【技术实现步骤摘要】
本专利技术涉及故障诊断，特别涉及一种基于多核判别联合概率最大均值差异的轴承故障诊断方法及系统。本专利技术可应用于轴承加工生产、工业异常检测、图像处理等领域。
技术介绍
1、随着机器学习的发展，越来越多的智能诊断方法被提出、被应用到轴承故障诊断中，其中基于深度学习(deep learning，dl)的智能诊断方法占据了主流。相较于传统故障诊断方法的效率低下、依靠经验、花费较大等缺点，基于深度学习的智能诊断方法拥有高效性、高准确性、低专业性等优点，因此被广泛使用在各类故障诊断过程中，并取得了良好的效果。但是基于dl的故障诊断方法具有良好表现的前提是需要满足两项关键的条件：丰富的标签数据以及训练与测试数据间的独立同分布。由于工作条件的变化以及工作环境的影响，数据间的分布差异使得基于dl的方法难以训练出具有高泛化性能的鲁棒故障诊断模型。
2、迁移学习试图将训练好的知识从标记域(即源域)迁移到类似的域(即目标域)，没有标签，但共享语义信息来辅助深度学习克服上述所提到的局限性。作为迁移学习的代表方法之一，无监督域适应(unsupervised domain adaptation，uda)方法通过挖掘域不变特征表示，弥合源域与目标域之间的域偏差。目前的无监督域适应方法，假设源域与目标域具有相同的标签空间。目前的无监督域适应方法主要存在以下问题：首先，未考虑内部协变量偏移的影响，仅在全连接层中对源域和目标域数据分布进行了对齐；其次，基于迁移学习的故障诊断方法旨在学习两个域的域不变特征，而忽略了模型在目标域上的泛化。总之，目前的无监督
技术实现思路
1、针对现有技术中的部分或全部问题，本专利技术提供一种基于多核判别联合概率最大均值差异的轴承故障诊断方法，该方法包括如下步骤：
2、将采集到的原始振动信号构建标签源域与无标签目标域；
3、提取所述源域与所述目标域的特征，依次输入源域的全连接层与目标域的全连接层；
4、使用源域数据训练神经网络，构建独热码矩阵和伪标签矩阵；
5、根据源域数据集，计算所述神经网络的经验风险；
6、计算所述源域与所述目标域全连接层的多核判别联合概率最大均值差异；
7、将多核判别联合概率最大均值差异嵌入所述神经网络的自适应层，构建深度联合概率适应网络；
8、使用所述经验风险、所述最大均值差异构建所述深度联合概率适应网络的整体目标函数；以及
9、将所述整体目标函数放入所述深度联合概率适应网络执行训练，使用训练好的深度联合概率适应网络执行故障诊断。
10、进一步地，提取所述源域与所述目标域的特征，依次输入源域的全连接层与目标域的全连接层包括：
11、使用卷积层提取所述源域与所述目标域的特征；
12、所述源域的全连接层的层激活输出矩阵为其中表示全连接层的索引；
13、所述目标域的全连接层的层激活输出矩阵为
14、进一步地，使用源域数据训练神经网络，构建独热码矩阵和伪标签矩阵包括：
15、使用源域数据训练神经网络，构建源域数据矩阵xs对应标签的独热码矩阵ys；
16、将所述神经网络用于目标域数据执行标签预测，构建目标域数据的伪标签矩阵
17、进一步地，所述神经网络的经验风险为，
18、
19、其中，n表示源域数据集的样本数量，j表示交叉熵损失函数，xs，i表示源域数据，ys，i表示网络对源域数据xs，i的预测结果，θ(xs，i)表示能够输出网络对数据xs，i预测为ys，i的概率，θ表示神经网络，该神经网络的参数由定义，和表示第层神经元的权重和偏置。
20、进一步地，所述交叉熵损失函数的计算公式为，
21、
22、其中，n表示源域数据集的样本数量，k表示类别的数量；yic表示符号函数，当源域数据xs，i属于类别c的时候yic＝1，否则yic＝0，pic表示源域数据xs，i属于类别c的概率。
23、进一步地，所述源域与所述目标域全连接层的多核判别联合概率最大均值差异为，
24、
25、其中，分别表示源域和目标域在同一类别上、不同类别上的联合概率差异；表示全连接层的索引；n表示源域数据集的样本数量，m表示目标域数据集的样本数量，c表示样本类别，nc表示源域数据集中属于类别c的样本数量，表示目标域数据集中预测为类别c的样本数量；分别表示源域中第i、j个样本在第层中的特征表示向量，分别表示目标域中第i、j个样本在第层中的特征表示向量，表示在第层使用的核函数；μ表示平衡参数，用于调节同一类别上和不同类别上的联合概率差异的权重；分别表示类别c中源域第i、j个样本的特征表示向量，分别表示类别c中目标域第i、j个样本的特征表示向量，表示预测为类别c的目标域第j个样本的特征表示向量。
