【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种故障诊断模型训练方法、故障诊断方法、装置及电子设备。
技术介绍
1、现有的时序数据故障诊断研究中，深度神经网络在故障诊断上具有良好表现需要丰富的带标签训练数据，并且测试数据需要与训练数据独立同分布。然而，在大量的时序数据故障诊断中，故障相关特征蕴含于时序数据随时间变化的趋势特征或复杂的冲击或周期性信号特征中，很多浅层的故障特征会随着设备运行工况或使用条件的变化而发生变化，故障的工况不变特征往往蕴含于很深层的特征中。对于故障特征在训练数据和测试数据中分布存在差异的情况，出现了很多基于迁移学习的故障诊断方法。这种方法通过从源域中学习的深层特征知识，通过目标域(测试集数据)的少量有标签或无标签数据，对诊断模型进行微调，从而实现诊断网络对目标域故障诊断精度的提高。这类方法一般采用对抗生成网络的架构思路，通过一个领域鉴别器，实现源域特征与目标域特征的不可分性，从而实现特征的跨域不变性。
2、而对抗生成网络方法本质是利用特征分布的相似性。这种方法虽然属于端对端的领域自适应学习网络，但是并没有充分考虑设备...
【技术保护点】
1.一种故障诊断模型训练方法，其特征在于，所述故障诊断模型包括深层特征提取网络和故障分类器网络，所述方法包括：
2.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述基于所述第一预测标签和所述第二预测标签，确定所述源域样本数据和所述目标域样本数据中每个样本数据对应的源域和目标域的KL散度，包括：
3.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述深层特征提取网络基于多层一维卷积核和长短期记忆网络层构建。
4.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述故障分类器网络基于多层全连接网络构建。
<...【技术特征摘要】
1.一种故障诊断模型训练方法，其特征在于，所述故障诊断模型包括深层特征提取网络和故障分类器网络，所述方法包括：
2.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述基于所述第一预测标签和所述第二预测标签，确定所述源域样本数据和所述目标域样本数据中每个样本数据对应的源域和目标域的kl散度，包括：
3.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述深层特征提取网络基于多层一维卷积核和长短期记忆网络层构建。
4.根据权利要求1所述的故障诊断模型训练方法，其特征在于，所述故障分类器网络基于多层全连接网络构建。
5.一种故障诊断方法，其特征在于，应用于权利要求1-4任一项所述的故障诊断模型训练方法，所述方法包括：
6.一种故障诊断模型训练装置，其特征在于，所述故障诊断模型包括深层特征...
【专利技术属性】
技术研发人员：杨楠，李东蓬，林瑞仕，任广皓，张桂刚，王健，
申请(专利权)人：中国科学院自动化研究所，
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。