CN114398992A - 一种基于无监督域适应的智能故障诊断方法 - Google Patents

一种基于无监督域适应的智能故障诊断方法 Download PDF

Info

Publication number
CN114398992A
CN114398992A CN202210054299.3A CN202210054299A CN114398992A CN 114398992 A CN114398992 A CN 114398992A CN 202210054299 A CN202210054299 A CN 202210054299A CN 114398992 A CN114398992 A CN 114398992A
Authority
CN
China
Prior art keywords
domain
target
source
label
fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210054299.3A
Other languages
English (en)
Inventor
夏懿
张诚志
许洋洋
方永康建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202210054299.3A priority Critical patent/CN114398992A/zh
Publication of CN114398992A publication Critical patent/CN114398992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无监督域适应的智能故障诊断方法，涉及故障检测技术领域。获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；目标零件信号为用于判断目标零件是否发生故障的传感器数据；故障标签为目标零件发生故障的类型；对源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；使用源域样本和目标域样本训练预设的域适应模型，优化域适应模型的优化目标函数，完成域适应模型的训练；使用训练好的域适应模型进行目标零件的故障诊断。以此能够根据已知的零件数据，诊断出分布相似的零件轴承监测数据的故障类型，提升模型在实际应用中的诊断效果。

Description

一种基于无监督域适应的智能故障诊断方法
技术领域
本发明涉及故障检测技术领域，具体涉及一种基于无监督域适应的智能故障诊断方法。
背景技术
在日益发展的现代化工业社会中，机械设备应用越来越广泛，并且不断向复杂化、智能化、系统化的方向发展。大型机械设备都是由很多小零件组成，其中某一零件一旦发生损坏，对其他零件都会造成影响，很可能会降低生产效益和造成经济损失，甚至会造成人员伤亡。为了保障工业生产的效益以及提高机械设备的安全性能，对机械设备的零件进行故障监测是非常有必要的。
现有技术中，通常使用机器学习方法，如支持向量机(SVM)、人工神经网络(ANN)等进行零件故障诊断，或者使用深度学习方法，如卷积神经网络(CNN)、自编码器(AE)等进行零件故障诊断。但是现有技术中零件故障诊断方法，在训练诊断模型阶段，为了保证测试数据的鲁棒性和泛化性能，需要满足两个前提条件：(1)有大量的带标记可用数据；(2)待测数据需要与训练数据保持相同的分布。但这两个条件在实际的应用场合中很难满足，导致训练好的模型在实际应用中的效果并不理想。
发明内容
本发明实施例的目的在于提供一种基于无监督域适应的智能故障诊断方法，实现根据已知的零件数据，诊断出分布相似的零件监测数据的故障类型，提升模型在实际应用中的诊断效果。
具体技术方案如下：
在本发明实施提供了一种基于无监督域适应的智能故障诊断方法，所述方法包括：
获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；所述目标零件信号为用于判断目标零件是否发生故障的传感器数据；所述故障标签为目标零件发生故障的类型；
对所述源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；
使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练；
使用训练好的所述域适应模型进行所述目标零件的故障诊断。
可选地，所述预设的域适应模型包括一个特征提取器、一个分类器和三个域鉴别器；其中，所述特征提取器包括三层卷积层和一层全连接层，每个卷积层还包括了BN层、池化层和ReLU层；其中，所述池化层都采用最大值池化方法，所述ReLU层采用一种线性纠正函数；所述分类器包括两层全连接层，用于使用softmax激活函数对故障标签进行预测；每一域鉴别器包括两层全连接层，用于使用sigmoid激活函数对域标签进行预测。
可选地，使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练，包括：