26、进一步地，所述整体目标函数为，
27、
28、其中，n表示源域数据集的样本数量，表示全连接层的索引，λ>0表示惩罚系数；表示深度联合概率适应网络的经验风险；表示源域与目标域全连接层的多核判别联合概率最大均值差异。
29、本专利技术还提供一种基于多核判别联合概率最大均值差异的轴承故障诊断系统，该系统包括以下模块：
30、源域与目标域构建模块，被配置为将采集到的原始振动信号构建标签源域与无标签目标域；
31、特征提取模块，被配置为提取所述源域与所述目标域的特征，依次输入源域的全连接层与目标域的全连接层；
32、矩阵构建模块，被配置为使用源域数据训练神经网络，构建独热码矩阵和伪标签矩阵；
33、经验风险计算模块，被配置为根据源域数据集，计算所述神经网络的经验风险；
34、最大均值差异计算模块，被配置为计算所述源域与所述目标域全连接层的多核判别联合概率最大均值差异；
35、深度联合概率适应网络构建模块，被配置为将多核判别联合概率最大均值差异嵌入所述神经网络的自适应层，构建深度联合概率适应网络；
36、整体目标函数构建模块，被配置为使用所述经验风险、所述最大均值差异构建所述深度联合概率适应网络的整体目标函数；以及
37、故障诊断模块，被配置为将所述整体目标函数放入所述深度联合概率适应网络执行训练，使用训练好的深度联合概率适应网络执行故障诊断。
38、本专利技术还提供一种计算机系统，包括：
39、处理器，其被配置为执行机器可读指令；
40、具有人工智能芯片的显卡，其被配置为训练基于多核判别联合概率最大均值差异的轴承故障诊断方法；以及
41、存储器，其被配置为存储有机器可读指令，所述机器可读指令在被处理器和/或显卡执行时执本文档来自技高网...
【技术保护点】
1.一种基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，提取所述源域与所述目标域的特征，依次输入源域的全连接层与目标域的全连接层包括：
3.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，使用源域数据训练神经网络，构建独热码矩阵和伪标签矩阵包括：
4.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，所述神经网络的经验风险为，
5.根据权利要求4所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，所述交叉熵损失函数的计算公式为，
6.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，所述源域与所述目标域全连接层的多核判别联合概率最大均值差异为，
7.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，所述整体目标函数为，
8.一
9.一种计算机系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其上存储有机器可读指令，所述机器可读指令在被处理器执行时执行根据权利要求1-7之一所述的方法的步骤。
...【技术特征摘要】
1.一种基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，提取所述源域与所述目标域的特征，依次输入源域的全连接层与目标域的全连接层包括：
3.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，使用源域数据训练神经网络，构建独热码矩阵和伪标签矩阵包括：
4.根据权利要求1所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法，其特征在于，所述神经网络的经验风险为，
5.根据权利要求4所述的基于多核判别联合概率最大均值差异的轴承故障诊断方法...
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。