CN115062685A - 一种故障诊断方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种故障诊断方法、装置、电子设备及存储介质，其包括：使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征；基于源域特征来确定标签分类器的第一标签分类损失并基于源域特征和目标域特征来确定域分类器的域分类损失；基于第一标签分类损失和域分类损失来更新特征提取器、标签分类器和域分类器；将源域数据过采样为类别均衡数据并初始化标签分类器，使用特征提取器模块提取类别均衡数据的特征信息；基于特征信息来确定标签分类器的第二标签分类损失；基于第二标签分类损失来更新标签分类器，得到训练后的标签分类器模块；基于特征提取器、标签分类器模块以及域分类器来建立故障诊断模型以确定第一设备的故障分类。

Description

一种故障诊断方法、装置、电子设备及存储介质

技术领域

本发明涉及分析领域，具体涉及一种故障诊断方法、装置、电子设备及存储介质。

背景技术

目前，已有许多使用机器学习和深度学习模型进行故障诊断的方法。这些方法一般是将设备的传感器信号输入机器学习模型或神经网络进行训练学习，然后使用训练好的模型对故障情况进行分类。

在实际应用中，对于待诊断设备，往往无法直接获得该设备在同等工作条件下的可以用于模型训练的有标签数据，一般只能通过该设备在其他工作条件下或其他类似设备的有标签数据来建立模型。然而，如此获得的有标签数据和待诊断设备的数据往往存在分布差异，导致基于模型预测待诊断设备数据的效果较差。

此外，在采集待诊断设备的工作数据时，由于待诊断设备一般处于正常工作状态，发生故障的几率相对较少，因此所采集的正常数据和故障数据的数量差别较大，存在数据类别不均衡的状态。而训练数据类别不均衡会导致人工智能模型在预测故障类别时产生偏差，使预测结果偏向正常类别。因此，亟需一种能够克服训练数据的上述缺陷的智能故障诊断方法。

发明内容

为解决现有技术中无法对训练数据进行适当训练所造成的不能准确诊断设备故障的技术问题，本发明提供了一种故障诊断方法，包括以下步骤：

使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征；

基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失；

基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器；

将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息；

基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失；

基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块；

基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型，以确定第一设备的故障分类。

在一些实施例中，所述方法还包括：

获取来自所述第一设备的目标域数据以及来自第二设备的源域数据。

在一些实施例中，所述基于所述源域特征来确定标签分类器的第一标签分类损失，包括：

将所述源域特征输入到所述标签分类器中，得到第一标签分类概率；

基于所述第一标签分类概率来确定所述第一标签分类损失。

在一些实施例中，所述标签分类器存储有如下所述的标签分类概率计算公式：

其中，

为所述第一标签分类概率，C为故障类别总数，c为故障类别，

为所述标签分类器对源域样本i在类别c上的输出。

在一些实施例中，所述基于所述第一标签分类概率来确定所述第一标签分类损失，包括：

基于所述第一标签分类概率根据以下表达式来确定所述第一标签分类损失：

其中，L_ce为所述第一标签分类损失，N为所述样本i的数量，y_ic作为符号函数，在样本i属于类别c时y_ic取1，在样本i不属于类别c时y_ic取0。

在一些实施例中，所述基于所述源域特征和所述目标域特征来确定域分类器的域分类损失，包括：

将所述源域特征和所述目标域特征输入到所述域分类器中，基于以下表达式得到域分类概率：

p_d＝1/(1+e^-x)，

其中，p_d为所述域分类概率，x为域分类器的输出；

基于所述域分类概率来确定所述域分类损失。

在一些实施例中，所述基于所述域分类概率来确定所述域分类损失，包括：

基于所述域分类概率根据以下表达式来确定所述域分类损失：

L_d＝-(y_d*log(p_d)+(1-y_d)*log(1-p_d))，

其中，L_d为所述域分类损失，y_d为域真实标签，对所述源域数据标注为1，对所述目标域数据标注为0。

在一些实施例中，所述基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失，包括：

将所述特征信息输入到所述初始化后的标签分类器模块中，得到第二标签分类概率；

基于所述第二标签分类概率来确定所述第二标签分类损失。

本发明还提供了一种故障诊断装置，其包括：

提取模块，用于使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征；

第一确定模块，用于基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失；

第一更新模块，用于基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器；

过采样模块，用于将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息；

第二确定模块，用于基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失；

第二更新模块，用于基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块；

第三确定模块，用于基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型以确定第一设备的故障分类。

本发明还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如上所述的故障诊断方法。

本发明还提供了一种存储介质，该存储介质存储的计算机程序能够被一个或多个处理器执行，能够用来实现如上所述的故障诊断方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本发明综合考虑了训练数据同时存在领域差异和数据类别不均衡的问题，使用解耦思路将过采样和域自适应方法相结合，对训练数据进行适当训练，能够准确诊断设备故障。

