一种基于DSECJAN的智能故障诊断方法技术

本发明专利技术公开了一种基于DSECJAN的智能故障诊断方法，该方法由卷积神经网络特征提取模块、挤压和激励模块、故障分类模块、联合域适应模块组成，用于设备智能跨域故障诊断。构建一维卷积神经网络特征提取模块，然后通过挤压和激励模块对通道特征进行自适应增强或抑制，利用联合域适应对齐源域和目标域输入特征和输出标签联合分布，以实现故障智能诊断。该模型能够自适应增强对跨域诊断较重要的通道特征，并抑制一些对学习任务无效的信息。显著提高了设备故障诊断模型在目标域上的诊断准确率，解决了深度学习智能故障诊断算法在目标域上泛化能力不强的问题。化能力不强的问题。化能力不强的问题。

【技术实现步骤摘要】
一种基于DSECJAN的智能故障诊断方法


[0001]本专利技术涉及一种设备智能故障诊断方法，尤其是涉及一种基于DSECJAN的智能故障诊断的方法。

技术介绍

[0002]机械设备是智能工厂得以正常运行生产的关键组件之一，在电池制造、汽车制造和航空航天等领域应用广泛。由于设备的长时间使用以及一些人为因素，设备有可能发生故障，造成重大经济损失以及人员伤害，因此对机械设备的故障定位和维护显得尤为重要。在实际工业应用中，设备故障定位需要依靠经验丰富的高级专家，并需要大量的时间成本。智能故障诊断由于结合了人工智能技术，可以有效降低时间成本。传统的机器学习方法，包括支持向量机SVM(Support Vector Machine)、随机森林RF(random forest)、K近邻KNN(K
‑
Nearest Neighbor)和人工神经网络ANN(Artificial Neural Network)等，已在设备故障诊断领域得到广泛应用。这些机器学习故障诊断方法十分依赖具备专业知识的行业专家从原始信号中提取人工特征，从信号中提取特征的方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DSECJAN的智能故障诊断方法，其特征在于，该方法具体包括以下步骤：步骤一：按照不同工况条件将数据分成源域数据和目标域数据其中S表示源域，T表示目标域，i表示源域或目标域的第i个样本，N
S
表示源域样本数，N
T
表示目标域样本数；步骤二：构建DSECJAN智能故障诊断模型，初始化其参数；DSECJAN模型全称为深度挤压和激励卷积联合域适应神经网络，该网络包括卷积特征提取器、挤压和激励模块、故障分类器、联合域适应对齐模块；DSECJAN模型的非线性激活层均采用非线性修正单元函数RELU；采用一维卷积神经网络作为整个框架的前级特征提取模块；第一层卷积采用大于16
×
16的卷积核增加感受野，其余卷积层均使用3
×
3的卷积核，卷积特征提取器中，均采用最大池化函数；挤压和激励模块包括全局平均池化层、两个线性层、sigmoid层，线性层之间均包括非线性修正单元，挤压和激励模块尾部连接最大池化层以及一个线性层；联合域适应对齐模块采用联合最大均值分布度量来优化目标；设备智能故障诊断神经网络参数初始化采用正态分布随机初始化方法，通过Adam算法更新其参数；步骤三：用源域与目标域数据训练DSECJAN模型；步骤四：根据目标函数迭代优化DSECJAN模型，在总损失函数值下降到一定值或训练次数达到设定值时结束训练，得到最终智能故障诊断模型；步骤五：设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。2.根据权利要求1所述的一种基于DSECJAN的智能故障诊断方法，其特征在于：用源域与目标域数据训练DSECJAN模型，具体为：先对源域和目标域数据进行预处理，然后计算卷积操作和池化操作之后的特征图，特征图表示为：式中，K
l
为第l个卷积层的卷积核，b
l
表示第l个卷积层的偏置，x
l
...

【专利技术属性】
技术研发人员：何志伟，刘才明，郑骁蓉，董哲康，高明煜，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：