利用所述特征提取器提取所述源域样本的特征，作为源域特征，利用所述特征提取器提取所述目标域样本的特征，作为目标域特征；
将所述源域特征和所述目标域特征输入所述分类器，预测所述源域样本和所述目标域样本的所述故障标签；
将所述分类器输出的带有所述故障标签的所述源域特征和所述目标域特征，通过多重线性映射经过梯度反转层后输入所述域鉴别器，通过所述域鉴别器预测所述源域样本和所述目标域样本的域标签；所述域标签包括标签1和标签0，所述标签1表示属于源域，所述标签0表示属于目标域；
优化所述域适应模型的优化目标函数，完成所述域适应模型的训练。
可选地，所述优化目标函数为：
Figure BDA0003475777540000031
Figure BDA0003475777540000032
Figure BDA0003475777540000033
其中，Lc为所述分类器的损失函数，Ld1、Ld2和Ld3分别为三个域鉴别器的损失函数，Lmmd为所述特征提取器的损失函数，λ1、λ2、λ3、λ4为权衡参数，用于调节所述域鉴别器和所述特征提取器的贡献；通过最小化Lc优化所述特征提取器和所述分类器的参数；最小化Ld1、Ld2和Ld3优化三个域鉴别器的参数；最小化Lmmd优化所述特征提取器的参数；最大化Ld1、Ld2和Ld3优化所述特征提取器的参数。
可选地，所述特征提取器的全连接层使用多核最大平均差异MK-MMD函数作为损失函数；所述MK-MMD损失函数为：
Figure BDA0003475777540000034
Figure BDA0003475777540000035
其中，ns表示源域样本数，nt表示目标域样本数，hs和ht分别表示全连接层提取的源域特征和目标域特征，k(,)表示高斯核函数，σ为带宽，通过取不同的σ得到多核最大平均差异MK-MMD。
可选地，所述分类器使用交叉熵损失函数作为损失函数；所述交叉熵损失函数为：
Figure BDA0003475777540000041
其中，C()为所述分类器的操作、F()为所述特征提取器的特征提取操作，Xs表示源域数据，Ys为其对应标签空间，nc表示预设的故障类型的类型数量，
Figure BDA0003475777540000042
表示如果
Figure BDA0003475777540000043
则
Figure BDA0003475777540000044
可选地，域鉴别器的损失函数为：
Figure BDA0003475777540000045
其中，D()为所述域鉴别器的操作；
通过熵准则
Figure BDA0003475777540000046
计算预测不确定性，通过熵感知权重ω(H(g))＝1+e-H(g)，对易于转移的样本进行重新加权；其中，gc表示样本属于第C类的概率；
对于第m个域鉴别器，损失函数为：
Figure BDA0003475777540000047
其中，
Figure BDA0003475777540000048
表示对第i个源域样本分类器的预测结果，
Figure BDA0003475777540000049
表示对第j个目标域样本分类器的预测结果，Dm表示第m个域鉴别器的操作，
Figure BDA00034757775400000410
表示第m层卷积对第i个源域样本提取的特征，
Figure BDA00034757775400000411
表示第m层卷积对第j个目标域样本提取的特征。
可选地，使用随机梯度下降SGD算法优化所述优化目标函数。
可选地，在使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练之后，所述方法还包括：
将无标记的目标域样本放入训练好的域适应模型中进行分类，计算域适应模型的故障诊断准确度；
重复训练步骤直到达到最大的预设训练次数。
基于本发明实施例提供的基于无监督域适应的智能故障诊断方法，获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；目标零件信号为用于判断目标零件是否发生故障的传感器数据；故障标签为目标零件发生故障的类型；对源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；使用源域样本和目标域样本训练预设的域适应模型，优化域适应模型的优化目标函数，完成域适应模型的训练；使用训练好的域适应模型进行目标零件的故障诊断。将已有标签的源域信号和没有标签的目标域信号一起放入神经网络模型中训练，基于数据之间的相似性，能够根据已知的零件数据，诊断出分布相似的零件监测数据的故障类型，提升模型在实际应用中的诊断效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种基于无监督域适应的智能故障诊断方法的流程图；
图2为本发明实施例提供的域适应网络模型的结构图；
图3为本发明实施例提供的另一种基于无监督域适应的智能故障诊断方法的流程图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于无监督域适应的智能故障诊断方法。参见图1，图1为本发明实施例提供的一种基于无监督域适应的智能故障诊断方法的流程图，该方法可以包括以下步骤：