附图说明

通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：

图1示出了根据本发明实施例的一种故障诊断方法的流程图；

图2示出了根据本发明实施例的一种故障诊断方法的流程图；

图3示出了根据本发明实施例的一种故障诊断方法的流程图；

图4示出了根据本发明实施例的一种故障诊断方法的流程图；

图5示出了根据本发明实施例的一种故障诊断方法的流程图；

图6示出了根据本发明实施例的一种故障诊断装置的结构示意图；

图7示出了根据本发明实施例的一种故障诊断电子设备的组成结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

如果申请文件中出现“第一/第二/第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一/第二/第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

实施例一

针对现有技术中无法获取合适的训练数据所造成的无法准确诊断设备故障的技术问题，目前一种解决方案是使用一些约束来增强域自适应方法的鲁棒性。但是，这种方案只能解决待诊断设备与类似设备不同的问题，也即只能考虑域自适应问题，无法考虑设备差异与采集数据类别不均衡同时存在的情况。另一种解决方案是将重采样或成本敏感的方法与域自适应简单结合后进行运用。但是这种方案没有考虑重采样或成本敏感方法对域自适应方法提取领域不变性特征的影响，因此会降低故障诊断的效果。

基于相关技术中存在的问题，本实施例提供了一种故障诊断方法，所述方法应用于电子设备，所述电子设备可以是计算机、移动终端等，本发明实施例提供的故障诊断方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。图1为本发明实施例提供的一种故障诊断方法的实现流程示意图，如图1所示，包括如下步骤。

S10：使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征。

具体地，特征提取器是由多个一维卷积层和一维最大池化层堆叠而成的卷积神经网络，所输入的数据在卷积层中进行卷积运算，在最大池化层中进行降维，进而提取出有效特征。

可选地，在步骤S10之前所述方法还可以包括：获取来自第一设备的目标域数据以及来自第二设备的源域数据。

其中，第一设备可以是待诊断设备，第二设备可以是用于训练模型的设备。

S20：基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失。

具体地，标签分类器是由多个全连接层堆叠而成的全连接神经网络，数据通过全连接神经网络将特征映射成长度为类别数量的输出向量；域分类器是由一层梯度反转层和多个全连接层堆叠而成的全连接神经网络，在特征提取时，数据通过全连接神经网络将特征映射成长度为1的输出值。

在一些实施例中，所述基于所述源域特征来确定标签分类器的第一标签分类损失，包括：

将所述源域特征输入到所述标签分类器中，得到第一标签分类概率；

基于所述第一标签分类概率来确定所述第一标签分类损失。

具体地，所述标签分类器存储有如下所述的标签分类概率计算公式：

其中，

为所述第一标签分类概率，C为故障类别总数，c为故障类别，

为所述标签分类器对源域样本i在类别c上的输出；

基于所述第一标签分类概率根据以下表达式来确定所述第一标签分类损失：

其中，L_ce为所述第一标签分类损失，N为所述样本i的数量，y_ic作为符号函数，在样本i属于类别c时y_ic取1，在样本i不属于类别c时y_ic取0。

在一些实施例中，所述基于所述源域特征和所述目标域特征来确定域分类器的域分类损失，包括：

将所述源域特征和所述目标域特征输入到所述域分类器中，基于以下表达式得到域分类概率：

p_d＝1/(1+e^-x)，

其中，p_d为所述域分类概率，x为域分类器的输出；

基于所述域分类概率根据以下表达式来确定所述域分类损失：

L_d＝-(y_d*log(p_d)+(1-y_d)*log(1-p_d))，

其中，L_d为所述域分类损失，y_d为域真实标签，对所述源域数据标注为1，对所述目标域数据标注为0。

S30：基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器。

S40：将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息。

S50：基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失。

在一些实施例中，所述步骤S50包括：

将所述特征信息输入到所述初始化后的标签分类器模块中，得到第二标签分类概率；

基于所述第二标签分类概率来确定所述第二标签分类损失。

S60：基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块。

S70：基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型，以确定第一设备的故障分类。

基于此，本发明所公开的故障诊断方法，综合考虑了训练数据同时存在领域差异和数据类别不均衡的问题，使用解耦思路将过采样和域自适应方法相结合，对训练数据进行适当训练，能够准确诊断设备故障。

