CN116243680A - 一种黑盒域适应的工业设备诊断方法、系统及存储介质 - Google Patents
一种黑盒域适应的工业设备诊断方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116243680A CN116243680A CN202310227528.1A CN202310227528A CN116243680A CN 116243680 A CN116243680 A CN 116243680A CN 202310227528 A CN202310227528 A CN 202310227528A CN 116243680 A CN116243680 A CN 116243680A
- Authority
- CN
- China
- Prior art keywords
- domain
- source
- source domain
- model
- representing
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 title abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 abstract description 7
- 230000005012 migration Effects 0.000 abstract description 7
- 239000008186 active pharmaceutical agent Substances 0.000 description 8
- SPBWHPXCWJLQRU-FITJORAGSA-N 4-amino-8-[(2r,3r,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)oxolan-2-yl]-5-oxopyrido[2,3-d]pyrimidine-6-carboxamide Chemical compound C12=NC=NC(N)=C2C(=O)C(C(=O)N)=CN1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O SPBWHPXCWJLQRU-FITJORAGSA-N 0.000 description 3
- 102100021677 Baculoviral IAP repeat-containing protein 2 Human genes 0.000 description 2
- 101000896157 Homo sapiens Baculoviral IAP repeat-containing protein 2 Proteins 0.000 description 2
- 101000837829 Homo sapiens Transcription factor IIIA Proteins 0.000 description 2
- 101001062859 Sus scrofa Fatty acid-binding protein, adipocyte Proteins 0.000 description 2
- 102100028509 Transcription factor IIIA Human genes 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 102100037024 E3 ubiquitin-protein ligase XIAP Human genes 0.000 description 1
- 101000804865 Homo sapiens E3 ubiquitin-protein ligase XIAP Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种黑盒域适应的工业设备诊断方法、系统及存储介质，属于机器设备故障诊断技术领域。包括步骤：获取工业设备域数据，确定目标域数据；构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；确定模型的权重参数，根据权重参数对模型参数进行加权；根据加权后的模型参数重新训练一个目标域模型；基于目标域模型对工业设备进行故障诊断。本发明能够在只有模型API的情况下得到不同模型的权重，有效避免负迁移，且不用使用源域建模的数据。
Description
技术领域
本发明涉及机器设备故障诊断技术领域，更具体的说是涉及一种黑盒域适应的工业设备诊断方法、系统及存储介质。
背景技术
深入学习技术在故障诊断中得到了广泛的应用，取得了良好的效果。黑盒域适应(Black-box Domain Adaption)，比如使用LSTM，不同输出位置对应优化不同任务，这样这些任务所共有需要的信息被传递到最终想要进行的任务这边。由于隐私保护和内存限制，多个工业设备诊断模型并无法共享参数，而是以黑盒的API提供，然而，由于工业设备故障诊断数据涉及到隐私，如何基于这几个模型的API和已知的一些无标签的样本来实现工业设备的诊断确实一大难题。
现有的黑盒域适应的缺点是：只是将多个源域模型在目标域数据的预测结果平均，然后将平均的结果作为伪标签重新训练模型。这种方法有两个问题，一方面是实际不同的源域模型与目标域有不同的相关性，平均并不能刻画这种差异。另一方面是一些场景由于有负向迁移的存在(某个源域可能与目标域的规律差异极大甚至相反)，而平均更加放大了负向迁移带来的副作用。
