【技术实现步骤摘要】
本专利技术涉及轴承故障诊断领域，具体提供一种基于对抗域适应的滚动轴承故障诊断方法及装置。
技术介绍
1、基于机器学习的轴承故障诊断算法需要先对轴承诊断信号处理，然后依赖于专家知识经验进行主观判断，具有一定的不确定性。深度学习的出现为轴承故障诊断领域提供了新的方法，使用深度学习技术，算法能够自动化学习并优化参数选择，降低人为干预的风险，并且可以在一定程度上提高轴承故障诊断的准确性和鲁棒性。
2、尽管深度学习在轴承故障诊断方面取得了一些成果，但是现阶段所采用的数据都是实验室模拟产生的，在实际生产过程中，很难收集到轴承故障数据。由于缺乏数据，所以很难训练出可靠的深度学习模型。
技术实现思路
1、本专利技术是针对上述现有技术的不足，提供一种实用性强的基于对抗域适应的滚动轴承故障诊断方法。
2、本专利技术进一步的技术任务是提供一种设计合理，安全适用的基于对抗域适应的滚动轴承故障诊断装置。
3、本专利技术解决其技术问题所采用的技术方案是：
4、一种基于对抗域适应的滚动轴承故障诊断方法，包括以下步骤：
5、s1、预训练阶段：使用源域数据训练特征提取器和分类器；
6、s2、对抗适应阶段：对源域数据和目标域数据训练特征提取器和判别器；
7、s3、测试阶段：目标域数据训练特征提取器和分类器，目标域上测试。
8、进一步的，在步骤s1中，
9、首先，使用带有标签的源域数据以有监督的方式训练源域特征提
10、
11、其中，表示源域的标签，k表示类别的数量，es表示源域特征提取器，c表示分类器，lce表示交叉熵损失，yi∈ys是一个指标函数，当参数为真时返回1。
12、进一步的，在步骤s2中，进一步包括：
13、s201、训练判别器；
14、s202、训练特征提取器。
15、进一步的，在步骤s201中，从源域和目标域随机抽取一批不带有标签的数据，然后使用特征提取器提取不带有标签数据的特征，用不带有标签数据的特征作为输入训练判别器，能够区分特征是来自源域还是目标域，其中判别器损失函数表示为ld，计算公式如下所示：
16、
17、其中，es表示源域特征提取器，et表示目标域特征提取器，xs表示源域数据，xt表示目标域数据，d(es(xs))表示源域模型映射，d(et(xt))表示目标域模型映射，表示源域标签相同的数学期望，表示目标域的数学期望。
18、进一步的，在步骤s202中，需要更新特征提取器的参数，生成对判别器来说更难以区分特征的来源，为此，需要使用目标域数据，计算判别器在数据上的损失，并通过反向传播更新特征提取器的参数，在这个过程中，判别器的参数保持固定；
19、直到达到预设的迭代次数或者判别器的损失低于阈值。
20、进一步的，在步骤s3中，将目标域的标签传入训练好的目标域特征提取器et，然后将输出特征传递给预训练的分类器c以预测相应样本的类别。
21、进一步的，使用softmax函数来计算给目标域的输入实例每个类的概率，使用focal loss损失函数，关注难以分类样本，计算公式如下所示：
22、flsoftmax＝-αc(1-pc)γlog(pc)
23、其中，αc表示第c类样本的权重，pc表示经过softmax输出的第c类的概率值，通过αc控制正负样本数量不平衡问题，通过γ控制容易或者难区分样本的数量。
24、一种基于对抗域适应的滚动轴承故障诊断装置，包括：至少一个存储器和至少一个处理器；
25、所述至少一个存储器，用于存储机器可读程序；
26、所述至少一个处理器，用于调用所述机器可读程序，执行一种基于对抗域适应的滚动轴承故障诊断方法。
27、本专利技术的一种基于对抗域适应的滚动轴承故障诊断方法及装置和现有技术相比，具有以下突出的有益效果：
28、本专利技术结合通道注意力机制和focalloss损失函数，以解决源域和目标域之间的共享特征挖掘不充分、分类器在训练过程中的泛化能力不足和少量数据难以训练出可靠的深度学习模型等问题。
本文档来自技高网...【技术保护点】
1.一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤S1中，
3.根据权利要求2所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤S2中，进一步包括：
4.根据权利要求3所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤S201中，从源域和目标域随机抽取一批不带有标签的数据，然后使用特征提取器提取不带有标签数据的特征，用不带有标签数据的特征作为输入训练判别器，能够区分特征是来自源域还是目标域，其中判别器损失函数表示为LD，计算公式如下所示：
5.根据权利要求4所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤S202中，需要更新特征提取器的参数，生成对判别器来说更难以区分特征的来源，为此，需要使用目标域数据，计算判别器在数据上的损失，并通过反向传播更新特征提取器的参数，在这个过程中，判别器的参数保持固定；
6.根据权利要求5所述的一种基于对抗域适应的滚动轴承故障诊断方法
7.根据权利要求6所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，使用softmax函数来计算给目标域的输入实例每个类的概率，使用FocalLoss损失函数，关注难以分类样本，计算公式如下所示：
8.一种基于对抗域适应的滚动轴承故障诊断装置，其特征在于，包括：至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤s1中，
3.根据权利要求2所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤s2中，进一步包括：
4.根据权利要求3所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤s201中，从源域和目标域随机抽取一批不带有标签的数据，然后使用特征提取器提取不带有标签数据的特征，用不带有标签数据的特征作为输入训练判别器，能够区分特征是来自源域还是目标域，其中判别器损失函数表示为ld，计算公式如下所示：
5.根据权利要求4所述的一种基于对抗域适应的滚动轴承故障诊断方法，其特征在于，在步骤s202中，需...
【专利技术属性】
技术研发人员：苗霖，李存冰，陈焕新，林雨，杨建，朱龙，张翔，
申请(专利权)人：浪潮软件科技有限公司，
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。