实施例二

如图2所示，本发明公开了一种基于解耦深度领域自适应模型的变工况下工业装备故障诊断方法，使用一种两阶段的解耦训练方式进行模型训练：第一阶段使用不同工况的原始类别非均衡数据学习并提取域不变特征，以解决分布差异问题；第二阶段使用源域的过采样数据重新学习模型的标签分类器部分，解决数据非均衡问题导致的预测偏差。本方法包括如下七个步骤。

步骤一：搭建特征提取器模块，提取源域数据和目标域数据的域不变特征。

需要注意的是，在提取源域数据和目标域数据的域不变特征时，特征提取器模块是被两个域(目标域和源域)共享的，也即源域数据和目标域数据通过同一特征提取器模块输出域不变特征。

具体地，特征提取器模块主要由一维卷积层和一维池化层堆叠构成，以保证模块具有较强的特征提取能力。

步骤二：搭建标签分类器模块，将在步骤一中提取的源域数据的域不变特征输入标签分类器，输出标签分类概率并计算标签分类损失。

步骤二中，标签分类器模块主要由多个全连接层堆叠构成，并用softmax层输出标签分类概率，softmax层的计算公式为：

其中，

为所述第一标签分类概率，C为故障类别总数，c为故障类别，

为标签分类器对源域样本i在类别c上的输出。

标签分类损失采用交叉熵分类损失的计算方法，其计算公式为：

其中，L_ce为所述第一标签分类损失，N为所述样本i的数量，y_ic作为符号函数，在样本i属于类别c时y_ic取1，在样本i不属于类别c时y_ic取0。

具体地，标签分类损失用于训练和更新特征提取器模块和标签分类器模块，以最小化源域数据的分类损失。

步骤三：搭建域分类器模块，对步骤一提取的域不变特征进行域标注获得域标签，将域不变特征及其域标签输入域分类器模块，输出域分类结果并计算域分类损失。其中，域标签表示域不变特征是来自源域还是目标域。

具体地，域分类器模块由一个梯度反转层和多个全连接层构成，并用softmax 层输出域分类概率。其中，梯度反转层的结构为前向传播时输出不变，梯度反向传播时经过梯度反转层后梯度变为相反数。

需要注意的是，域分类器损失的计算方法与步骤二相同，均采用交叉熵分类损失。

步骤四：如图3所示，对模型进行第一阶段训练，输入源域数据和目标域数据，通过特征提取器模块、标签分类器模块和域分类器模块，计算标签分类损失和域分类损失，使用损失来对模块进行更新。需要注意的是，本阶段训练需多次迭代。

具体地，运用标签分类损失和域分类损失对特征提取器模块进行更新；运用标签分类损失对标签分类器进行更新；运用域分类损失对域分类器模块进行更新。

其中，使用域分类器损失的梯度反向传播时，使用原始梯度更新域分类器，目标以为最小化域分类器的分类损失，从而域分类器分类更加准确；使用反转梯度更新特征提取器，以最大化域分类器的分类损失，使域分类器无法分辨输入特征来源于源域或目标域。通过训练不断完善模型，进而提升特征提取器模块提取域不变特征的效果。

步骤五：如图4所示，对源域数据进行过采样，将源域数据过采样为类别均衡数据。

具体地，使用SMOTE或SMOTE一类的合成过采样算法对源域数据进行合成过采样。SMOTE算法的步骤如下：

确定源域数据x^s的属性及参数、采样倍率R％以及每个少数类样本需寻找的近邻数k；

根据采样倍率R％确定每个少数类样本需要采样的数量N_syn，其中N_syn＝ (int)R/100；

对于每个少数类样本

计算其到本故障类别中所有其他样本的欧氏距离；

基于所述欧氏距离来确定所述样本

的k个近邻样本x_i1-x_ik；

随机选取k个近邻中的一个x_ij，合成新样本

直到新样本的总数达到N_syn，其中random(0,1)为随机函数，每次随机生成0 至1的值；

返回原始样本集与合成样本集的集合，即所述源域类别均衡数据。

步骤六：对模型进行第二阶段训练，固定特征提取器模块和域分类器模块的模型参数，初始化标签分类器的模型参数，将过采样的源域数据(也即类别均衡数据)输入特征提取器模块和标签分类器模块，输出分类结果并计算标签分类损失，使用标签分类损失以梯度下降的方式对标签分类器模块进行更新。需要注意的是，本阶段训练也需多次迭代。

