CN117871101A - 多分类器细粒度的轴承故障诊断领域自适应方法及系统 - Google Patents

Abstract

本发明公开了多分类器细粒度的轴承故障诊断领域自适应方法及系统，该方法包括获取轴承不同载荷下的振动数据；将源域振动信号样本划分为源域训练样本和源域测试样本，并将目标域振动信号样本划分为目标域训练样本和目标域测试样本；将源域训练样本和目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；将目标域测试样本输入至训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。本发明能够利用多个分类器的输出的预测概率向量构建细粒度权重矩阵，同时基于该细粒度权重矩阵分配的权重参数训练模型，有效提升模型的准确率，获取精确的轴承故障诊断结果。

Description

多分类器细粒度的轴承故障诊断领域自适应方法及系统

技术领域

本发明涉及轴承故障诊断技术领域，特别是涉及多分类器细粒度的轴承故障诊断领域自适应方法及系统。

背景技术

旋转机械设备作为现代制造业的重要组成部分，对保证预期的高质量生产起着重要的作用。而滚动轴承这一元件在旋转机械中至为关键，如风力涡轮机驱动设备，农业机械的液压马达、风机、泵和各种工业设备。然而，机械故障是生产过程中不可避免的，并且轴承通常在变工况的重载或者恶劣的环境下工作，往往比其他部件更有可能发生故障。因此轴承的故障诊断是故障预测和健康管理的一个重要方面，对于变工况的轴承运行时的数据进行分析和学习，创建有效轴承故障诊断方法，尽可能地检测早期轴承故障，并识别故障类型，是避免高维护成本和事故的关键。

目前基于振动信号的诊断广泛用于检测和诊断轴承故障状态，而深度学习作为一种有效的诊断学习方法，可以实现更鲁棒性、端到端的诊断结果，因此被广泛应用于故障诊断和健康管理中。振动信号被广泛用于轴承等旋转机械的诊断分析。例如：引入视觉识别任务中的残差注意力卷积神经网络应用在高速列车实验平台上，获得了不错的轴承故障诊断结果。使用宽卷积核的方式进行特征提取，在公开的凯斯西储大学的轴承数据集获得了比较好的表现。但是以上方法都是基于大量有标签的样本、源域和目标域数据分布差异小的任务上，在实际生产过程中，由于复杂且剧烈变化的工作环境和高昂数据收集的成本，对于诊断工作带来极大的挑战。域自适应就是来解决源域和目标域数据分布不一致而使得数据驱动的单一域模型表现差的问题。例如：提出CORAL损失来减小来进行源域和目标域特征之间的二阶统计量协方差矩阵的度量距离来进行两个域的对齐，从而增强域自适应能力。将对抗的思想引入域自适应当中，使用域判别器来提取域不变特征。为了解决不同域之间的差异性增大、高层特征的可迁移性明显下降问题，使用多核的最大均值差异方法（MK-MMD）来适配多层特征以减少域不变或域混淆的分布差异。提出了一种同时跨设备故障诊断模型，使用MMD距离和域判别器协同作用来减少跨域特征的差异，有助于增强特征表示的鲁棒性，提高模型的泛化能力。然而，普通的CORAL或者MMD的方法有两个缺点：一方面往往只考虑了不同域之间的全局类对齐，忽略了不同类样本对别之间的差异性。另一方面，并没有考虑样本的标签信息以及得到的标签信息的准确性，因此跨域诊断泛化能力比差。

现有的滚动轴承的域自适应方法：1减小源域和目标域特征之间的二阶统计量协方差矩阵的度量距离来进行两个域的对齐，从而增强域自适应能力。2将对抗的思想引入迁移学习领域当中，使用域判别器来提取域不变特征，从而增强域自适应能力。3使用多核最大均值差异方法（MK-MMD）以及判别器共同作用提取易于区别的跨域特征，从而增强域自适应能力。4使用多核最大均值差异方法（MK-MMD）来适配多层特征，从而增强域自适应能力。例如图1中，将有标签的源域数据和无标签的目标域数据进行全局域对齐，而实际训练分类过程中，存在大量的分类错误的样本，因此使用普通MMD方法时候，每个特征样本进行更新的比重是一样的，没有考虑进一步的类别细粒度信息，进而分配给正确和错误分类，以及同类或不同类别对不同的权重。由此，知道现有的滚动轴承的域自适应方法忽略了样本类别的细粒度信息，造成了精度低的问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明提出了一种多分类器细粒度的轴承故障诊断领域自适应方法，利用多个分类器的输出的预测概率向量，进一步构建细粒度权重矩阵，以分配不同的权重比例给不同样本，从而更精确的进行分类任务，以对最后在变工况的跨域故障迁移任务上实现了更高的诊断精度。

