当前位置: 首页 > 专利查询>盐城工学院专利>正文

一种无监督域适应故障诊断方法技术

技术编号:23623609 阅读:51 留言:0更新日期:2020-03-31 20:57
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,提出了本专利技术。因此,本专利技术目的是提供一种无监督域适应故障诊断方法。为解决上述技术问题,本专利技术提供如下技术方案: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。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中: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。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中: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。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中: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。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中: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,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。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中:将训练样本带入模型进行训练,并完成训练,确定模型参数:将训练样本带入模型,分别计算源域分成层交叉熵损失、基于中心的判别损失和两个域间最后一个全连接层相对齐损失;优化损失函数,并更新每个参数;是否满足迭代条件;若否,继续计算;若是,完成训练,确定模型参数;其中,所述损失函数的优化基于优化算法实现实现。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中:所述相对齐损失LCA为:式中,表示矩阵F范数的平方,CS和CT分别表示源特征和目标特征的协方差矩阵;其中,所述源特征和目标特征的协方差矩阵CS和CT公式为:CS=ASJASTCT=ATJATT式中,AS和AT分别表示源域和目标域中按列存放的d维激活特征,J表示中心矩阵。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中:所述基于中心的判别损失LCD为:式中,表示二范数的平方,β表示一个权衡参数,m1和m2分别表示两个约束边界;fis∈Rn表示全连接层第i个训练样本的深特征,n表示全连接层神经元的数量,表示第yi个样本对应深度特征的类中心,yi∈{1,2,···,c},c表示类的数量。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中:所述故障诊断的包括步骤:将测试样本输入到训练完成的CACD-1DCNN模型;输出目标域故障诊断结果。作为本专利技术所述无监督域适应故障诊断方法的一种优选方案,其中:所述训练样本采用部分重叠的方式分割训练样本,获取增加训练样本数。本专利技术的有益效果:本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。附图说明为了更清楚地说明本专利技术实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:图1为本专利技术无监督域适应故障诊断方法的训练样本叠采样示意图。图2为本专利技术无监督域适应故障诊断方法的CACD-1DCNN架构示意图。图3为本专利技术无监督域适应故障诊断方法的不同算法对六种域转移场景中准确率结果示意图。图4为本专利技术无监督域适应故障诊断方法的流程示意图。图5为本专利技术无监督域适应故障诊断方法的源域和目标域测试集在所有卷积层与全连接层表达经过t-SNE可视化之后的分布图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术,但是本专利技术还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广,因此本专利技术不受下面公开的具体实施例的限制。其次,此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。再其次,本专利技术结合示意图进行详细描述,在详述本专利技术实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本专利技术保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。实施例1参照图1,提供了一种无监督域适应故障诊断方法的整体结构示意图,如图4,一种无监督域适应故障诊断方法包括,本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

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1