具体地，使用随机初始化的方式来初始化标签分类器的模型参数。使用标签分类损失来训练并更新标签分类器模块，以最小化源域过采样数据的分类损失。由于源域的过采样数据不再通过域分类器模块产生输出，因此其损失也不对特征提取器模块和域分类器模块产生影响，也即过采样方法不会干涉域不变特征的提取，由此形成了领域自适应和过采样的两阶段解耦训练。

步骤七：如图5所示，使用训练好的模型对目标域的待诊断数据进行故障分类。

具体地，本方法的步骤四到步骤六的训练过程可以如下实施。

在步骤四中首先进行模型训练的前向传播过程。将源域数据和目标域数据输入到特征提取器模块中，提取源域数据和目标域数据的域不变特征；将源域数据的域不变特征输入到标签分类器中，输出源域的预测结果。结合源域真实标签计算标签分类损失L_y；对源域和目标域的特征进行域标签标注。

具体地，源域特征标注为0，目标域特征标注为1。输入域分类器，输出域分类结果，结合域真实标签计算域分类损失L_d；

分别计算L_y和L_d的梯度，进行梯度反向传播。其中，以L_y最小化为目标更新标签分类器和特征提取器，以L_d最小化为目标更新域分类器，通过梯度反转来实现最大化L_d，更新特征提取器。

具体地，各损失函数的公式如下：

其中，L_ce为所述第一标签分类损失，N为所述样本i的数量，y_ic作为符号函数，在样本i属于类别c时y_ic取1，在样本i不属于类别c时y_ic取0。

L_d＝-(y_d*log(p_d)+(1-y_d)*log(1-p_d))，

其中，L_d为所述域分类损失，p_d为域分类概率，y_d为域真实标签，对所述源域数据标注为1，对所述目标域数据标注为0。

L_stage1＝L_y-λL_d，

其中，L_stage1为损失函数，λ为权衡系数，根据经验进行设置，用于平衡两种损失的相对大小关系。

重复进行多次前向传播过程和反向传播过程至模型基本收敛，也即模型基本不便。

然后进行步骤五，对源域数据进行合成过采样，得到源域过采样数据。

在步骤六中，先固定特征提取器模块和域分类器模块的模型参数，使用随机初始化的方法初始化标签分类器的模型参数。然后进行模型训练的前向传播过程：将源域过采样数据输入到特征提取器模块中，提取源域过采样数据的域不变特征；将源域过采样数据的域不变特征输入到标签分类器中，输出源域过采样数据的预测结果，结合源域过采样数据的真实标签计算标签分类损失L_y。

然后通过L_y计算梯度，进行梯度反向传播。其中，以L_y最小化为目标更新标签分类器。步骤六中的损失函数公式如下：

L_stage2＝L_y。

其中，L_stage2为损失函数。

基于此，本发明提出了一种基于解耦深度领域自适应模型的变工况下工业装备故障诊断方法，该方法是一种两阶段的训练方法，第一阶段进行领域自适应方法提取域不变特征的学习，第二阶段使用过采样数据对标签分类器进行重新学习，能够同时考虑实际故障诊断数据非均衡问题和变工况数据分布差异问题，将域不变特征的提取和分类器的再学习进行解耦，避免了这两种方法之间产生的负面影响。

实施例三

本发明还提供了一种故障诊断装置。图6为本发明实施例提供的一种故障诊断装置的结构示意图。如图6所示，故障诊断装置600包括以下模块。

提取模块601，用于使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征。

第一确定模块602，用于基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失。

第一更新模块603，用于基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器。

过采样模块604，用于将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息。

第二确定模块605，用于基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失。

第二更新模块606，用于基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块。

第三确定模块607，用于基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型以确定第一设备的故障分类。

基于此，本发明所公开的故障诊断装置，综合考虑了训练数据同时存在领域差异和数据类别不均衡的问题，使用解耦思路将过采样和域自适应方法相结合，对训练数据进行适当训练，能够准确诊断设备故障。