因此，如何提供一种黑盒域适应的工业设备诊断方法、系统及存储介质是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种黑盒域适应的工业设备诊断方法、系统及存储介质，用以解决现有技术中存在的问题。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明提供了一种黑盒域适应的工业设备诊断方法，包括以下步骤:
获取工业设备域数据，确定目标域数据；
构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
确定模型的权重参数，根据权重参数对模型参数进行加权；
根据加权后的模型参数重新训练一个目标域模型；
基于目标域模型对工业设备进行故障诊断。
优选的，所述确定模型的权重参数，根据权重参数对模型参数进行加权，包括：
对N个伪标签进行排序并筛选；
对筛选后的伪标签得到正向的概率计算，以及负向概率计算，分别得到正向概率个数、正向概率中伪标签最大值、负向概率个数以及负向概率中伪标签最大值；
带入下列公式，计算针对组合I的值：
式中，I表示针对某个多源域组合的分析结果值，用于下文中源域模型权重的计算，DS表示输入的某个多源域的组合，DT表示输入的目标域，
表示正向概率个数，
代表负向概率个数，
表示正向概率中伪标签最大值，
负向概率中伪标签最大值，
代表从目标域遍历的每一个样本，针对目标域的每个样本计算出对应的一个I值，并对每个样本的I值进行求和。
优选的，所述确定模型的权重参数，根据权重参数对模型参数进行加权，还包括：
基于样本的I值，定义域相关的重要性衡量得到每个源域的影响程度，具体公式为：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘；
根据每个源域的影响程度，得到权重参数；
根据权重参数对模型参数进行加权。
优选的，所述基于目标域模型对工业设备进行故障诊断，包括：
获取工业设备测试样本；
将测试样本输入到训练完成的目标域模型；
输出目标域故障诊断结果。
另一方面，本发明提供了一种黑盒域适应的工业设备诊断系统，包括：
获取模块，用于获取工业设备域数据，确定目标域数据；
构建模块，与所述获取模块连接，用于构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
计算模块，与所述构建模块连接，用于确定模型的权重参数，根据权重参数对模型参数进行加权；
训练模块，与所述计算模块连接，用于根据加权后的模型参数重新训练一个目标域模型；
输出模块，与所述训练模块连接，用于基于目标域模型对工业设备进行故障诊断。
优选的，所述计算模块，包括第一计算处理单元，用于实现以下功能：
对N个伪标签进行排序并筛选；
对筛选后的伪标签得到正向的概率计算，以及负向概率计算，分别得到正向概率个数、正向概率中伪标签最大值、负向概率个数以及负向概率中伪标签最大值；
带入下列公式，计算针对组合I的值：
式中，I表示针对某个多源域组合的分析结果值，用于下文中源域模型权重的计算，DS表示输入的某个多源域的组合，DT表示输入的目标域，
表示正向概率个数，
代表负向概率个数，
表示正向概率中伪标签最大值，
负向概率中伪标签最大值，
代表从目标域遍历的每一个样本，针对目标域的每个样本计算出对应的一个I值，并对每个样本的I值进行求和。
优选的，所述计算模块，包括第二计算处理单元，与所述第一计算处理单元连接，用于实现以下功能：
基于样本的I值，定义域相关的重要性衡量得到每个源域的影响程度，具体公式为：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘；
根据每个源域的影响程度，得到权重参数；
根据权重参数对模型参数进行加权。
优选的，所述输出模块，包括：
获取单元，用于获取工业设备测试样本；
输入单元，与所述获取单元以及所述训练模块连接，用于将测试样本输入到训练完成的目标域模型；
输出单元，与所述训练模块连接，用于输出目标域故障诊断结果。
再一方面，本发明还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现一种黑盒域适应的工业设备诊断方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了，本发明能够在只有模型API的情况下得到不同模型的权重，本发明能有效避免负迁移，且不用使用源域建模的数据。具体有益效果为：
1)本发明可以有效保证数据的隐私与安全：本发明并没有进入用户数据本身，而只是使用模型的输出来训练一个新的模型，从而实现迁移学习的目的。
2)本发明可以有效解决负向迁移的问题：本发明在求权重的时候，对于模型得到与其他大部分模型得到的不一致的结果，给予了一定的惩罚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统结构示意图。
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。
参见附图1所示，本发明实施例公开了一种黑盒域适应的工业设备诊断方法，包括以下步骤:
获取工业设备域数据，确定目标域数据；
构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
确定模型的权重参数，根据权重参数对模型参数进行加权；
根据加权后的模型参数重新训练一个目标域模型；
基于目标域模型对工业设备进行故障诊断。
在一个具体实施例中，第一步：获取工业设备域数据，确定目标域数据xi；
在一个具体实施例中，第二步：构建N个源域模型，将目标域数据xi分别输入到N个源域模型，得到N个伪标签(j＝1,..N)。
在一个具体实施中，第三步：计算权重参数αi,然后按照不同的权重加权得到yi。
