【技术实现步骤摘要】
本专利技术属于无监督电机故障诊断，特别涉及一种基于联合特征对齐的无监督域自适应故障诊断方法及系统。
技术介绍
1、域自适应域对齐(domain agnment)是指通过一定的方法将源域和目标域连接起来，使得模型在源域和目标城上都能获得较好的性能。在机器学习中，源域和目标域通常指的是不同的数据集，由于数据分布的差异，直接将模型在源域上的表现推广到目标域上可能并不理想。因此，需要进行域对齐，减小源域和目标域之间的差异。
2、在轴承的跨工况故障诊断情况下，目标工况数据标签缺失且与原工况数据分布存在差异，导致深度学习模型诊断准确率下降，模型泛化能力差。目前采用无监督域自适应技术进行故障诊断，现有的无监督域自适应技术主要分为对抗性域自适应与非对抗性域自适应。对抗性域自适应通过特征生成器与域判别器两个网络之间的不断对抗竞争，最终达到纳什平衡来对齐从两个域中提取的特征。非对抗性域自适应通过具有共享权重的特征提取器将源域和目标域映射到公共特征空间，将特征差异量化成统计距离的域位移。
3、现有的基于对抗性域自适应技术所提取的特征在类边界附近模糊，并且准确率存在一定波动，不易收敛。现有的基于非对抗性域自适应技术主要通过最小化最大均值差异来实现，只考虑了两个域之间的边缘分布差异，而没有考虑到不同域特征之间的条件分布，即特征之间的内在相关性。
技术实现思路
1、本专利技术的目的在于解决现有技术目标工况数据标签缺失且与原工况数据分布存在差异情况下的电机轴承跨工况故障诊断问题，提出一种
2、为了实现上述目的，本专利技术采用以下的技术方案：
3、一种基于联合特征对齐的无监督域自适应故障诊断方法，用于电机轴承跨工况故障诊断，包含：
4、以一维卷积神经网络为权重共享的特征提取器对源域和目标域的故障数据进行特征提取后，依次输入到两个全连接层；
5、期间利用互信息与多层多核最大均值差异对一维卷积神经网络输出的源域样本特征表示和目标域样本特征表示计算最大化互信息与最大均值差异；
6、再根据最大化互信息、最大均值差异以及源域交叉熵损失函数构建目标函数；
7、在模型训练过程中，通过特征提取器与分类器的网络参数的不断优化以最小化目标函数，最后利用训练好的模型对不同域之间的特征进行对齐，同时对目标域样本进行故障诊断。
8、根据本专利技术基于联合特征对齐的无监督域自适应故障诊断方法，进一步地，所述一维卷积神经网络包含五个卷积层和五个池化层，在每个卷积层之后添加batchnorm层与relu层。
9、根据本专利技术基于联合特征对齐的无监督域自适应故障诊断方法，进一步地，利用互信息对源域样本特征表示和目标域样本特征表示计算最大化互信息lmi，表达式为：
10、
11、式中，i表示源域样本、目标域样本，表示不同源域样本的特征表示，表示不同目标域样本的特征表示，n表示源域、目标域的样本数。
12、根据本专利技术基于联合特征对齐的无监督域自适应故障诊断方法，进一步地，利用多层多核最大均值差异对源域样本特征表示和目标域样本特征表示计算最大均值差异lmmd，计算公式如下：
13、
14、
15、
16、
17、式中，为mmd的计算公式，由于采用的是多层mmd，所以对应的有三个，分别为k(·)表示核函数，核函数为柯西核函数，zs,zt为源域样本与目标域样本经过一维卷积神经网络所形成的特征表示，ns与nt分别表示源域与目标域的样本数，表示不同源域样本的特征表示，表示不同目标域样本的特征表示，zs1,zt1为经过第一个全连接层的特征表示，zs2,zt2为经过第二个全连接层的特征表示。
18、根据本专利技术基于联合特征对齐的无监督域自适应故障诊断方法，进一步地，所述源域交叉熵损失函数的计算公式为：
19、
20、式中，m表示类别数，yic为符号函数，当源域样本xi属于类别c的时候yic＝1，否则yic＝0，pic表示源域样本xi属于类别c的概率。
21、根据本专利技术基于联合特征对齐的无监督域自适应故障诊断方法，进一步地，所述构建目标函数为：
22、ltotal＝lcls+αlmmd+βlmi
23、式中，α和β为超参数，并设置p为训练过程因子。
24、一种基于联合特征对齐的无监督域自适应故障诊断系统，用于实现如上述的基于联合特征对齐的无监督域自适应故障诊断方法，该系统包含以下模块：
25、特征提取模块，用于以一维卷积神经网络为权重共享的特征提取器对源域和目标域的故障数据进行特征提取后，依次输入到两个全连接层；
26、分布差异计算模块，用于期间利用互信息与多层多核最大均值差异对一维卷积神经网络输出的源域样本特征表示和目标域样本特征表示计算最大化互信息与最大均值差异；
27、目标函数构建模块，用于再根据最大化互信息、最大均值差异以及源域交叉熵损失函数构建目标函数；
28、模型优化模块，用于在模型训练过程中，通过特征提取器与分类器的网络参数的不断优化以最小化目标函数，最后利用训练好的模型对不同域之间的特征进行对齐，同时对目标域样本进行故障诊断。
29、与现有技术相比，本专利技术具有以下优点：
30、本专利技术首先采用权重共享的一维卷积神经网络(1d-cnn)对源域与目标域故障特征进行提取；其次，在进行域自适应故障诊断时，将多层多核最大均值差异与互信息结合起来综合考虑源域与目标域特征之间的边缘分布与条件分布，在最小化边缘分布差异的同时，最大化两域特征之间的互信息(即缩小条件分布差异)，从源域提取更多的特征来支持目标域的诊断，从而有效减小目标域(未标记域)的不确定性，该方法能有效消除不同域特征表示之间的分布差异，实现不同域之间的特征对齐，在实现源域与目标域特征对齐的基础上有效提高目标域的故障诊断精度。
本文档来自技高网...【技术保护点】
1.一种基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，用于电机轴承跨工况故障诊断，包含：
2.根据权利要求1所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，所述一维卷积神经网络包含五个卷积层和五个池化层，在每个卷积层之后添加BatchNorm层与Relu层。
3.根据权利要求1所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，利用互信息对源域样本特征表示和目标域样本特征表示计算最大化互信息Lmi，表达式为：
4.根据权利要求3所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，利用多层多核最大均值差异对源域样本特征表示和目标域样本特征表示计算最大均值差异Lmmd，计算公式如下：
5.根据权利要求4所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，所述源域交叉熵损失函数的计算公式为：
6.根据权利要求5所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，所述构建目标函数为：
7.一种基于联合特征对齐的无监督域自适应故障诊断系统，其特
8.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，用于电机轴承跨工况故障诊断，包含：
2.根据权利要求1所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，所述一维卷积神经网络包含五个卷积层和五个池化层，在每个卷积层之后添加batchnorm层与relu层。
3.根据权利要求1所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，利用互信息对源域样本特征表示和目标域样本特征表示计算最大化互信息lmi，表达式为：
4.根据权利要求3所述的基于联合特征对齐的无监督域自适应故障诊断方法，其特征在于，利用多...
【专利技术属性】
技术研发人员：冯肖亮，张志伟，赵爱明，黄平成，陶钧，
申请(专利权)人：上海电机学院，
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。