基于动态自适应域对抗网络的多工况工业过程故障诊断方法技术

本发明专利技术公开了基于动态自适应域对抗网络的多工况工业过程故障诊断方法，包括：对过程数据进行标准化并取滑动窗，获得动态数据，利用源工况的标签动态数据和目标工况的无标签动态数据训练动态自适应域对抗网络，动态自适应域对抗网络包含特征提取器、标签分类器、全局域鉴别器和局部域鉴别器，全局域鉴别器对齐源工况和目标工况的边缘分布，局部域鉴别器对齐源工况和目标工况的条件分布，提出一种可学习参数自适应地评估边缘分布和条件分布的相对重要性，以更好地提取域不变特征，并提出一种共同中心损失，提高数据的类间可分性和类内紧密性，进一步提高故障诊断精度。标签分类器用于预测样本的故障类别。本发明专利技术为目标工况建立精确的故障诊断模型。立精确的故障诊断模型。立精确的故障诊断模型。

【技术实现步骤摘要】
基于动态自适应域对抗网络的多工况工业过程故障诊断方法


[0001]本专利技术涉及基于数据驱动的工业过程故障诊断领域，特别是涉及一种针对多工况工业过程标签样本稀缺条件下故障诊断提出的一种基于动态自适应域对抗网络的多工况工业过程故障诊断方法。

技术介绍

[0002]随着现代工业过程的日益复杂，确保工业过程的安全稳定运行越来越具有挑战性。故障诊断在提高工业过程的可靠性和安全性上发挥着重要作用。故障诊断方法包括基于模型的方法、基于知识的方法和数据驱动的方法。由于计算机技术和传感器技术的发展，可以收集和存储大量工业过程的历史数据，数据驱动的故障诊断方法因此受到了广泛的关注。数据驱动的故障诊断方法包括多元统计分析的方法、人工神经网络的方法和深度学习的方法等等。由于深度学习的方法能够提取数据的非线性深层特征，具有出色的特征提取能力，因此在工业过程故障诊断中，基于深度学习的方法受到了广泛的关注。数据驱动的故障诊断方法通常是监督学习，需要大量的标签数据，然而在多工况工业过程中，标记样本需要耗费大量的人力和时间，而目标工况刚投产，目标工况的标签样本可能是稀缺的，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动态对抗域自适应网络的工业过程故障诊断方法，其特征在于包括以下步骤：步骤1：数据预处理1)分别获得源工况和目标工况的历史数据，其中源工况数据为标签样本，表示为{X
S
,Y
S
}，为源工况的样本集，R表示实数集，x
S,k
表示第k个采样时刻采集的源工况样本，n
S
为源工况样本的数量，m表示样本的变量数量，为源工况样本的one
‑
hot标签，C表示样本的类别数量，目标工况为无标签样本，表示为n
T
表示目标工况的样本数量，x
T,k
表示第k个采样时刻采集的目标工况样本；2)为训练数据进行标准化处理，计算源工况样本和目标工况样本的均值和标准差，源工况样本的均值表示为标准差为S
S
，目标工况的均值为标准差为S
T
，源工况和目标工况的标准化分别通过式(1)和式(2)实现，得到标准化的源工况样本和目标工况样本和目标工况样本和目标工况样本3)针对工业过程的动态性，对标准化的源工况样本和目标工况样本分别取滑动窗得到动态数据，第k个采样时刻的源工况和目标工况样本的滑动窗为：动态数据，第k个采样时刻的源工况和目标工况样本的滑动窗为：其中w表示滑动窗的窗宽，滑动窗步长为1，源工况数据得到n
S
‑
w个滑动窗，目标工况数据得到n
T
‑
w个滑动窗，将得到的滑动窗作为训练数据；步骤2：模型构建建立动态自适应域对抗网络模型，包括特征提取器、类标签分类器、全局域鉴别器、局部域鉴别器四个部分，其中特征提取器为卷积神经网络，用于提取特征，其结构为卷积层1
‑
BatchNorm层1
‑
最大池化层1
‑
卷积层2
‑
BatchNorm层2
‑
卷积层3
‑
BatchNorm层3
‑
Dropout层，卷积层1的卷积核大小为3*3，步长为1，通道数为64，激活函数为ReLu，BatchNorm层1的特征维度是64，最大池化层1的步长为2，卷积层2的卷积核大小为2*4，步长为1，通道数为50，激活函数为ReLu，BatchNorm层2的特征维度为50，卷积层3的卷积核大小为3*4，步长为1，通道数为50，激活函数为ReLu，BatchNorm层3的特征维度为50，Dropout层的神经元置零概率为0.4，标签分类器用于预测源工况和目标工况样本的故障类别，结构为全连接层1
‑
BatchNorm层1
‑
全连接层2
‑
BatchNorm层2
‑
Dropout层
‑
Softmax层，其中全连接层1的神经元数量为500，激活函数为ReLu，BatchNorm层1的特征维度为500，全连接层2的神经元数量为100，激活函数为ReLu，BatchNorm层2的特征维度为100，Dropout层的神经元置零概率为0.4，Softmax层的神经元数量为C，全局域鉴别器用于判断样本是属于源工况还是目标工况，对齐源工况和目标工况样本的边缘分布，结构是全连接层1
‑
BatchNorm层1
‑
全连接层2
‑
BatchNorm层2
‑
Dropout层<...

【专利技术属性】
技术研发人员：高慧慧，黄文杰，韩红桂，高学金，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：