具体的，本发明关键在于第三步，现有方案为直接计算平均值，也就是认为N个源域模型的权重一样，本发明提出了一种刻画源域不同重要程度的方法，也就是αj的计算，因此本发明改进了第三步，具体公式为：
式中，i就是指第i个样本，j就是指第；j；的源域模型,所以αj就是第j个源域模型的权重。
在一个具体实施例中，获取工业设备域数据，确定目标域数据，参见表1所示：
表1
| 数据1 | 数据2 | |
| 模型1 | 0.92 | 0.08 |
| 模型2 | 0.09 | 0.91 |
| 模型3 | 0.50 | 0.60 |
| 模型4 | 0.95 | 0.05 |
选择最大概率>0.9概率的结果，具体结果，参见表2所示：
表2
| 数据1 | 数据2 | |
| 模型1 | 0.92 | 0.08 |
| 模型2 | 0.09 | 0.91 |
| 模型4 | 0.95 | 0.05 |
按照少数服从多数，得到正向的概率值，参见表3所示：
表3
| 数据1 | 数据2 | |
| 模型1 | 0.92 | 0.08 |
| 模型4 | 0.95 | 0.05 |
所以
得到负向的概率值，参见表4所示：
表4
所以
带入下列公式，计算针对组合I的值：
上式中
代表概率大于0.9中少数服从多数的属于多数那个类的个数，
代表不属于多数的那个类的个数。而
代表对应的程度。而DT代表的样本件，针对每个样本都会计算出一个I值，然后对每个样本的值进行求和。
在一个具体实施例中，定义域相关的重要性衡量方法：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘。这样可得到每个源域的影响程度。
按照上述同样的算法，还有衡量某个源域的权重的组合有很多种，假设有三种源域L，M与N,那么比如源域M的权重按照如下计算:
S中没有元素：空。
S中1个元素:LN。
S中2个元素：L+N。
故M的贡献：G(M)＝value_1+value_2+value_3
上述方式可以得到，三个模型L,M,N的分别贡献值G(L),G(M),G(N),然后得到各自的权重。
第四步：拿(xi,yi)训练一个目标域模型即可。注意，我们需要重新训练，而不是直接使用标签。
具体的，在机器设备故障诊断领域，由于故障诊断数据涉及隐私，无法提供给应用方，只能以API接口的形式提供故障诊断的服务。因此，应用方依据多个故障诊断模型的API服务，结合应用方自有的故障诊断数据，从而得到应用方自己的故障诊断模型。具体而言，假设我们是应用方，有不同的故障诊断模型API1，AP2，AP3提供我们使用,同时我们拥有一些无标签的故障诊断数据，本发明将这些无标签的故障诊断数据输入到模型API1,AP2和API3得到伪标签，然后按照上述方法计算得到w(API1),w(API2),w(API3)，这样可以按照加权后的伪标签结果进行模型训练。
第五步：基于目标域模型对工业设备进行故障诊断。
具体的，包括：
获取工业设备测试样本；
将测试样本输入到训练完成的目标域模型；
输出目标域故障诊断结果。
另一方面，参见附图2所示，本发明实施例还公开了一种黑盒域适应的工业设备诊断系统，包括：
获取模块，用于获取工业设备域数据，确定目标域数据；
构建模块，与所述获取模块连接，用于构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
计算模块，与所述构建模块连接，用于确定模型的权重参数，根据权重参数对模型参数进行加权；
训练模块，与所述计算模块连接，用于根据加权后的模型参数重新训练一个目标域模型；
输出模块，与所述训练模块连接，用于基于目标域模型对工业设备进行故障诊断。
在一个具体实施例中，计算模块，包括第一计算处理单元，用于实现以下功能：
对N个伪标签进行排序并筛选；
对筛选后的伪标签得到正向的概率计算，以及负向概率计算，分别得到正向概率个数、正向概率中伪标签最大值、负向概率个数以及负向概率中伪标签最大值；
带入下列公式，计算针对组合I的值：
式中，I表示针对某个多源域组合的分析结果值，用于下文中源域模型权重的计算，DS表示输入的某个多源域的组合，DT表示输入的目标域，
表示正向概率个数，
代表负向概率个数，
表示正向概率中伪标签最大值，
负向概率中伪标签最大值，
代表从目标域遍历的每一个样本，针对目标域的每个样本计算出对应的一个I值，并对每个样本的I值进行求和。
在一个具体实施例中，计算模块，包括第二计算处理单元，与所述第一计算处理单元连接，用于实现以下功能：
基于样本的I值，定义域相关的重要性衡量得到每个源域的影响程度，具体公式为：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘；
根据每个源域的影响程度，得到权重参数；
根据权重参数对模型参数进行加权。
在一个具体实施例中，输出模块，包括：
获取单元，用于获取工业设备测试样本；
输入单元，与所述获取单元以及所述训练模块连接，用于将测试样本输入到训练完成的目标域模型；
输出单元，与所述训练模块连接，用于输出目标域故障诊断结果。
再一方面，本发明实施例还公开了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现一种黑盒域适应的工业设备诊断方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种黑盒域适应的工业设备诊断方法、系统及存储介质，本发明能够在只有模型API的情况下得到不同模型的权重，本发明能有效避免负迁移，且不用使用源域建模的数据。具体有益效果为：
1)本发明可以有效保证数据的隐私与安全：本发明并没有进入用户数据本身，而只是使用模型的输出来训练一个新的模型，从而实现迁移学习的目的。