本发明的另一个目的在于提出一种多分类器细粒度的轴承故障诊断领域自适应系统。

为达上述目的，本发明一方面提出一种多分类器细粒度的轴承故障诊断领域自适应方法，包括：

获取轴承不同载荷下的振动数据；其中，所述振动数据，包括源域振动信号样本和目标域振动信号样本；

将所述源域振动信号样本划分为源域训练样本和源域测试样本，并将所述目标域振动信号样本划分为目标域训练样本和目标域测试样本；

将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

将所述目标域测试样本输入至所述训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

本发明实施例的多分类器细粒度的轴承故障诊断领域自适应方法还可以具有以下附加技术特征：

在本发明的一个实施例中，所述轴承故障诊断模型，包括：特征提取器、辅助K分类器、主分类器、加权最大均值差异器和域判别器；其中，所述特征提取器，包括卷积层、归一化层、非线性激活函数和最大池化层中的多种。

在本发明的一个实施例中，将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型，包括：

将所述源域训练样本和所述目标域训练样本输入至所述特征提取器进行特征提取得到相应的源域特征向量和目标域特征向量；

基于所述辅助K分类器和所述主分类器得到所述源域训练样本和所述目标域训练样本的预测概率向量，并基于所述预测概率向量获得各个样本的细粒度权重参数信息；

将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐；

将特征对齐后的源域特征向量和目标域特征向量分别输入辅助K分类器、主分类器和域判别器得到相应的预测标签，并基于原始标记标签和所述预测标签以利用交叉熵损失函数和细粒度加权最大均值差异函数得到总损失值；

基于所述总损失值利用反向传播更新轴承故障诊断模型的权重参数，以基于更新后的权重参数得到训练好的轴承故障诊断模型。

在本发明的一个实施例中，将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐，包括：

构建有标签的源域训练样本和和无标签的目标域训练样本之间的最大均值差异度量计算公式；

将所述源域特征向量和所述目标域特征向量进行细粒度加权的多核最大均值差异计算，以将所述最大均值差异度量计算公式调整为细粒度加权的多核最大均值差异计算公式；

基于所述细粒度加权的多核最大均值差异计算公式和所述细粒度权重参数信息对不同样本对分配不同的权重比例以进行全局和局部特征的类对齐。

在本发明的一个实施例中，构建总损失函数计算所述总损失值，包括：

基于特征提取器、辅助K分类器、主分类器和域判别器，并利用交叉熵损失函数以及细粒度加权最大均值差异函数构建总损失函数；

基于所述总损失函数最小化有标签的源域训练样本的损失以计算所述总损失值。

为达上述目的，本发明另一方面提出一种多分类器细粒度的轴承故障诊断领域自适应系统，包括：

样本数据获取模块，用于获取轴承不同载荷下的振动数据；其中，所述振动数据，包括源域振动信号样本和目标域振动信号样本；

样本数据划分模块，用于将所述源域振动信号样本划分为源域训练样本和源域测试样本，并将所述目标域振动信号样本划分为目标域训练样本和目标域测试样本；

诊断模型训练模块，用于将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

故障诊断分类模块，用于将所述目标域测试样本输入至所述训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

本发明实施例的多分类器细粒度的轴承故障诊断领域自适应方法和系统，利用多个分类器的输出的预测概率向量，进一步构建细粒度权重矩阵，该细粒度权重矩阵极大地包含了样本的细粒度信息，在不同域特征对齐的同时，赋予不同样本对的细粒度权重，进行全局和局部的类对齐，从而使得训练的McGn的轴承故障诊断模型的精度更加准确，其预测输出的分类结果也更加准确。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是现有的故障诊断训练分类方案示意图；

