【技术实现步骤摘要】
本专利技术涉及机械智能故障诊断和计算机人工智能领域，尤其涉及一种基于动态权重的混合子域分布差异的部分域故障诊断方法。
技术介绍
1、现代工业正在快速发展，工业系统集成和信息技术也在不断发展，高可靠的零部件和系统是航天航空安全运行的保障。未被发现的航空故障可能会导致航空机械发生灾难性事件。机械传动系统作为飞机发动机、航天飞机等旋转机械的核心部件，长期在高速、重载、恶劣的运行条件下容易出现各种故障，直接影响机械系统的安全运行。以航空设备为代表的旋转机械引起了研究人员的关注。早期故障检测与诊断技术可以预测故障发展趋势，对机械工程传动系统故障的预防起着关键作用。因此，为了避免因小故障引发后续重大事故的发生，各行业都非常重视旋转机械上的智能故障诊断系统。
2、深度学习是一类基于人工神经网络的机器学习算法，并在多年的研究发展中出现大量的算法模型，逐渐成为机器学习的主要代表算法，在许多领域取得了成功。由于深度学习技术在海量数据处理、特征学习和模式识别方面具有特别的优势，已经在制造业的许多应用中被证明是一个很有前途的工具，通过端到端的工业设备健康状况和工业数据之间的关系映射来构建智能模型。使用深度学习方法的智能故障诊断能够处理海量的监测数据，并判断出机器的健康状态，这可以提高工业生产的可靠性和安全性。与以往常用的传统机器学习方法相比，这些深度学习模型不需要专家经验，以自适应的方式训练整个模型参数，自动学习关键特征并预测结果。但是，深度学习技术有其局限性，抑制了其在复杂的现实世界场景中的进一步进展、进步和应用。比如大多数基于深度学习的
3、迁移学习技术在智能诊断领域已被证明可以有效解决样本数据稀疏标记和显着分布差异的问题。该技术通过从具有足够标记数据的源域学习特征知识，然后将该知识转移到具有有限标记数据的目标域来从目标样本中提取特征信息。在现有的方法中，域适应(da)是迁移学习方法的子集，并在跨域传输任务中取得了显著的成果。然而，在实际情况下，目标域空间通常比源域空间小得多。这在特定的da场景中尤其明显，即部分域适应(pda)。
4、当前的pda方法大部分是基于分类器或鉴别器去学习源数据权重。然后，他们使用在目标数据和加权后的源数据上定义的加权后的分布对齐损失来训练特征提取器，这样就会导致加权后的特征分布对齐方法对源数据权重的“噪声”不具有鲁棒性，即一些仅源类数据被错误地分配了非零权重对齐损失。其次，现有的pda方法通常会注意到两个域的全局分布差异，全局域自适应后域之间的分布差异会大大减小，但由于没有考虑子域分布差异或子域数量差异，使得各个子域可能会交叉叠加，难以有效提高识别精度。
技术实现思路
1、为了解决迁移学习中部分域适应领域中存在的域负迁移问题，本专利技术提供了一种基于动态权重的混合子域分布差异的部分域故障诊断方法，可用于跨工况下部分域机械设备智能故障诊断，该方法主要包括：
2、s1：从机械设备的不同工况下采集轴承故障数据，构成源域和目标域数据集；
3、s2：通过滑动窗口对数据集进行切片生成样本，并对每个样本进行归一化处理；
4、s3：构建基于动态对抗加权及混合子域分布差异的深度神经网络模型，该模型包括特征提取器、动态对抗加权模块、标签分类器和混合子域分布差异模块；
5、将源域和目标域样本分别输入到特征提取器中，获得相应的特征向量；
6、将源域和目标域特征输入动态对抗加权模块，求出源域数据权重；
7、将加权后的源域数据特征和目标数据域特征输入标签分类器，计算加权交叉熵损失和条件熵损失；
8、将加权后的源域数据和目标域数据输入混合子域分布差异模块，计算混合子域分布差异；
9、s4：对建立的深度神经网络模型进行训练，判断是否达到深度神经网络模型的预设迭代次数，若是，则结束迭代，若否，则回到s3，直至达到预设迭代次数，得到最终的基于动态对抗加权及混合子域分布差异的深度神经网络模型进行故障诊断。
10、一种存储设备，所述存储设备存储指令及数据用于实现一种基于动态权重的混合子域分布差异的部分域故障诊断方法。
11、一种基于动态权重的混合子域分布差异的部分域故障诊断设备，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种基于动态权重的混合子域分布差异的部分域故障诊断方法。
12、本专利技术提供的技术方案带来的有益效果是：本专利技术采集轴承故障数据，构成源域和目标域；对数据集切片并对每个样本进行归一化处理；将源域和目标域样本分别输入到特征提取器、动态对抗加权模块，获得相应的特征向量，求出源域数据权重；将加权后的源域数据特征和目标数据域特征输入标签分类器、混合子域分布差异模块，计算加权交叉熵损失和条件熵损失，计算混合子域分布差异；对建立的深度神经网络模型进行训练，达到预设迭代次数后得到最终的基于动态对抗加权及混合子域分布差异的深度神经网络模型进行故障诊断。本专利技术考虑到了子域分布差异或子域数量差异，使得各个子域可能会交叉叠加的情况，有效提高了故障识别精度。
本文档来自技高网...【技术保护点】
1.一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：包括：
2.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：S1中，使用加速度计采集一种已知故障信息的轴承振动信号作为源域数据，然后采集其他工况下未知故障信息的轴承振动信号作为目标域数据；故障类型包括：正常状态、外圈故障、内圈故障和滚动体故障。
3.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：S3中，源域数据特征目标域数据特征θF表示特征提取器F(·)的参数，和表示第i个源域数据和第j个目标域数据。
4.如权利要求3所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：动态对抗加权模块用于以最小化重新加权的源域和目标域分布之间的Wasserstein距离，具体公式为：
5.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：S3中，将特征向量送入标签分类器进行预测，得到zs＝C(fs),zt＝C(ft)，其中，zs、zt表示得分向
6.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：源域上的加权交叉熵损失为：
7.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：混合子域分布差异为：
8.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：S4中，深度神经网络模型的优化目标损失函数为：
9.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～8任一项所述的基于动态权重的混合子域分布差异的部分域故障诊断方法。
10.一种基于动态权重的混合子域分布差异的部分域故障诊断设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～8任一项所述的基于动态权重的混合子域分布差异的部分域故障诊断方法。
...【技术特征摘要】
1.一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：包括：
2.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：s1中，使用加速度计采集一种已知故障信息的轴承振动信号作为源域数据，然后采集其他工况下未知故障信息的轴承振动信号作为目标域数据；故障类型包括：正常状态、外圈故障、内圈故障和滚动体故障。
3.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：s3中，源域数据特征目标域数据特征θf表示特征提取器f(·)的参数，和表示第i个源域数据和第j个目标域数据。
4.如权利要求3所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：动态对抗加权模块用于以最小化重新加权的源域和目标域分布之间的wasserstein距离，具体公式为：
5.如权利要求1所述的一种基于动态权重的混合子域分布差异的部分域故障诊断方法，其特征在于：s3中，将特征向量送入标签分类器进行预测，得到z...
【专利技术属性】
技术研发人员：彭雷，白骏飞，戴光明，王茂才，宋志明，陈晓宇，
申请(专利权)人：中国地质大学武汉，
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。