2)本发明可以有效解决负向迁移的问题：本发明在求权重的时候，对于模型得到与其他大部分模型得到的不一致的结果，给予了一定的惩罚。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种黑盒域适应的工业设备诊断方法，其特征在于，包括以下步骤:
获取工业设备域数据，确定目标域数据；
构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
确定源域模型的权重参数，根据权重参数对源域模型参数进行加权；
根据加权后的源域模型参数重新训练一个目标域模型；
基于目标域模型对工业设备进行故障诊断。
2.根据权利要求1所述的一种黑盒域适应的工业设备诊断方法，其特征在于，确定源域模型的权重参数，根据权重参数对源域模型参数进行加权，包括：
对N个伪标签进行排序并筛选；
对筛选后的伪标签得到正向的概率计算，以及负向概率计算，分别得到正向概率个数、正向概率中伪标签最大值、负向概率个数以及负向概率中伪标签最大值；
带入下列公式，计算针对组合I的值：
式中，I表示针对某个多源域组合的分析结果值，用于下文中源域模型权重的计算，DS表示输入的某个多源域的组合，DT表示输入的目标域，
表示正向概率个数，
代表负向概率个数，
表示正向概率中伪标签最大值，
负向概率中伪标签最大值，
代表从目标域遍历的每一个样本；
针对目标域的每个样本计算出对应的一个I值，并对每个样本的I值进行求和。
3.根据权利要求2所述的一种黑盒域适应的工业设备诊断方法，其特征在于，确定源域模型的权重参数，根据权重参数对源域模型参数进行加权，还包括：
基于样本的I值，定义域相关的重要性衡量得到每个源域的影响程度，具体公式为：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘；
根据每个源域的影响程度，得到权重参数；
根据权重参数对源域模型参数进行加权。
4.如权利要求1所述的一种黑盒域适应的工业设备诊断方法，其特征在于，所述基于目标域模型对工业设备进行故障诊断，包括：
获取工业设备测试样本；
将测试样本输入到训练完成的目标域模型；
输出目标域故障诊断结果。
5.一种利用权利要求1-4任一项所述的黑盒域适应的工业设备诊断方法的黑盒域适应的工业设备诊断系统，其特征在于，包括：
获取模块，用于获取工业设备域数据，确定目标域数据；
构建模块，与所述获取模块连接，用于构建N个源域模型，将目标域数据分别输入到N个源域模型，得到N个伪标签；
计算模块，与所述构建模块连接，用于确定源域模型的权重参数，根据权重参数对源域模型参数进行加权；
训练模块，与所述计算模块连接，用于根据加权后的源域模型参数重新训练一个目标域模型；
输出模块，与所述训练模块连接，用于基于目标域模型对工业设备进行故障诊断。
6.根据权利要求5所述的一种黑盒域适应的工业设备诊断系统，其特征在于，所述计算模块，包括第一计算处理单元，用于实现以下功能：
对N个伪标签进行排序并筛选；
对筛选后的伪标签得到正向的概率计算，以及负向概率计算，分别得到正向概率个数、正向概率中伪标签最大值、负向概率个数以及负向概率中伪标签最大值；
带入下列公式，计算针对组合I的值：
式中，I表示针对某个多源域组合的分析结果值，用于下文中源域模型权重的计算，DS表示输入的某个多源域的组合，DT表示输入的目标域，
表示正向概率个数，
代表负向概率个数，
表示正向概率中伪标签最大值，
负向概率中伪标签最大值，
代表从目标域遍历的每一个样本；
针对目标域的每个样本计算出对应的一个I值，并对每个样本的I值进行求和。
7.根据权利要求6所述的一种黑盒域适应的工业设备诊断系统，其特征在于，所述计算模块，包括第二计算处理单元，与所述第一计算处理单元连接，用于实现以下功能：
基于样本的I值，定义域相关的重要性衡量得到每个源域的影响程度，具体公式为：
式中，
代表单个源域K，S’表示去掉源域K后的其他多源域组合的子集，|S’|表示子集中源域的个数，|S’|！代表子集中源域个数的阶乘；
根据每个源域的影响程度，得到权重参数；
根据权重参数对模型参数进行加权。
8.根据权利要求5所述的一种黑盒域适应的工业设备诊断系统，其特征在于，所述输出模块，包括：
获取单元，用于获取工业设备测试样本；
输入单元，与所述获取单元以及所述训练模块连接，用于将测试样本输入到训练完成的目标域模型；
输出单元，与所述训练模块连接，用于输出目标域故障诊断结果。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的一种黑盒域适应的工业设备诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227528.1A CN116243680A (zh) | 2023-03-10 | 2023-03-10 | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227528.1A CN116243680A (zh) | 2023-03-10 | 2023-03-10 | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116243680A true CN116243680A (zh) | 2023-06-09 |
Family
ID=86635726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310227528.1A Pending CN116243680A (zh) | 2023-03-10 | 2023-03-10 | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116243680A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956048A (zh) * | 2023-09-19 | 2023-10-27 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