S101，获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号。
S102，对源域信号和目标域信号进行预处理，得到多个源域样本和多个目标域样本。
S103，使用源域样本和目标域样本训练预设的域适应模型，优化域适应模型的优化目标函数，完成域适应模型的训练；
S104，使用训练好的所述域适应模型进行所述目标零件的故障诊断。
目标零件信号为用于判断目标零件是否发生故障的传感器数据；故障标签为目标零件发生故障的类型。
一种实现方式中，目标零件可以是机械设备的核心零件，例如，滚动轴承、齿轮等等。本发明使用无监督域适应模型训练诊断网络，训练样本为带故障标签的源域信号
Figure BDA0003475777540000061
和目标域信号
Figure BDA0003475777540000062
Xs为源域信号，Ys为Xs对应的故障标签。Ds和DT共享标签空间Y＝{1,2,···,N}。源域信号为目标零件已知的传感器数据，目标域信号为目标零件未知的传感器数据。源域信号的故障标签表示当目标零件信号为源域信号时，目标零件发生故障的类型。通过将源域信号的先验知识和目标域信号结合起来，以实现更好的模型训练。
一种实现方式中，对源域信号和目标域信号进行预处理可以包括以下步骤：通过FFT将原始的零件信号转换到频域，然后将零件信号切段以形成固定长度的样本，每个样本固定长度为600个数据点。
在一个实施例中，预设的域适应模型包括一个特征提取器、一个分类器和三个域鉴别器；其中，特征提取器包括三层卷积层和一层全连接层，每个卷积层还包括了BN层、池化层和ReLU层；其中，池化层都采用最大值池化方法，ReLU层采用一种线性纠正函数；分类器包括两层全连接层，用于通过softmax激活函数对故障标签进行预测；每一域鉴别器包括两层全连接层，用于通过sigmoid激活函数对域标签进行预测。
一种实现方式中，域适应模型中包括多个域鉴别器，可以通过多个域鉴别器学习较低卷积块中的域信息表示和较高卷积块中的域信息表示，以防止信息的过度丢失。为了充分捕捉特征表示和类别信息之间的交互作用，借用了CGANs(Conditional GenerativeAdversarial Networks)的思想，并结合了多个域鉴别器。通过将分类器传递的判别信息添加到每个域鉴别器中，减少跨域分布差异。
参见表1，表1为本发明实施例提供的域适应网络模型的主干网络结构。
表1
Figure BDA0003475777540000071
参见图2，图2为本发明实施例提供的域适应网络模型的结构图。
Feature extractor为上述特征提取器(F)，classifier(C)为上述分类器(上述三个鉴器分别为D1、D2和D3)，Domain classifier为上述域鉴别器。F中的
Figure BDA0003475777540000081
和
Figure BDA0003475777540000082
分别表示特征提取器F的参数，F1、F2和F3分别表示第一层、第二层和第三层卷积层，hs和ht分别表示全连接层提取的源域特征和目标域特征。Lmmd为F的损失函数，Lc为C的损失函数，Ld1、Ld2和Ld3分别为D1、D2和D3的损失函数。g表示C对样本的标签预测结果，ω表示熵感知权重。θ表示分类器C的参数，
Figure BDA0003475777540000083
和
Figure BDA0003475777540000084
分别表示F1、F2和F3的参数，φ1、φ2和φ3分别表示域鉴别器D1、D2和D3的参数。
在一个实施例中，参见图3，在图1的基础上，步骤S103包括：
S1031，利用特征提取器提取源域样本的特征，作为源域特征，利用特征提取器提取目标域样本的特征，作为目标域特征。
S1032，将源域特征和目标域特征输入分类器，预测源域信号和目标域信号的故障标签。
S1033，将分类器输出的带有故障标签的源域特征和目标域特征，通过多重线性映射经过梯度反转层后输入域鉴别器，通过域鉴别器预测源域样本和目标域样本的域标签。
S1034，优化域适应模型的优化目标函数，完成域适应模型的训练。
域标签包括标签1和标签0，标签1表示属于源域，标签0表示属于目标域。
在一种实现方式中，用于优化目标函数的算法可以由工作人员根据经验进行选择。
在一个实施例中，使用随机梯度下降SGD算法优化目标函数。
在一个实施例中，域适应模型的优化目标函数为：
Figure BDA0003475777540000085
Figure BDA0003475777540000086
Figure BDA0003475777540000087
其中，Lc为分类器的损失函数，Ld1、Ld2和Ld3分别为三个域鉴别器的损失函数，Lmmd为特征提取器的损失函数，λ1、λ2、λ3、λ4为权衡参数，用于调节域鉴别器和特征提取器的贡献；通过最小化Lc优化特征提取器和分类器的参数；最小化Ld1、Ld2和Ld3优化三个域鉴别器的参数；最小化Lmmd优化特征提取器的参数；最大化Ld1、Ld2和Ld3优化特征提取器的参数。
