一种无监督域适应故障诊断方法技术

本发明专利技术公开了一种无监督域适应故障诊断方法，包括，获取轴承源振动数据，并将其划分训练样本和测试样本；构建CACD‑1DCNN模型，训练模型，确定模型参数；故障诊断；其中，所述源振动数据包括无标签的目标数据和有标签的源域数据；所述获取轴承源振动数据通过传感器获取；本发明专利技术提出模型的目标函数包括源域的交叉熵分类损失，基于中心的判别损失和基于源域和目标域特征的相关对齐损失，后两个损失在最后一个全连接层执行，模型训练后不仅能将源域中学到的表示应用于目标域，而且能保证提取的域不变特征具有更好的类内紧致性和类间可分性，同时提取的特征可以有效地提高跨域测试的性能。

An unsupervised domain adaptive fault diagnosis method

【技术实现步骤摘要】
一种无监督域适应故障诊断方法
本专利技术涉及的故障诊断
，尤其涉及一种无监督域适应故障诊断方法。
技术介绍
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助；它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据；深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。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。然而，在许多实际的故障诊断应用中，由于工作条件的频繁变化，标记的训练数据(源域)和未标记的测试数据(目标域)具有不同的分布，从而导致性能下降。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有无监督域适应故障诊断方法存在故障诊断的性能下降的问题本文档来自技高网...

【技术保护点】
1.一种无监督域适应故障诊断方法，其特征在于：包括，/n获取轴承源振动数据，并将其划分训练样本和测试样本；/n构建CACD-1DCNN模型，训练模型，确定模型参数；/n故障诊断；/n其中，所述源振动数据包括无标签的目标数据和有标签的源域数据。/n

【技术特征摘要】
1.一种无监督域适应故障诊断方法，其特征在于：包括，
获取轴承源振动数据，并将其划分训练样本和测试样本；
构建CACD-1DCNN模型，训练模型，确定模型参数；
故障诊断；
其中，所述源振动数据包括无标签的目标数据和有标签的源域数据。


2.如权利要求1所述的无监督域适应故障诊断方法，其特征在于：所述获取轴承源振动数据通过传感器获取；
其中，所述传感器为加速传感器。


3.如权利要求2所述的无监督域适应故障诊断方法，其特征在于：所述获取轴承源振动数据，并将其划分训练样本和测试样本包括步骤：
通过传感器采集轴承振动信号；
将采集的振动信号转化为源振动数据，并将其分为无标签的目标数据和有标签的源域数据；
其无标签目标数据的目标域测试数据作为测试样本；
将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。


4.如权利要求1～3任一所述的无监督域适应故障诊断方法，其特征在于：所述构建CACD-1DCNN模型，训练模型，确定模型参数的包括步骤：
构建CACD-1DCNN模型；
初始化参数；
将训练样本带入模型进行训练，并完成训练，确定模型参数；
其中，所述参数包括模型权值和偏置。


5.如权利要求4所述的无监督域适应故障诊断方法，其特征在于：所述CACD-1DCNN模型的目标函数定义如下：
L＝LS+αLCA+βLCD；
式中，LCA表示相关对齐损失，LCD表示基于中心的判别损失，LS表示softmax损失，α和β是平衡域差异损失和判别损失的权衡参数。


6.如权利要求5所述的无监督域适应故障诊断...

【专利技术属性】
技术研发人员：安晶，艾萍，李青祝，黄曙荣，刘聪，刘大琨，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：江苏;32