需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的故障诊断方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，ReadOnly Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。

实施例四

本发明实施例还提供了一种电子设备。图7为本发明实施例提供的电子设备的组成结构示意图。如图7所示，所述电子设备700包括：一个处理器701、至少一个通信总线702、用户接口703、至少一个外部通信接口704、存储器705。

其中，通信总线702可以配置为实现这些组件之间的连接通信。

其中，用户接口703可以包括显示屏，外部通信接口704可以包括标准的有线接口和无线接口。所述处理器701配置为执行存储器中存储的故障诊断方法的程序，以实现以上述实施例提供的故障诊断方法中的步骤。

实施例五

本发明实施例还提供了一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的故障诊断方法中的步骤。

以上电子设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明计算机设备和存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台控制器执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种故障诊断方法，其特征在于，包括：

使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征；

基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失；

基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器；

将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息；

基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失；

基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块；

基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型，以确定第一设备的故障分类。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取来自所述第一设备的目标域数据以及来自第二设备的源域数据。

3.根据权利要求1所述的故障诊断方法，其特征在于，所述基于所述源域特征来确定标签分类器的第一标签分类损失，包括：

将所述源域特征输入到所述标签分类器中，得到第一标签分类概率；

基于所述第一标签分类概率来确定所述第一标签分类损失。

4.根据权利要求3所述的故障诊断方法，其特征在于，所述标签分类器存储有如下所述的标签分类概率计算公式：

其中，

为所述第一标签分类概率，C为故障类别总数，c为故障类别，

为所述标签分类器对源域样本i在类别c上的输出。

5.根据权利要求4所述的故障诊断方法，其特征在于，所述基于所述第一标签分类概率来确定所述第一标签分类损失，包括：

基于所述第一标签分类概率根据以下表达式来确定所述第一标签分类损失：

其中，L_ce为所述第一标签分类损失，N为所述样本i的数量，y_ic作为符号函数，在样本i属于类别c时y_ic取1，在样本i不属于类别c时y_ic取0。

6.根据权利要求1所述的故障诊断方法，其特征在于，所述基于所述源域特征和所述目标域特征来确定域分类器的域分类损失，包括：

将所述源域特征和所述目标域特征输入到所述域分类器中，基于以下表达式得到域分类概率：

p_d＝1/(1+e^-x)，

其中，p_d为所述域分类概率，x为域分类器的输出；

基于所述域分类概率来确定所述域分类损失。

7.根据权利要求6所述的故障诊断方法，其特征在于，所述基于所述域分类概率来确定所述域分类损失，包括：

基于所述域分类概率根据以下表达式来确定所述域分类损失：

L_d＝-(y_d*log(p_d)+(1-y_d)*log(1-p_d))，

其中，L_d为所述域分类损失，y_d为域真实标签，对所述源域数据标注为1，对所述目标域数据标注为0。

8.根据权利要求7所述的故障诊断方法，其特征在于，所述基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失，包括：

将所述特征信息输入到所述初始化后的标签分类器模块中，得到第二标签分类概率；

基于所述第二标签分类概率来确定所述第二标签分类损失。

9.一种故障诊断装置，其特征在于，包括：

提取模块，用于使用特征提取器提取源域数据的源域特征以及目标域数据的目标域特征；

第一确定模块，用于基于所述源域特征来确定标签分类器的第一标签分类损失，并基于所述源域特征和所述目标域特征来确定域分类器的域分类损失；

第一更新模块，用于基于所述第一标签分类损失和所述域分类损失来更新所述特征提取器、所述标签分类器和所述域分类器；

过采样模块，用于将所述源域数据过采样为类别均衡数据并初始化所述标签分类器，使用更新后的特征提取器模块提取所述类别均衡数据的特征信息；

第二确定模块，用于基于所述特征信息来确定初始化后的标签分类器的第二标签分类损失；

第二更新模块，用于基于所述第二标签分类损失来更新所述初始化后的标签分类器，得到训练后的标签分类器模块；

第三确定模块，用于基于更新后的特征提取器、所述训练后的标签分类器模块以及更新后的域分类器来建立故障诊断模型以确定第一设备的故障分类。

10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至8中任一项所述的方法。

11.一种存储介质，其特征在于，该存储介质存储的计算机程序能够被一个或多个处理器执行，能够用来实现如权利要求1至8中任一项所述的方法。

Images