【技术实现步骤摘要】
本专利技术涉及机械故障诊断，特别是涉及一种基于源领域黑盒模型的机械设备迁移故障诊断方法及系统。
技术介绍
1、随着现代工业进程的快速发展，机械设备的安全稳定运行变得越来越重要。近年来，各种监测诊断技术层出不穷，促进了设备薄弱环节的发现和运维技术的发展。其中，基于深度学习的智能诊断与智能运维、工业大数据分析的发展迅猛。此外，该技术打破了以往以专家知识为导向的常规诊断方法，形成了更智能的端到端数据驱动的诊断模式，具有更广阔的应用前景。
2、尽管基于深度学习的智能诊断技术已经取得卓越进展，但训练基于深度学习的诊断模型通常需要海量的标记数据。然而，由于部分设备拆装困难或存在安全因素限制，为每个诊断场景或任务收集足够的带标签数据是及其昂贵甚至不切实际的。此外，受限于智能诊断模型的独立同分布假设，在工作条件和设备状态的变化影响下，不同时间采集的数据呈现不同的概率分布，难以将之前训练好的诊断模型直接跨领域应用。因此，无监督领域自适应技术越来越受到人们的关注，该技术可以有效地解决领域概率分布差异的问题，通过带标签源领域数据的诊断知识解决目标...
【技术保护点】
1.一种基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，其包括：
2.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，所述平滑交叉熵损失函数表达式为：
3.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，所述核范数损失表达式为：
4.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，所述带有对抗正则器的有监督损失表达式为：
5.根据权利要求4所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，获取所述目标领域数据...
【技术特征摘要】
1.一种基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，其包括：
2.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，所述平滑交叉熵损失函数表达式为：
3.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法，其特征在于，所述核范数损失表达式为：
4.根据权利要求1所述的基于源领域黑盒模型的机械设备迁移故障诊断方法...
【专利技术属性】
技术研发人员：焦金阳，张天，李豪，林京，
申请(专利权)人：北京航空航天大学，
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。