要先进行特征提取。第二行图片为CNN提取的特征结果，由于只在源域数据上进行训练，其学到的特征可以很好的区分源域数据类型，而在目标域上表现很差，外圈故障和滚动体故障特征分布有较多的重叠。第三行图片为DANN的提取的特征结果，由于其进行了领域适配，两个领域的数据特征分布大体上一致，可以看出迁移的效果。第四行图片为本发明方法提取的特征结果，可以看出，本发明方法提取的两个领域的特征基本重合，不同类别间的区分性也较强，说明该方法学到的特征就有较强的可迁移性，能够用于故障诊断中的迁移问题。

以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (4)

1.一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，其特征在于，包括以下步骤：

S1，分别获取源域D^s和目标域D^t的数据集；其中，D表示领域即域；上标s表示源，D^s即表示源域；上标t表示目标，D^t即表示目标域；

所述源域D^s的源数据集A^s中含有n^s个振动数据，且该n^s个振动数据均带有故障标签，即

其中，A表示数据集，A^s即表示源域D^s的数据集即源数据集；n表示数量，n^s即表示源数据集A^s中所包含的振动数据的总数量；x表示振动数据，

表示源数据集A^s中的第i个振动数据；y表示标签即故障类别，

表示源数据集A^s中的第i个振动数据

的标签；

所述目标域D^t的目标数据集A^t中有含有n^t个振动数据，且该n^t个振动数据均不带故障标签，即

其中，A表示数据集，A^t即表示目标域D^t的数据集即目标数据集；n表示数量，n^t即表示目标数据集A^t中所包含的振动数据的总数量；x表示振动数据，

表示目标数据集A^t中的第j个振动数据；

所述源域D^s和所述目标域D^t的特征空间相同，即X^s＝X^t；所述源域D^s和所述目标域D^t的类别空间也相同，即Y^s＝Y^t；所述源域D^s和所述目标域D^t中的振动数据的数据分布不同，即

其中，X表示特征空间，X^s表示源域D^s的特征空间，X^t表示目标域D^t的特征空间；Y表示类别空间，Y^s表示源域D^s的类别空间，Y^t表示目标域D^t的类别空间；P表示分布，

表示源域D^s中的振动数据的数据分布，

表示目标域D^t中的振动数据的数据分布；

S2，建立一个基于特征的迁移学习的故障诊断模型，包括：特征提取器、领域判别器、分类器；其中，

所述特征提取器，用于提取源域D^s和目标域D^t中的振动数据的特征；

所述特征提取器的输出z＝G(x；θ_g)；其中，G(·)表示特征提取器的模型；θ_g表示特征提取器的模型参数；z表示特征提取器的输出，即振动数据的特征；x表示特征提取器的输入，即振动数据；

所述领域判别器，用于对特征提取器所提取的振动数据的特征进行识别，判断该振动数据是来自于源域D^s或目标域D^t；

所述分类器，学习源域D^s中的振动数据的特征分布，根据源域D^s中的振动数据的特征进行分类训练，所述分类器的输出结果为振动数据x属于第m个故障类别的概率p(y＝m|x)：

其中，

表示分类器参数，其中，上标C用于标识为分类器的参数，下标m表示第m个故障类别；

K表示故障类别的总数量；

G(·)表示特征提取器的模型；G(x)表示振动数据的特征；

所述分类器根据领域自适应训练，使得目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布；

所述领域自适应训练是指：将源域D^s和目标域D^t中的振动数据的特征通过特征提取器进行特征提取，从而映射到同一个特征空间；然后领域判别器对所提取的特征进行判断，判断所提取的特征是来自于源域D^s中的振动数据还是目标域D^t中的振动数据；当判别器无法判断所提取的特征来自源域D^s中的振动数据还是目标域D^t中的振动数据，此时，则表示目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布，判别器即认为目标域D^t中的该振动数据的故障类别与源域D^s中的该振动数据的故障类别相同；

