【技术实现步骤摘要】
基于采样卷积和对抗学习的跨域故障诊断方法
[0001]本专利技术属于时序分析领域,具体涉及一种基于采样卷积和对抗学习的跨域故障诊断方法。
技术介绍
[0002]作为旋转机械的关键部件之一,旋转轴承的状态对机械的安全运行非常重要。智能故障诊断旨在根据传感器收集的振动信号,判断旋转轴承早期故障的类别。精确可靠的故障诊断能防止整个系统瘫痪,从而确保系统安全可靠运行。近年来,随着人工智能技术的发展,智能故障诊断技术已在现代工业中得到了广泛应用。
[0003]传统的基于机器学习的故障诊断方法,包括支持向量机、逻辑回归等,已被广泛研究并应用于现实场景中。然而,传统方法依赖于人工特征和先进的信号处理技术,其泛化能力有限。随着数据量的爆炸式增长,基于深度学习的方法由于其不需要手动特征作为输入的特点,逐渐成为了研究热点,并获得了更高的诊断精度。例如,Jiang等人[1]出了一种多尺度卷积神经网络,它可以捕获更丰富的诊断信息,并获得更好的性能。Yin等人[2]提出了一种带余弦损失函数的优化长短时记忆网络,该网络将损失从欧几里德空间转换为角度空间,减少了信号强度的影响。
[0004]传统的故障诊断方法假设训练样本和测试样本是独立同分布的。然而,此类假设在实际应用场景中往往不能成立,例如在不同工作条件下从轴承收集的数据分布差异较大。为每个不同的工作条件收集足够的训练数据是劳动密集、昂贵的,这限制了这些方法的现实引用。为解决上述问题,无监督领域自适应(Unsupervised domain Adaption,UDA),旨在将知 ...
【技术保护点】
【技术特征摘要】
1.一种基于采样卷积和对抗学习的跨域故障诊断方法,其特征在于,首先,构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入;然后,使用分类器进行故障分类,并使用域鉴别器以鉴别域来源情况;最后,引入最大平均差异损失和域对抗损失对齐源域和目标域的特征分布。2.根据权利要求1所述的基于采样卷积和对抗学习的跨域故障诊断方法,其特征在于,跨域故障诊断问题定义如下:假设有一个从源域P
s
采样的带标签数据集从目标域P
t
中采样的无标签数据集两个数据集具有相同的类别空间,但有数据分布差异;给定D
s
和D
t
,目标是训练函数f(
·
),预测采样自P
t
的无标签数据集中样本的故障类别。3.根据权利要求2所述的基于采样卷积和对抗学习的跨域故障诊断方法,其特征在于,所述构造一个采样卷积网络来提取包含奇偶子序列之间相关性的特征嵌入的具体实现方式如下:设计一个交互网络作为特征提取器Z(
·
);对于来自源域或目标域的原始信号X,首先使用下采样模块将其拆分为奇数子序列X
odd
和偶数子序列X
even
;使用共享权重的四层CNN编码器从X
odd
和X
even
中提取特征表示;通过学习仿射变换函数来实现两个序列之间的特征交互;该过程定义为:F
′
odd
=F
odd
⊙
exp(φ(F
even
))+ψ(F
even
)F
′
even
=F
even
⊙
exp(φ(F
odd
))+ψ(F
odd
)其中,
⊙
是Hadamard乘积;exp(
·
)为以e为底的指数变换函数;F'
odd
和F'
even
分别是F
odd
和F
even
的特征变换结果;φ(
·
...
【专利技术属性】
技术研发人员:李佐勇,卢维楷,樊好义,周常恩,陈健,
申请(专利权)人:闽江学院,
类型:发明
国别省市:
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。