【技术实现步骤摘要】
本专利技术涉及工业故障诊断和深度学习领域，尤其涉及一种持续无监督域适应故障诊断方法。
技术介绍
1、智能故障诊断对保障工业的安全和可靠性至关重要。随着工业4.0的到来，现代工业积累了大量的数据，数据驱动的深度学习方法在智能故障诊断中得到了广泛的应用。
2、当前，大多数的智能故障诊断研究受到深度学习自动提取特征的启发，结合大量的故障数据，实现对故障高精度地诊断。基于深度学习的故障诊断方法需满足训练和测试数据独立同分布假设前提下，且必须充分收集最全面的故障数据，以确保诊断的可靠性。因此在仿真或实验室条件下能够取得相当高的精度，但在实际工业场景中难以满足这两个条件，不具备足够的可靠性和泛化性。
3、在实际工业场景中，对工业系统的状态监测往往是实时、全寿命、全周期的。工业数据以流的形式被采集，为监测和诊断系统动态地提供实时的状态信息。工业系统复杂多变的工况会导致当前训练模型时所用的历史数据和测试时所用的实时数据服从不同的分布，不满足独立同分布条件。在遭遇新的工况时，模型失效将导致可靠性大大降低，而为新数据重新标注进行训练...
【技术保护点】
1.一种持续无监督域适应故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的持续无监督域适应故障诊断方法，其特征在于，所述故障诊断模型θ(x)＝g(f(x))包括一个特征提取器和一个分类器其中m表示特征提取器的输出维度；特征提取器用于提取源域和目标域的故障样本特征，特征提取器fθ提取的特征表示为h＝fθ(x)，h是单位超球面特征空间Fm中的单位向量，||h||2＝1；分类器gθ为余弦相似度分类器。
3.根据权利要求2所述的持续无监督域适应故障诊断方法，其特征在于，所述S2中，实例间对比损失的表达式如下：
4.根据权利要...
【技术特征摘要】
1.一种持续无监督域适应故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的持续无监督域适应故障诊断方法，其特征在于，所述故障诊断模型θ(x)＝g(f(x))包括一个特征提取器和一个分类器其中m表示特征提取器的输出维度；特征提取器用于提取源域和目标域的故障样本特征，特征提取器fθ提取的特征表示为h＝fθ(x)，h是单位超球面特征空间fm中的单位向量，||h||2＝1；分类器gθ为余弦相似度分类器。
3.根据权利要求2所述的持续无监督域适应故障诊断方法，其特征在于，所述s2中，实例间对比损失的表达式如下：
4.根据权利要求1所述的持续无监督域适应故障诊断方法，其特征在于，所述s3中，目标域持续域适应的损失函数表达式如下：
...
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。