-
2023
- 2023-03-10 CN CN202310227528.1A patent/CN116243680A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956048A (zh) * | 2023-09-19 | 2023-10-27 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
| CN116956048B (zh) * | 2023-09-19 | 2023-12-15 | 北京航空航天大学 | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Durrant | winGamma: A non-linear data analysis and modelling tool with applications to flood prediction | |
| Giovanis et al. | Bayesian updating with subset simulation using artificial neural networks | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| CN107679183A (zh) | 分类器用训练数据获取方法和装置、服务器及存储介质 | |
| CN111242948B (zh) | 图像处理、模型训练方法、装置、设备和存储介质 | |
| WO2021138082A1 (en) | Training artificial neural networks based on synaptic connectivity graphs | |
| WO2022222026A1 (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
| WO2021138085A1 (en) | Predicting neuron types based on synaptic connectivity graphs | |
| CN109242223A (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
| CN106997373A (zh) | 一种基于深度置信网络的链路预测方法 | |
| CN116243680A (zh) | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 | |
| CN115687925A (zh) | 针对不平衡样本的故障类型识别方法及装置 | |
| Bukhtoyarov et al. | A comprehensive evolutionary approach for neural network ensembles automatic design | |
| Huang et al. | An Ad CTR prediction method based on feature learning of deep and shallow layers | |
| CN115358337A (zh) | 一种小样本故障诊断方法、装置及存储介质 | |
| Manikandan et al. | Deepq: Residue analysis of localization images in large scale solid state physical environments | |
| Pandhiani et al. | Time series forecasting by using hybrid models for monthly streamflow data | |
| CN112052663B (zh) | 客服语句质检方法及相关设备 | |
| CN117611918A (zh) | 基于层次神经网络的海洋生物分类方法 | |
| CN110866609B (zh) | 解释信息获取方法、装置、服务器和存储介质 | |
| Shi et al. | A meta-learning method for estimation of causal excursion effects to assess time-varying moderation | |
| Sunitha et al. | Political optimizer-based automated machine learning for skin lesion data | |
| CN116185684A (zh) | 一种服务器故障根因分析模型的构建方法及应用 | |
| CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
| Li et al. | More correlations better performance: Fully associative networks for multi-label image classification |
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 |