欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021101470343
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种云边端协同的旋转部件对抗域自适应故障诊断方法,是通过云边端协同系统作为平台架构实现的,其特征在于:云边端协同系统包括云边网络和端边网络,所述云边网络双向通信连接所述端边网络;

所述云边网络包括云端服务器和边缘镜像仓库,所述云端服务器用于构建云端数据库和搭建系统运行环境,并在运行环境上进行智能故障诊断模型的训练和参数存储,并把训练好的智能故障诊断模型、运行环境和结果数据传输程序打包成模型镜像推送至边缘镜像仓库,并控制端边网络获取并执行所述模型镜像;

所述端边网络从相应终端采集数据并定时上传至云端,从所述云边网络获取所述模型镜像,将在云端训练好的智能故障诊断模型迁移到端边网络,在相应的边缘端构建并配置模型的执行文件;并根据智能故障诊断模型所需要的数据从各个终端获取相应数据,进行数据的处理,保存和传输;根据处理好的数据运行智能故障诊断模型和模型计算,并把结果反馈到对应的终端状态监测器;

故障诊断方法具体包括以下步骤:

(1)构建不同工况下旋转设备故障样本数据库,并划分训练集和测试集,将训练集作为源域,测试集作为目标域;

(2)使用稀疏自动编码器SAE作为特征生成器Gf,从源域和目标域中自动提取代表性特征,并引入KL散度来衡量源域和目标域之间的特征差异;

(3)构建领域鉴别器D0,将源域和目标域样本特征作为输入,并判别特征来自于源域还是目标域,构造梯度反转层来实现特征生成器和领域鉴别器的对抗域自适应学习,并加入谱范数正则化来约束对抗训练过程;

(4)使用softmax分类器作为标签预测器Cy,并用源域数据进行训练;

(5)构建故障类别鉴别器D1,包括一个标签预测器C,并构造梯度反转层来实现故障类别鉴别器和特征生成器的对抗域自适应学习,并加入谱范数正则化来约束对抗训练过程;

(6)使用梯度下降算法SGD来优化特征生成器Gf、领域鉴别器D0、故障类别鉴别器D1和标签预测器Cy总的损失函数,即得到训练好的智能故障诊断模型;

(7)将训练好的智能故障诊断模型直接用于目标域特征的故障诊断,获得预测标签,并根据实际标签计算分类精度。

2.根据权利要求1所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(1)中,源域数据为 其中第i个样本xi属于特征空间 即 第i个样本xi对应的样本标签yi属于标签空间 即 ns为源域样本数量;目标域数据为 其中第j个样本xj属于特征空间 即 nt为目标域样本数量。

3.根据权利要求1所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(2)中,稀疏自编码SAE网络由编码网络和解码网络构成;其中,编码网络将输入数据X={x1,x2,...xr,...xn}压缩为隐含层表示H:H=f(W1X+b1)

其中,W1为编码网络的权重矩阵,b1为编码网络的偏置向量,f为激活函数;

然后,解码网络将隐含层表示H重构成与X相同维度的向量

其中,W2为解码网络的权重矩阵,b2为解码网络的偏置向量;

SAE的学习过程是最小化损失函数:

其中,θ表示要更新的参数,n为输入样本数量,β为控制稀疏惩罚项权重的超参数,s为隐藏层中神经元数量,KL表示Kullback‑Leibler散度,ρ为稀疏性参数, 为第l个隐藏单位的平均激活值。

4.根据权利要求3所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(3)中,领域鉴别器D0与特征生成器Gf通过梯度反转层构成对抗域自适应模块,进行极大极小博弈,从而判别特征来自源域还是目标域;并引入谱范数正则化以缓解对抗训练过程的不稳定性;

D0对抗训练过程的逻辑损失函数为:

其中,θf和θ0分别为特征生成器和领域鉴别器D0的参数,Gs和Gt分别为特征生成器Gf的源域和目标域表示,di'为领域标签,如果该特征来自源域,其值为1,否则为0,μ是正则化因子,σ表示谱范数,WD0是领域鉴别器D0的权重矩阵。

5.根据权利要求4所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(4)中,对于源域数据 其中yi∈{1,2,...,Nclass},Nclass为标签数;利用softmax函数通过回归分析估计每个预测标签 的概率并以概率最高的类别作为样本的类别;

概率假设函数为:

其中, 表示softmax模型参数;

采用交叉熵函数作为softmax回归的损失函数,定义为:

其中,θf和θy分别为特征生成器Gf和标签预测器Cy的参数,1{yi=k}是指示器函数,如果语句为真其值为1,否则为0。

6.根据权利要求5所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(5)中,故障类别鉴别器D1与特征生成器Gf通过梯度反转层构成类别级对抗域自适应模块,进行极大极小博弈,从而实现标签空间的对齐,并引入谱范数正则化以缓解对抗训练过程的不稳定性;

根据实际的故障标签和预测的故障标签,D1对抗训练过程的逻辑损失函数为:其中,θf和θ1为特征生成器和故障类别鉴别器D1的参数,fdi'为样本的类别标签, 为故障类别鉴别器D1的权重矩阵。

7.根据权利要求6所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(6)中,总的优化目标函数如下:其中,λ为控制对抗域自适应水平的权衡参数,优化的目标是找到一组最优参数使所有分类标签的损失最小化,同时最大化域标签的损失;优化目标写成:随机梯度下降SGD算法被用来解决优化目标的问题,在训练过程中,参数更新规则如下:其中,α为学习速率,‑λ表示梯度反转。

8.根据权利要求7所述旋转部件双层对抗域自适应故障诊断方法,其特征在于,所述步骤(7)中,softmax分类器以目标域数据的分类精度Accuracy作为性能评价指标,其计算公式如下:其中, 为目标域数据集,y(x)为样本的实际标签, 为分类器预测的标签。