图2是根据本发明实施例的一种多分类器细粒度的轴承故障诊断领域自适应方法的流程图；

图3是根据本发明实施例的整体模型结构图；

图4是根据本发明实施例的另一种多分类器细粒度的轴承故障诊断领域自适应方法的流程图；

图5是根据本发明实施例的细粒度权重矩阵分配示意图；

图6是根据本发明实施例的一种多分类器细粒度的轴承故障诊断领域自适应系统的结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的一种多分类器细粒度的轴承故障诊断领域自适应方法和系统。

图2是根据本发明实施例的一种多分类器细粒度的轴承故障诊断领域自适应方法的流程图，如图2所示，该方法包括：

S1，获取轴承不同载荷下的振动数据；其中，振动数据，包括源域振动信号样本和目标域振动信号样本；

S2，将源域振动信号样本划分为源域训练样本和源域测试样本，并将目标域振动信号样本划分为目标域训练样本和目标域测试样本；

S3，将源域训练样本和目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

S4，将目标域测试样本输入至训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

在本发明的一个实施例中，本发明的模型结构框图如图3所示，模型包含特征提取器、辅助K分类器/>，主分类器/>，加权最大均值差异器，域判别器/>。具体地实现可过程可以为：将源域振动信号样本和目标域振动信号样本送进特征提取器/>，得到相应的特征向量，FCS源域特征向量和FCT目标域特征向量，利用多分类器（即主分类器和辅助K分类器）的输出的预测概率向量进而得到样本的细粒度权重信息，进一步构建加权最大均值差异器中以进行全局和局部特征的类对齐，并且将特征向量FCS和FCT输入辅助K分类器，主分类器，域判别器获得相应的预测标签，结合相应的已经标记的标签，并且利用交叉熵损失函数和细粒度加权最大均值差异函数得到总的损失值/>，之后利用反向传播更新各个部分的权重参数，直至模型训练完成，将无标签的目标域振动数据输入多分类器细粒度（McGn）的轴承故障诊断模型中，得到最后的故障诊断分类结果。

图4为本发明实施例的另一种多分类器细粒度的轴承故障诊断领域自适应方法的流程图，如图4所示，包括：

步骤S101：将轴承不同载荷下的振动数据作为源域和目标域，将数据重采样划分，数据长度为1024，共5000或4000个样本（不同实验设置不一样，CWRU实验划分为5000个样本，JNU划分为4000个样本），并且将数据进行标准化处理。

其中，标准化公式如下：

（1）

为输入样本，mean为样本/>的均值，/>为样本/>的标准差。

可以理解的是，来自凯斯西储大学的CWRU轴承数据集(CWRU采集的是电机驱动端轴承和风扇端轴承的加速度数据，此数据集有四个子数据集，DD（drive end bearingfault and drive end acceleration dataset)、DF (drive endbearing fault and fanend acceleration dataset) 、FD (fan-end bearing fault and driveendacceleration dataset )、FF (fan-end bearing fault and fan end accelerationdataset )为例，本发明主要运用的是DD数据，进行模型的测试。

可以理解的是，JNU是江南大学轴承数据集，一共有四种故障类型，分别为正常、内圈、外圈、和滚动体。每种故障类型数据分别有3种工况，即3种不同的转速，分别为600rpm、800rpm和1000rpm。仅有一个加速度传感器，采集频率为50KHz，采样时长为20s。

步骤S102：将源域和目标域数据按照1:1比例划分为训练集和测试集样本。

步骤S103：构建细粒度加权的多核最大均值差异模型即为McGn的轴承故障诊断模型，该模型可以包括如下几个部分，即特征提取器，辅助K分类器，主分类器，加权最大均值差异器和域判别器。其对应的网络结构，如表1、表2、表3和表4所示。

表1：特征提取器网络结构

表2：辅助K分类器网络结构

表3：主分类器网络结构

表4：域判别器网络结构

其不同网络结构对应的功能如下：

特征提取器：由一系列的卷积层（Conv），批量归一化层（BN），非线性激活函数（ReLU），最大池化层（Maxpool）层构成，主要是第一层卷积核的大小为16×1×16，输入层使用宽卷积核使得网络学习到更有效的特征。

