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: 2022100542993
申请人: 安徽大学
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;

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;

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;

所述优化目标函数为:

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;

域鉴别器的损失函数为:

其中,D()为所述域鉴别器的操作;

通过熵准则计算预测不确定性,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:

其中,表示对第i个源域样本分类器的预测结果,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,表示第m层卷积对第i个源域样本提取的特征,表示第m层卷积对第j个目标域样本提取的特征。

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: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。

3.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: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,表示如果则

4.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,使用随机梯度下降SGD算法优化所述优化目标函数。

5.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。