无监督域自适应及熵优化的设备传感诊断方法及系统技术方案

无监督域自适应及熵优化的设备传感诊断方法及系统。其中，包括以下步骤：1)收集不同工作条件下设备的振动传感信号，利用格拉姆角场技术对数据进行预处理；2)构建基于卷积神经网络的故障诊断模型，包括特征提取模块、特征一致判别模块和特征识别模块；3)将源域有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练；4)利用数据增强策略，将目标域无标签训练样本在故障诊断模型上进行一致性训练；5)将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。通过将RandAugment技术和域自适应技术相结合，能够在数据不平衡和数据分布转移的条件下提高模型对设备健康状态的识别精度。条件下提高模型对设备健康状态的识别精度。条件下提高模型对设备健康状态的识别精度。

【技术实现步骤摘要】
无监督域自适应及熵优化的设备传感诊断方法及系统


[0001]本专利技术属于机械设备健康管理和计算机人工智能
，尤其涉及一种多工况和数据不平衡下基于无监督域自适应和卷积神经网络熵优化的设备传感诊断方法。

技术介绍

[0002]滚动轴承是机械设备(如制药装置)中使用广泛但容易因细小故障而失效的部件之一。基于设备传感信息的故障诊断可以支撑对装置可靠运行的维护，延长设备的使用寿命，防止重大事故。滚动轴承通常在随机噪声、冲击载荷和热应力下连续工作。基于信号处理的方式可以实现一定程度的故障轴承机械诊断——通过揭露轴承异常特征。但是，该方法对从业人员的专业知识有较高要求。由于作业环境的复杂多变性，需要更有效的诊断技术来解决问题。人工智能的发展推动了故障诊断技术的进步，涌现出许多性能优越的方法。随着工业传感器网络复杂度的增加，擅长处理复杂、非线性、多变数据的深度学习方法已逐步成为主流研究方法。
[0003]然而，已有研究有个前提假设：训练数据和测试数据的分布一致。受工况条件和传感器性能等约束，目标样本与源域样本的数据分布通常存在差异，会出现数据分本文档来自技高网...

【技术保护点】

【技术特征摘要】
(x
τ
)，r2(x
τ
)，...r
n
(x
τ
)}，其中x
τ
是来自目标域无标签训练数据，r
i
是变换i次操作函数；步骤4.4：将数据集P输入到数据增强策略中，并从输出结果中挑选出最可靠伪样本，决策其标签与真值标签的一致性；步骤4.5：若决策结果为一致性，则最小化和真值标签一致的伪样本熵损失值，否则最大化不一致伪样本熵损失值；步骤4.6：将目标域无标签训练集条件熵损失和条件分布距离与分类损失结合在一起组成目标函数，训练模型参数；所述步骤4.4中的一致性描述为：其中，prediction
+
是生成的伪标签和真值标签一致，prediction
_
是生成的伪标签和真值标签不一致。所述步骤4.5中的熵损失描述公式为：其中，L
EO
是完整的熵最小化函数，L
prediction+
是一致性熵损失函数，L
prediction_
是不一致性熵损失函数，后两个函数的定义如下：性熵损失函数，后两个函数的定义如下：其中，是样本标签y的移动平均指数，p是概率分布函数。所述步骤4.6具体包括以下步骤：步骤4.6...

【专利技术属性】
技术研发人员：刘富樯，陈彦丹，蒲华燕，罗均，秦毅，陈锐，徐浪，肖登宇，
申请(专利权)人：重庆大学，
类型：发明
国别省市：