一种装备域泛化特征解耦方法技术

本发明专利技术提供一种装备域泛化特征解耦方法，涉及机械装备智能运维技术领域，该方法包括收集机械装备状态监测数据并对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集；构建机械装备域泛化特征解耦故障诊断模型；将一个标记的源域样本集和多个无标记的辅助源域样本集输入到构建的机械装备域泛化特征解耦故障诊断模型中，通过特征解耦策略来实现域不变特征中域特定信息的去除，根据给定的损失函数和优化算法进行模型训练；将目标域样本集输入训练好的故障特征提取器和故障分类器中，进行机械设备域泛化故障诊断，在线识别样本的健康状态类别。本发明专利技术具有良好的域泛化诊断性能。

【技术实现步骤摘要】

本专利技术涉及机械装备智能运维，尤其涉及一种装备域泛化特征解耦方法。

技术介绍

1、有效的健康监测和故障诊断技术对保证机械装备的安全、可靠运行具有重要意义。基于数据驱动的方法已广泛应用于机械装备故障诊断。深度学习故障诊断方法具有自动挖掘隐含故障相关特征和通过逐层学习表征工业大数据内部信息的强大能力，近年来已成为发展最快的数据驱动方法之一。然而，传统深度学习方法的诊断性能在变工况条件下通常会严重退化。因为大多数深度学习故障诊断方法以训练数据集和测试数据集是在相同的工况条件下收集的为基本前提，从而假设训练数据集和测试数据集遵循相同的数据分布。但是这一基本前提在许多实际工程场景中很难成立。

2、为了解决这个问题，基于迁移学习思想的域适应故障诊断方法逐渐发展，能够实现在不同工况条件下的故障诊断。域适应故障诊断方法旨在将诊断知识从训练数据(即源域)迁移到测试数据(即目标域)，从而消除数据分布的差异，在目标域中获得较好的诊断结果。

3、但是，机械装备通常在不断变化的运行工况下工作，新的工况条件下的状态监测数据往往不可以事先参与模型的训练。因此，本文档来自技高网...

【技术保护点】

1.一种装备域泛化特征解耦方法，其特征在于，包括：

2.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S1中，对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集，具体包括：

3.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤S2中，所述故障特征提取器G1以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述故障分类器C和所述域分类器D以所述故障特征提取器G1提取的高维特征作为输入，分别输出故障类别标签和域类别标签，所述投影头P1以所述故障分类器C的低维概率作为输入，输出高维特征...

【技术特征摘要】

1.一种装备域泛化特征解耦方法，其特征在于，包括：

2.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤s1中，对收集的数据进行预处理，得到一个标记的源域样本集、多个无标记的辅助源域样本集和目标域样本集，具体包括：

3.根据权利要求1所述的装备域泛化特征解耦方法，其特征在于，在步骤s2中，所述故障特征提取器g1以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述故障分类器c和所述域分类器d以所述故障特征提取器g1提取的高维特征作为输入，分别输出故障类别标签和域类别标签，所述投影头p1以所述故障分类器c的低维概率作为输入，输出高维特征；所述工况特征提取器g2以标记的源域样本集和未标记的辅助源域样本集作为输入，输出高维特征；所述投影头p2以域分类器d的低维概率作为输入，输出高维特征。

4.根据权利要求3所述的装备域泛化特征解耦方法，其特征在于，所述故障特征提取器g1包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述故障分类器c和所述域分类器d由全连接层和softmax分类器组成；所述投影头p1由全连接层组成；所述工况特征提取器g2包括但不限于通过深度残差网络、深度卷积网络、全连接网络、深度置信网络中的一种来构建；所述投影头p2由全连接层组成。

5.根据权利要求1所...

【专利技术属性】
技术研发人员：王前，宋秋昱，江星星，郑建颖，
申请(专利权)人：苏州城市学院，
类型：发明
国别省市：