主分类器：最终的分类任务作用，尽可能将所有样本分类正确。对于不同任务，所取的C值不同。对于CWRU数据集，共有4种载荷工况，分别为0HP，1HP，2HP，3HP，对于同一种载荷下，有1种健康状态，3种故障损伤状态（内圈，滚动体，外圈损伤故障），每种故障损伤状态有三种故障损伤，损伤直径分别为0.007inch，0.014inch，0.021inch，总共10种状态，因此C=10，。对于JNU数据集，共有3种转速工况，对于同一种转速工况下，有1种健康状态，3种故障损伤状态（内圈，滚动体，外圈损伤故障），总共4种状态，因此C=4。

辅助K分类器：辅助分类器是为了对数据进行组略分类所设置，将最后的输出结果和主分类器的输出结果共同产生一个细粒度权重，供给后面的加权最大均值差异器使用。对于不同任务，所取的K值不同。对于CWRU数据集，将不同损伤直径（0.007inch，0.014inch，0.021inch）仅仅看作为同一种故障，只有3种故障损伤状态（内圈，滚动体，外圈损伤故障），此时K=4。对于JNU数据集，为了产生细粒度的权重，此时将所有故障损伤状态（内圈，滚动体，外圈损伤故障）看做同一种故障，即有损伤缺陷的故障，故此时K=2。

域判别器：主要是为了学习到域不变特性，加入梯度翻转层，使得特征提取器一是生成能够预测出正确标签的特征，二是特征提取器提取的特征需要尽可能无法判断出来自哪个任务域。

步骤S104：构建加权的多核最大均值差异函数。

可以理解的是，最大均值差异（MMD）是用来度量两种数据分布距离的一种函数。本发明给定有标签的源域训练样本和无标签的源域测试样本，则/>和/>之间的MMD度量可以描述为：

（2）

其中，和/>分别代表源域和目标域的样本数，/>表示再生核希尔伯特空间（Reproducing kernel hilbert space,RKHS），/>表示将原始的样本空间映射到高维的Hilbert空间的非线性映射。间接使用核技巧方法来计算MMD，指定RKHS对应的核函数/>为高斯核函数，因此计算/>，公式（2）可变化为：

（3）

（4）

其中，公式（4）中是直接将有标签的源域训练样本和无标签的目标域训练样本/>直接计算之间的MMD度量值，并没有考虑样本的具体细粒度信息，容易将错误的样本映射到高维的Hilbert空间，导致错误的对齐，因此对于之前步骤S103构建的模型，通过多分类的输出结果，我们可以得到相应的细粒度权重参数矩阵/>来分配不同的权重比例给不同样本对，正确分类的样本对以及同类样本对给予较重的权重来增强分类效果，而错误分类的样本对以及不同类样本对给予较小的权重来惩罚此次分类，从而更精确的进行分类任务。

可以知道的是，本发明得到的细粒度权重矩阵完全不同于以往的细粒度权重信息。现有技术分类可以是通过待分类数据的特征选择对应的所述分类器，根据分类器的实体权重比例及概率权重比例对待分类数据进行判别分类，输出待分类数据所属分类。现有技术分类大多没有考虑进一步的类别细粒度信息，进而分配给正确和错误分类对，以及不同类或不同类别对不同的权重。

具体地，本发明利用加权的多核最大均值差异（WMMD）算法，基于辅助K分类器和主分类器得到源域训练样本和目标域训练样本的预测概率向量，再基于预测概率向量获得各个样本的细粒度权重参数信息。可以理解的是，本发明的细粒度权重矩阵，细粒度权重矩阵极大地包含了样本的细粒度信息，在不同域特征对齐的同时，赋予不同样本对的细粒度权重，进行全局和局部的类对齐，从而得到更好的跨域泛化能力以实现更准确的轴承故障诊断结果。具体实现方式如下：

本发明实施例的加权的多核最大均值差异（WMMD）是MMD的改进算法，利用多分类器（即主分类器和辅助K分类器）的输出结果，得到类别的细粒度信息，再利用残差的思想，加入了原始的MMD方法，使得加入的细粒度信息即局部对齐信息不影响全局对齐，进一步提高分类的准确性，将特征提取器对于有标签的源域训练样本/>和无标签的目标域训练样本/>所提取到的特征/>进行细粒度加权的多核最大均值差异算法，对于公式（3）

