【技术实现步骤摘要】
本专利技术属于轴承故障诊断，具体涉及一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法。
技术介绍
1、深度迁移学习在轴承故障诊断中的应用已经引起了研究人员和工程师的广泛关注，深度迁移学习可以将经过充分研究的轴承(源域)的故障诊断知识应用于其他型号轴承(目标域)，这样用户就不需要通过目标域中的大量标记数据来训练诊断模型，而是可以从源到目标重用该模型。
2、现有的深度迁移学习([1]m.ghorvei,m.kavianpour,m.t.beheshti,anda.ramezani,"an unsupervised bearing fault diagnosis based on deep subdomainadaptation under noise and variable load condition,"measurement science andtechnology,vol.33,no.2,p.025901,dec.2021.[2]m.ghorvei,m.kavianpour,m.t.beheshti,and a.ramezani,"spatial graph convolutional neural network viastructured subdomain adaptation and domain adversarial learning for bearingfault diagnosis,"neurocomputing,vol.517,pp.44-61,jan.2023.[3]m.kavianp
技术实现思路
1、为了克服上述现有技术的缺点，本专利技术的目的在于提出了一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，降低模型诊断决策面的复杂程度,实现数据标注异常下的诊断知识高精度迁移。
2、为达到上述目的，本专利技术采取的技术方案为：
3、一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，包括以下步骤：
4、步骤1：获取源域数据集，包含标签纯净数据集与异常标注数据集并且源域中每类状态至少包含一个标签纯净数据；之后获取目标域数据集由nt个无标签样本组成；
5、上式中，表示源域数据集中标签纯净数据集第m个数据，是与之对应的标签，msc表示标签纯净数据的个数；表示源域数据集中标签异常数据集第m个数据，是与之对应的异常标签，msa表示异常标注数据的个数；表示目标域数据集中第n个数据；
6、步骤2：利用领域共享的深度残差网络，构建双视角残差连接的参数共享特征提取模块；同时从源域数据集的标签纯净数据集xsc、异常标注数据集xs和目标域数据集xt中提取深度故障特征，视角1和视角2的特征提取过程如下公式：
7、
8、上式中，为特征提取模块操作函数，θfeature为特征提取模块中待优化参数集合；
9、步骤3：利用softmax函数σsoftmax来预测每个健康状态相关的输入特征的概率，得到两个视角的预测标签为：
10、
11、其中和表示视角1和视角2的训练参数；计算双视角迁移诊断模型的目标函数lc并更新步骤2中的模型参数θfeature：
12、
13、式中，k表示一个样本集合的类别总数，i(·)表示二进制指示函数，如果条件成立则为1否则为0，表示第m个标签纯净数据集的样本与第n个标签正常的样本关联的概率；
14、优化目标为：
15、
16、步骤4：当迭代次数大于设定次数ξ时，计算两个视角下源域第m个纯净样本和第n个标注异常样本的距离和以及梯度和
17、
18、
19、
20、上式中，分别表示异常标注数据集的第m个特征和第n个特征，表示该计算在视角1中进行，表示该计算在视角2中进行；l(·,·)是交叉熵损失函数，和分别表示标签纯净数据集第m个预测标签和第m个原始标签，和分别表示标签纯净数据集第n个预测标签和标注异常数据集第n个原始标签；结合距离和梯度的计算公式，得到两个视角下第n个标注异常样本的标签纯净度因子：
21、
22、步骤5：利用二值化高斯混合模型拟合步骤4中的标签纯净度因子，根据模型参数中的均值与方差，确定是否需要进行标签修正：
23、
24、式中，|μv|与|σv|分别为标签纯净度因子较大簇的均值与标准差；说明第n个标签样本纯净，反之说明异常；
25、步骤6：结合步骤5中判断异常标注数据集的方法，对源域数据集进行修正，修正后的第n个样本的标签为：
26、
27、式中,和分别表示视角1下第n个预测标签和视角2下第n个预测标签；
28、步骤7：从源域数据集有异常标注数据集xs和目标域数据集xt中随机采样最小批样本n；
29、步骤8：计算目标函数：
30、
31、式中，表示视角1或视角2情况下标注异常数据集第n个预测标签，表示视角1或视角2情况下源域数据集第j个修正后的标签，μ为双视角分类器差异性惩罚系数；λ为特征分布适配的惩罚系数；
32、优化目标为：
33、
34、然后利用adam优化算法，更新目标中参数集合θfeature，以最小化目标函数；
35、步骤9：重复依次执行步骤2-步骤8迭代优化残差连接的本文档来自技高网...
【技术保护点】
1.一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤2中残差连接的参数共享的特征提取模块构建过程如下：
3.根据权利要求1所述的方法，其特征在于，所述的步骤8构建目标函数Lda的具体过程如下：
【技术特征摘要】
1.一种双视角错误标签矫正的滚动轴承故障靶向迁移诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤2...
【专利技术属性】
技术研发人员：雷亚国，孟田航，杨彬，李响，李乃鹏，曹军义，武通海，
申请(专利权)人：西安交通大学，
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。