S3，基于故障诊断模型的优化目标，确定故障诊断模型的目标函数；

故障诊断模型中，包括以下三个优化目标：

领域判别器的优化目标：使领域判别的误差最小化；

特征提取器的优化目标：使领域判别的误差最大化；

分类器的优化目标：使故障分类的误差最小化；

S4，得到故障诊断模型的目标函数后，对故障诊断模型进行训练，求解故障诊断模型中的模型参数，从而得到训练后的分类器；

S5，在故障识别的过程中，利用分类器即可对目标域中的无标签的振动数据进行故障分类。

2.根据权利要求1所述的一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，其特征在于，步骤S3中，确定故障诊断模型的目标函数，包括以下具体步骤：

S301，对于特征提取器所提取出的源域D^s中的振动数据的特征和目标域D^t中的振动数据的特征，使用Wassertein距离来衡量两个领域之间特征分布的差异：

其中，sup表示上确界；

z表示特征提取器的输出即振动数据的特征，同时z也为领域判别器输入；z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

P表示分布，

表示源域D^s中振动数据的特征分布；

表示目标域D^t的振动数据的特征分布；

E表示期望；

表示源域D^s中振动数据的特征分布的期望；

表示目标域D^t的振动数据的特征分布的期望；

表示源域D^s中振动数据的特征分布和目标域D^t中振动数据的特征分布之间的差异即距离；

D(·)表示领域判别器的模型：D(z)中的z表示振动数据的特征，即领域判别器的输入；

||D||_L≤1表示在领域判别器上施加的限制，领域判别器的Lipschitz常数为1；

S302，领域判别器的经验损失L_D为：

其中，θ_d表示领域判别器的模型参数；

S303，领域判别器的模型D(·)需要满足1-Lisschitz约束，即：

|D(z₁)-D(z₂)|≤|z₁-z₂|；

其中，z₁、z₂分别为领域判别器的两个输入；

在领域判别器上增加一个梯度惩罚项L_gp，使领域判别器的模型D(·)满足1-Lisschitz约束：

其中，

z^t表示目标域D^t中的振动数据的特征；z^s表示源域D^s中的振动数据的特征；

ε为0～1之间的随机数；

L_gp表示领域判别器的梯度惩罚项；

为数学中表示梯度的符号；

S304，领域判别器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越大越好，领域判别器的优化目标表示为：

表示故障诊断模型的参数；

S305，特征提取器希望源域D^s和目标域D^t之间的振动数据的特征分布的距离越小越好，特征提取器的优化目标表示为：

S306，分类器的分类损失L_C，用于度量分类器根据源域D^s中振动数据的特征进行故障分类时的误差，该分类损失L_C即为交叉熵代价损失：

其中，C(·)表示分类器的模型；θ_c表示分类器的模型参数；

表示源域D^s中第i个振动数据的特征；

表示源域D^s中第i个振动数据的标签；

S307，故障诊断模型的目标函数包括：领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C。

3.根据权利要求2所述的一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，其特征在于，步骤S4中，得到故障故障诊断模型的目标函数即领域判别器的经验损失L_D、领域判别器的梯度惩罚项L_gp、分类器的分类损失L_C后，对故障诊断模型进行训练，使用反向传播算法对求解故障诊断模型中的模型参数；故障诊断模型的模型参数即包括：特征提取器的模型参数θ_g、领域判别器的模型参数θ_d、分类器的模型参数θ_c进行训练；

采用Adam算法对模型参数进行更新，所述Adam算法通过计算梯度的一阶矩估计和二阶矩估计，为不同的模型参数提供独立的自适应学习率：

其中，α、β₁、β₂均为Adam算法的参数；

分别表示特征提取器、领域判别器、分类器的梯度。

4.根据权利要求1所述的一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，其特征在于，所述特征提取器的网络结构是一个一维全卷积神经网络，如下所示：

其中，

表示卷积操作；W^g表示卷积核，b^g表示卷积核偏置，上标g用于标识为特征提取器的参数，h表示卷积操作结果；BN表示批归一化层；relu表示激活函数层。

Images