进行改进，其定义公式如下：

（5）

指定RKHS对应的核函数为高斯核函数，并且使用多个高斯核（总个数L=5），其中/>为细粒度权重计算函数，因为辅助K分类器/>的输出维度和主分类器/>的输出维度不一致，而且对于不同实验，有着不同的设置。对于CWRU数据集来说，如步骤S103中所述，C=10，K=4，对于JNU数据集来说，C=4，K=2，此时的/>函数方法如下：

（6）

（7）

其中@为矩阵乘法，为矩阵堆叠操作，dim为堆叠的维度，[:]为切片操作，T为转置操作。

进一步地，根据上述公式可得整体的细粒度权重矩阵（如图5所示），以下为表达式：

（8）

其中，/>，/>，/>，/>矩阵中元素的个数为个。

步骤S105：利用交叉熵损失函数和细粒度加权最大均值差异函数构建总损失函数，以构建总损失项。具体地：

（9）

（10）

（11）

其中，为特征提取器的参数，/>为辅助K分类器的参数，/>为主分类器的参数，/>为域判别器的参数，/>和/>分别为主分类器和辅助K分类器的交叉熵损失函数，目标是最小化有标签的源域数据/>损失值。

可以理解的是，将有标签的训练样本和无标签的目标域训练样本/>通过特征提取器和域判别器，构建/>域判别器的交叉熵损失，使其最小化，一方面使得生成能够预测出正确标签的特征，另一方面特征提取器提取的特征需要尽可能无法判断出来自哪个任务域。/>为构建的细粒度加权的多核最大均值差异函数，最终目的是最小化总损失值。/>为超参数，由于主分类器比较重要，因此/>>/>，在实验中，其中/>为预设参考文献中的取法，/>为当前迭代数，为最大迭代次数。

步骤S106：设置实验参数。

本发明的实验在NVIDIA GTX3090。优化器选择自适应矩估计优化器（AdaptiveMoment Estimation optimizer，Adam），学习率lr设置为0.001，最大迭代数为100，批量大小设置为128。

步骤S10：模型训练。通过上述的所有步骤，开始训练模型以得到训练好的轴承故障诊断模型，最后将目标域的测试样本拿来做测试，将测试样本输入至训练好的轴承故障诊断模型得出一系列的结果实验。

本发明在CWRU数据集上的结果（每次实验做5次，并且统计均值和标准差）结果，不同方法在CWRU轴承数据集的跨工况诊断结果（均值/标准差）如表5所示：

表5

/>

实验包含12种迁移任务，CWRU数据集共有4种载荷工况，分别为3HP，2HP，1HP，0HP，记为A，B，C，D四种载荷状态。实验结果表明本发明所提出的McGn方法整体上高于对比方法，平均准确率为99.233±0.39%，仅仅只有，DCTLN这种方法在B→A实验表现比其他方法要好。仅仅使用CNN的方法，平均准确率只有88.89±2.44%，是所有实验中精度最低的，特别在D→A实验上，仅仅只有75.06±3.3%的准确率。所提出的McGn方法特别是在A→B和A→C实验上比前面相对于最好的DaN方法，分别高出2.2%和3.37%，相对于其他方法，本发明所提出的McGn方法优势更大。

本发明在JNU数据集上的结果（每次实验做5次，并且统计均值和标准差），不同方法在JNU轴承数据集的跨工况诊断结果（均值/标准差）如表6所示：

表6

实验包含6种迁移任务，JNU数据集共有3种不同转速工况，分别为600rpm，800rpm，1000rpm，记为A，B，C四种载荷状态。实验结果表明本发明所提出的McGn方法整体上高于对比方法，平均准确率为90.8±1.08%，仅仅只有DaN这种方法在C→B实验表现比其他方法要好。仅仅使用CNN的方法，平均准确率只有78.74±1.82%，是所有实验中精度最低的，特别在A→C实验上，仅仅只有69.38±1.49%的准确率。本发明所提出McGn的方法特别是在A→C和A→C实验上分别高出1.36%和1.1%，相对于其他方法，本发明所提出McGn的方法优势更大。

根据本发明实施例的多分类器细粒度的轴承故障诊断领域自适应方法，利用多个分类器的输出的预测概率向量，进一步构建细粒度权重矩阵，细粒度权重矩阵极大地包含了样本的细粒度信息，在不同域特征对齐的同时，赋予不同样本对的细粒度权重，进行全局和局部的类对齐，从而得到更好的跨域泛化能力以实现更准确的故障诊断结果。

