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: 2022114061753
申请人: 苏州大学
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:

1.一种概率引导的域对抗轴承故障诊断方法,其特征在于,包括:

S1:采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作一个可迁移域,建立不同轴承工作负载下的可迁移数据集,对各可迁移数据集中的数据进行处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集;

S2:对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片;

S3:将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练,计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器;

S4:计算源域和目标域之间的分类器梯度差异损失,并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数,实现鉴别器和特征生成器参数的更新;

S5:计算源域样本图片的分类器输出与真实标签的交叉熵损失,构建第二阶段目标函数,实现分类器参数的更新,神经网络模型训练完成;

S6:将目标域数据集输入训练好的神经网络模型,所述训练好的神经网络模型输出预测结果,实现轴承故障诊断。

2.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S1中,构建源域数据集和目标域数据集包括以下步骤:通过加速度传感器采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作为一个可迁移域,建立不同轴承工作负载下的可迁移数据集,各可迁移数据集服从不同的条件分布与边缘分布;

对各可迁移数据集中的数据进行切割处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集。

3.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S1中,所述源域数据集表示为 所述源域数据集中的样本带有标签,其所包含的故障类型是已知的;所述目标域数据集表示为 所述目标域数据集中的样本无标签,其所包含的故障类型的未知的;

s t

其中,N和N分别表示源域和目标域所包含样本的数量, 和 分别表示第i个源域样本和它所对应的标签, 表示第i个目标域样本。

4.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S2中,对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片包括以下步骤:使用快速傅里叶变换对所述源域数据集和所述目标域数据集中的轴承信号样本进行处理,获取轴承频域信号样本;

将所述轴承频域信号样本通过无重叠的窗口处理成灰度图片,将其作为源域样本图片和目标域样本图片。

5.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S3中,所述特征生成器由三个卷积层和一个全连接层组成,用于提取数据特征,所述分类器和所述鉴别器均由两个全连接层组成,用于预测目标标签。

6.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于:步骤S3中,将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练,计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失包括以下步骤:S31:将源域样本图片和目标域样本图片输入特征生成器提取样本特征,将所提取的样本特征输入分类器和鉴别器分别获得分类器输出和鉴别器输出;

S32:计算源域样本图片的鉴别器输出与真实标签的交叉熵损失,损失公式表示如下:其中, 和 分别表示第i个源域样本和它所对应的标签,表示期望, 表示源域数据集, 表示交叉熵损失,CD(·)表示鉴别器的输出,G(·)表示特征生成器的输出;

S33:使用softmax函数对于鉴别器的输出求概率表示,分别获得源域的鉴别器预测输出 和目标域的鉴别器预测输出 然后使用源域和目标域的鉴别器预测输出求得源域和目标域的鉴别器预测差异损失,鉴别器差异损失公式表示如下:其中, 表示第i个源域样本, 表示第i个目标域样本,表示期望,G(·)表示特征生成器的输出,CD(·)表示鉴别器的输出, 表示源域数据集, 表示目标域数据集。

7.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S4中,计算源域和目标域之间的分类器梯度差异损失,并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数,实现鉴别器和特征生成器参数的更新包括以下步骤:S41:使用源域样本的分类器预测输出和真实标签计算源域分类损失反馈给分类器的梯度信息,具体计算公式如下:其中, 和 分别表示第i个源域样本和它所对应的标签, 和 分别表别源域样本和它所对应的标签,表示期望, 表示分类器C接收到的梯度信息,C(·)表示分类器的输出, 表示交叉熵损失,G(·)表示特征生成器的输出;

S42:使用目标域样本的分类器预测输出和其对应的伪标签来计算目标域分类损失反馈给分类器的梯度信息,具体计算公式如下:其中, 表示第i个目标域样本, 表示第i个目标域样本对应的伪标签, 表示期望,表示分类器C接收到的梯度信息,C(·)表示分类器的输出, 表示交叉熵损失,G(·)表示特征生成器的输出;

S43:计算源域和目标域之间的分类器梯度差异损失,差异公式定义如下:

其中,gs表示源域分类损失反馈给分类器的梯度信息,gt表示目标域分类损失反馈给分类器的梯度信息。

S44:将所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失组成第一阶段的目标函数,并通过随机梯度下降法对鉴别器和特征生成器的参数进行更新,第一阶段的目标函数表示如下:其中, 表示源域样本图片的鉴别器输出与真实标签的交叉熵损失, 表示源域和目标域的鉴别器预测差异, 表示源域和目标域之间的分类器梯度差异损失,G表示特征生成器,CD表示鉴别器。

8.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法,其特征在于,步骤S5中,计算源域样本图片的分类器输出与真实标签的交叉熵损失,构建第二阶段目标函数,实现分类器参数的更新包括以下步骤:S51:将源域样本图片输入特征生成器提取样本特征,将所提取的样本特征输入分类器获得分类器输出;

S52:固定鉴别器和特征生成器,计算分类器输出与真实标签的交叉熵损失,损失公式表示如下:其中, 和 分别表示第i个源域样本和它所对应的标签,表示期望, 表示源域数据集, 表示交叉熵损失,C(·)表示分类器的输出,G(·)表示特征生成器的输出。

9.一种概率引导的域对抗轴承故障诊断系统,其特征在于,包括:

数据采集模块,用于采集不同工况下轴承运行时的振动信号,将每种工况下采集的数据作为一个可迁移域,建立不同轴承工作负载下的可迁移数据集,对各可迁移数据集中的数据进行处理形成样本,对各样本添加轴承各种故障类型标签,构建源域数据集和目标域数据集;

数据预处理模块,用于对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理,得到源域样本图片和目标域样本图片;

损失计算模块,用于将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练,计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器;

目标函数构建模块,用于计算源域和目标域之间的分类器梯度差异损失,并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶目标函数,实现鉴别器和特征生成器参数的更新;计算源域样本图片的分类器输出与真实标签的交叉熵损失,构建第二阶段目标函数,实现分类器参数的更新,神经网络模型训练完成;

轴承故障预测模块,用于将目标域数据集输入训练好的神经网络模型,所述训练好的神经网络模型输出预测结果,实现轴承故障诊断。

10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备执行权利要求1至8任意一项所述的概率引导的域对抗轴承故障诊断方法。