在一个实施例中，特征提取器的全连接层使用多核最大平均差异MK-MMD函数作为损失函数；MK-MMD损失函数为：
Figure BDA0003475777540000091
Figure BDA0003475777540000092
其中，hs和ht分别表示全连接层提取的源域特征和目标域特征，k(,)表示高斯核函数，σ为带宽，取不同的σ得到多核最大平均差异MK-MMD。
一种实现方式中，通过在特征提取器的全连接层引入MMD来衡量源域特征和目标域特征之间的距离，可以更好地提取域的不变特征，减少数据分布之间的差异。
在一个实施例中，分类器使用交叉熵损失函数作为损失函数；交叉熵损失函数为：
Figure BDA0003475777540000093
其中，C()为所述特征提取器的操作、F()为所述分类器的操作，Xs表示源域数据，Ys为其对应标签空间，nc表示类别数，
Figure BDA0003475777540000094
表示如果
Figure BDA0003475777540000095
则
Figure BDA0003475777540000096
一种实现方式中，分类器使用交叉熵损失函数作为损失函数，可以使预测的标签更接近真实的标签。
在一个实施例中，域鉴别器的损失函数为：
Figure BDA0003475777540000101
其中，D()为域鉴别器的操作；
通过熵准则
Figure BDA0003475777540000102
计算预测不确定性，通过熵感知权重ω(H(g))＝1+e-H(g)，对易于转移的样本进行重新加权；
对于第m个域鉴别器，损失函数为：
Figure BDA0003475777540000103
其中，ns表示源域样本数，nt表示目标域样本数，
Figure BDA0003475777540000104
表示对第i个源域样本分类器的预测结果，
Figure BDA0003475777540000105
表示对第j个目标域样本分类器的预测结果，Dm表示第m个域鉴别器的操作，
Figure BDA0003475777540000106
表示第m层卷积对第i个源域样本提取的特征，
Figure BDA0003475777540000107
表示第m层卷积对第j个目标域样本提取的特征。
一种实现方式中，特征提取器因为梯度反转层的作用，混淆提取的源域特征和目标域特征去欺诈域鉴别器，通过域鉴别器和特征提取器的对抗学习，进一步减小源域和目标域的分布差异。
在一个实施例中，在步骤S103之后，该方法还包括以下步骤：
步骤一，将无标记的目标域样本放入训练好的域适应模型中进行分类，计算域适应模型的故障诊断准确度。
步骤二，重复训练步骤直到达到最大的预设训练次数。
一种实现方式中，预设训练次数可以有技术人员根据经验进行设置，在此不作限定。
在一个实施例中，为了验证本发明方法的有效性，选择了凯西斯储大学的轴承数据做了验证，取负载条件为1HP到3HP下的轴承数据，具体划分参见表2，表2为本发明实施例提供的轴承数据划分表。
表2
Figure BDA0003475777540000111
A-B表示Dataset-A作为源域，Dataset-B作为目标域进行迁移实验。选取了近年来一些典型的轴承诊断方法来进行对比，证明本发明方法的优越性。
对比方法1：CNN(Convolutional neural network，卷积神经网络)不使用域自适应转移技术，网络结构与本发明卷积网络一样，只用源域数据训练，目标域数据测试。
对比方法2：DANN(Domain Adversarial training ofNeural Networks，域对抗神经网络)采用域鉴别器对模型进行对抗训练，从而学习跨源域和目标域的域不变特征。
对比方法3：MK-MMD(Multi-kernel MMD，多核MMD)最小化源域和目标域之间的特征分布。
进行了两种迁移任务：(1)同一端不同负载下的迁移；(2)不同端同一负载下的迁移。每个实验进行10次，取其平均结果。
参见表3，表3为本发明实施例提供的同一端不同负载下的迁移任务的结果。
参见表4，表4为本发明实施例提供的不同端同一负载下的迁移任务的结果。
表3
Figure BDA0003475777540000121
表4
Figure BDA0003475777540000122
从实验结果来看，对于数据分布差异不大的任务(1)同一端不同负载下的迁移；本发明实施例提供的基于无监督域适应的智能故障诊断方法效果好。从任务(2)情况下的数据分布差异很大，因为轴承数据是从不同位置的传感器采集到的，CNN的精确度只有0.374，而使用域适应方法的网络总体都达到了0.6以上，本发明实施例提供的基于无监督域适应的智能故障诊断方法精确度达到0.792。以上结果充分表明了本发明实施例提供的基于无监督域适应的智能故障诊断方法的有效性和优越性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种基于无监督域适应的智能故障诊断方法，其特征在于，包括以下步骤：
获取带有故障标签标注的目标零件信号作为源域信号，获取无标注的目标零件信号作为目标域信号；所述目标零件信号是用于判断目标零件是否发生故障的传感器数据；所述故障标签为目标零件发生故障的类型；