为了实现上述实施例，如图6所示，本实施例中还提供了多分类器细粒度的轴承故障诊断领域自适应系统10，该系统10包括：

样本数据获取模块100，用于获取轴承不同载荷下的振动数据；其中，振动数据，包括源域振动信号样本和目标域振动信号样本；

样本数据划分模块200，用于将源域振动信号样本划分为源域训练样本和源域测试样本，并将目标域振动信号样本划分为目标域训练样本和目标域测试样本；

诊断模型训练模块300，用于将源域训练样本和目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

故障诊断分类模块400，用于将目标域测试样本输入至训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

进一步地，上述轴承故障诊断模型，包括：特征提取器、辅助K分类器、主分类器、加权最大均值差异器和域判别器；其中，特征提取器，包括卷积层、归一化层、非线性激活函数和最大池化层中的多种。

进一步地，上述诊断模型训练模块300，包括：

特征提取单元，用于将所述源域训练样本和所述目标域训练样本输入至所述特征提取器进行特征提取得到相应的源域特征向量和目标域特征向量；

权重获取单元，用于基于辅助K分类器和主分类器得到源域训练样本和目标域训练样本的预测概率向量，并基于预测概率向量获得各个样本的细粒度权重参数信息；

特征对齐单元，用于将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐；

损失计算单元，用于将特征对齐后的源域特征向量和目标域特征向量分别输入辅助K分类器、主分类器和域判别器得到相应的预测标签，并基于原始标记标签和所述预测标签以利用交叉熵损失函数和细粒度加权最大均值差异函数得到总损失值；

权重更新单元，用于基于所述总损失值利用反向传播更新轴承故障诊断模型的权重参数，以基于更新后的权重参数得到训练好的轴承故障诊断模型。

进一步地，上述特征对齐单元，还用于：

构建有标签的源域训练样本和和无标签的目标域训练样本之间的最大均值差异度量计算公式；

将所述源域特征向量和所述目标域特征向量进行细粒度加权的多核最大均值差异计算，以将所述最大均值差异度量计算公式调整为细粒度加权的多核最大均值差异计算公式；

基于所述细粒度加权的多核最大均值差异计算公式和所述细粒度权重参数信息对不同样本对分配不同的权重比例以进行全局和局部特征的类对齐。

进一步地，上述损失计算单元，还用于：

基于特征提取器、辅助K分类器、主分类器和域判别器，并利用交叉熵损失函数以及细粒度加权最大均值差异函数构建总损失函数；

基于总损失函数最小化有标签的源域训练样本的损失以计算总损失值。

根据本发明实施例的多分类器细粒度的轴承故障诊断领域自适应系统，利用多个分类器的输出的预测概率向量，进一步构建细粒度权重矩阵，细粒度权重矩阵极大地包含了样本的细粒度信息，在不同域特征对齐的同时，赋予不同样本对的细粒度权重，进行全局和局部的类对齐，从而得到更好的跨域泛化能力以实现更准确的故障诊断结果。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

Claims (10)

1.一种多分类器细粒度的轴承故障诊断领域自适应方法，其特征在于，包括：

获取轴承不同载荷下的振动数据；其中，所述振动数据，包括源域振动信号样本和目标域振动信号样本；

将所述源域振动信号样本划分为源域训练样本和源域测试样本，并将所述目标域振动信号样本划分为目标域训练样本和目标域测试样本；

将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

将所述目标域测试样本输入至所述训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

2.根据权利要求1所述的方法，其特征在于，所述轴承故障诊断模型，包括：特征提取器、辅助K分类器、主分类器、加权最大均值差异器和域判别器；其中，所述特征提取器，包括卷积层、归一化层、非线性激活函数和最大池化层中的多种。

3.根据权利要求2所述的方法，其特征在于，将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型，包括：

将所述源域训练样本和所述目标域训练样本输入至所述特征提取器进行特征提取得到相应的源域特征向量和目标域特征向量；

基于所述辅助K分类器和所述主分类器得到所述源域训练样本和所述目标域训练样本的预测概率向量，并基于所述预测概率向量获得各个样本的细粒度权重参数信息；

将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐；

将特征对齐后的源域特征向量和目标域特征向量分别输入辅助K分类器、主分类器和域判别器得到相应的预测标签，并基于原始标记标签和所述预测标签以利用交叉熵损失函数和细粒度加权最大均值差异函数得到总损失值；

基于所述总损失值利用反向传播更新轴承故障诊断模型的权重参数，以基于更新后的权重参数得到训练好的轴承故障诊断模型。

4.根据权利要求3所述的方法，其特征在于，将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐，包括：

构建有标签的源域训练样本和和无标签的目标域训练样本之间的最大均值差异度量计算公式；

将所述源域特征向量和所述目标域特征向量进行细粒度加权的多核最大均值差异计算，以将所述最大均值差异度量计算公式调整为细粒度加权的多核最大均值差异计算公式；

基于所述细粒度加权的多核最大均值差异计算公式和所述细粒度权重参数信息对不同样本对分配不同的权重比例以进行全局和局部特征的类对齐。

5.根据权利要求4所述的方法，其特征在于，构建总损失函数计算所述总损失值，包括：

基于特征提取器、辅助K分类器、主分类器和域判别器，并利用交叉熵损失函数以及细粒度加权最大均值差异函数构建总损失函数；

基于所述总损失函数最小化有标签的源域训练样本的损失以计算所述总损失值。

6.一种多分类器细粒度的轴承故障诊断领域自适应系统，其特征在于，包括：

样本数据获取模块，用于获取轴承不同载荷下的振动数据；其中，所述振动数据，包括源域振动信号样本和目标域振动信号样本；

样本数据划分模块，用于将所述源域振动信号样本划分为源域训练样本和源域测试样本，并将所述目标域振动信号样本划分为目标域训练样本和目标域测试样本；

诊断模型训练模块，用于将所述源域训练样本和所述目标域训练样本输入至多分类器细粒度的轴承故障诊断模型进行模型参数训练，以基于更新后的模型参数得到训练好的轴承故障诊断模型；

故障诊断分类模块，用于将所述目标域测试样本输入至所述训练好的轴承故障诊断模型进行故障诊断分类以得到故障诊断分类结果。

7.根据权利要求6所述的系统，其特征在于，所述轴承故障诊断模型，包括：特征提取器、辅助K分类器、主分类器、加权最大均值差异器和域判别器；其中，所述特征提取器，包括卷积层、归一化层、非线性激活函数和最大池化层中的多种。

8.根据权利要求7所述的系统，其特征在于，所述诊断模型训练模块，包括：

特征提取单元，用于将所述源域训练样本和所述目标域训练样本输入至所述特征提取器进行特征提取得到相应的源域特征向量和目标域特征向量；

权重获取单元，用于基于所述辅助K分类器和所述主分类器得到所述源域训练样本和所述目标域训练样本的预测概率向量，并基于所述预测概率向量获得各个样本的细粒度权重参数信息；

特征对齐单元，用于将所述细粒度权重参数信息输入所述加权最大均值差异器以进行全局和局部特征的类对齐；

损失计算单元，用于将特征对齐后的源域特征向量和目标域特征向量分别输入辅助K分类器、主分类器和域判别器得到相应的预测标签，并基于原始标记标签和所述预测标签以利用交叉熵损失函数和细粒度加权最大均值差异函数得到总损失值；

权重更新单元，用于基于所述总损失值利用反向传播更新轴承故障诊断模型的权重参数，以基于更新后的权重参数得到训练好的轴承故障诊断模型。

9.根据权利要求8所述的系统，其特征在于，所述特征对齐单元，还用于：

构建有标签的源域训练样本和和无标签的目标域训练样本之间的最大均值差异度量计算公式；

将所述源域特征向量和所述目标域特征向量进行细粒度加权的多核最大均值差异计算，以将所述最大均值差异度量计算公式调整为细粒度加权的多核最大均值差异计算公式；

基于所述细粒度加权的多核最大均值差异计算公式和所述细粒度权重参数信息对不同样本对分配不同的权重比例以进行全局和局部特征的类对齐。

10.根据权利要求8所述的系统，其特征在于，所述损失计算单元，还用于：

基于特征提取器、辅助K分类器、主分类器和域判别器，并利用交叉熵损失函数以及细粒度加权最大均值差异函数构建总损失函数；

基于所述总损失函数最小化有标签的源域训练样本的损失以计算所述总损失值。