对所述源域信号和所述目标域信号进行预处理，得到多个源域样本和多个目标域样本；
使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练；
使用训练好的所述域适应模型进行所述目标零件的故障诊断。
2.根据权利要求1所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，所述预设的域适应模型包括一个特征提取器、一个分类器和三个域鉴别器；其中，所述特征提取器包括三层卷积层和一层全连接层，每个卷积层还包括了BN层、池化层和ReLU层；其中，所述池化层都采用最大值池化方法，所述ReLU层采用一种线性纠正函数；所述分类器包括两层全连接层，用于使用softmax激活函数对故障标签进行预测；每一域鉴别器包括两层全连接层，用于使用sigmoid激活函数对域标签进行预测。
3.根据权利要求2所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练，包括：
利用所述特征提取器提取所述源域样本的特征，作为源域特征，利用所述特征提取器提取所述目标域样本的特征，作为目标域特征；
将所述源域特征和所述目标域特征输入所述分类器，预测所述源域样本和所述目标域样本的故障标签；
将所述分类器输出的带有故障标签的源域特征和目标域特征，通过多重线性映射经过梯度反转层后输入所述域鉴别器，通过所述域鉴别器预测所述源域样本和所述目标域样本的域标签；所述域标签包括标签1和标签0，所述标签1表示属于源域，所述标签0表示属于目标域；
优化所述域适应模型的优化目标函数，完成所述域适应模型的训练。
4.根据权利要求3所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，所述优化目标函数为：
Figure FDA0003475777530000021
Figure FDA0003475777530000022
Figure FDA0003475777530000023
其中，Lc为所述分类器的损失函数，Ld1、Ld2和Ld3分别为三个域鉴别器的损失函数，Lmmd为所述特征提取器的损失函数，λ1、λ2、λ3、λ4为权衡参数，用于调节所述域鉴别器和所述特征提取器的贡献；通过最小化Lc优化所述特征提取器和所述分类器的参数；最小化Ld1、Ld2和Ld3优化三个域鉴别器的参数；最小化Lmmd优化所述特征提取器的参数；最大化Ld1、Ld2和Ld3优化所述特征提取器的参数。
5.根据权利要求4所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，所述特征提取器的全连接层使用多核最大平均差异MK-MMD函数作为损失函数；所述MK-MMD损失函数为：
Figure FDA0003475777530000024
Figure FDA0003475777530000025
其中，ns表示源域样本数，nt表示目标域样本数，hs和ht分别表示全连接层提取的源域特征和目标域特征，k(,)表示高斯核函数，σ为带宽，通过取不同的σ得到多核最大平均差异MK-MMD。
6.根据权利要求4所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，所述分类器使用交叉熵损失函数作为损失函数；所述交叉熵损失函数为：
Figure FDA0003475777530000031
其中，C()为所述分类器的操作、F()为所述特征提取器的特征提取操作，Xs表示源域数据，Ys为其对应标签空间，nc表示预设的故障类型的类型数量，
Figure FDA0003475777530000032
表示如果
Figure FDA0003475777530000033
则
Figure FDA0003475777530000034
7.根据权利要求4所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，域鉴别器的损失函数为：
Figure FDA0003475777530000035
其中，D()为所述域鉴别器的操作；
通过熵准则
Figure FDA0003475777530000036
计算预测不确定性，通过熵感知权重ω(H(g))＝1+e-H(g)，对易于转移的样本进行重新加权；其中，gc表示样本属于第C类的概率；
对于第m个域鉴别器，损失函数为：
Figure FDA0003475777530000037
其中，
Figure FDA0003475777530000038
表示对第i个源域样本分类器的预测结果，
Figure FDA0003475777530000039
表示对第j个目标域样本分类器的预测结果，Dm表示第m个域鉴别器的操作，
Figure FDA00034757775300000310
表示第m层卷积对第i个源域样本提取的特征，
Figure FDA00034757775300000311
表示第m层卷积对第j个目标域样本提取的特征。
8.根据权利要求3所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，使用随机梯度下降SGD算法优化所述优化目标函数。
9.根据权利要求1所述的一种基于无监督域适应的智能故障诊断方法，其特征在于，在使用所述源域样本和所述目标域样本训练预设的域适应模型，优化所述域适应模型的优化目标函数，完成所述域适应模型的训练之后，还包括：
将无标记的目标域样本放入训练好的域适应模型中进行分类，计算域适应模型的故障诊断准确度；
重复训练步骤直到达到最大的预设训练次数。
CN202210054299.3A 2022-01-18 2022-01-18 一种基于无监督域适应的智能故障诊断方法 Pending CN114398992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210054299.3A CN114398992A (zh) 2022-01-18 2022-01-18 一种基于无监督域适应的智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210054299.3A CN114398992A (zh) 2022-01-18 2022-01-18 一种基于无监督域适应的智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN114398992A true CN114398992A (zh) 2022-04-26

Family

ID=81231312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210054299.3A Pending CN114398992A (zh) 2022-01-18 2022-01-18 一种基于无监督域适应的智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN114398992A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及系统
CN117077815A (zh) * 2023-10-13 2023-11-17 安徽大学 一种在有限样本下基于深度学习的轴承故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510926A (zh) * 2022-11-23 2022-12-23 武汉理工大学 跨机型的柴油机燃烧室故障诊断方法及系统
CN117077815A (zh) * 2023-10-13 2023-11-17 安徽大学 一种在有限样本下基于深度学习的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN110555273B (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN110941928B (zh) 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法
CN114398992A (zh) 一种基于无监督域适应的智能故障诊断方法
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114881173A (zh) 基于自注意力机制的简历分类方法和装置
CN113571133B (zh) 一种基于图神经网络的乳酸菌抗菌肽预测方法
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN114331214A (zh) 基于强化学习的域自适应轴承声纹故障诊断方法及系统
CN116952554A (zh) 基于图卷积网络的多传感器机械设备故障诊断方法及装置
CN116451322A (zh) 基于贝叶斯优化的lstm深度学习网络的力学预测方法
CN116405139A (zh) 一种基于Informer的频谱预测模型和方法
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN114252266A (zh) 一种基于dbn-svdd模型的滚动轴承性能退化评估方法
CN113761795A (zh) 一种飞机发动机故障检测方法和系统
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN117113148B (zh) 基于时序图神经网络的风险识别方法、装置及存储介质
CN114513328B (zh) 基于概念漂移和深度学习的网络流量入侵检测方法
CN116777183B (zh) 无人船集群智能调度方法及系统
CN116232761B (zh) 基于shapelet的网络异常流量检测方法及系统
CN117330315B (zh) 一种基于在线迁移学习的旋转机械故障监测方法
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination