【技术实现步骤摘要】
本专利技术涉及机械智能故障诊断领域，特别是涉及一种域自适对抗开放集跨域智能故障诊断方法及其系统。
技术介绍
1、实际工业生产过程中，大型机械设备在故障情况下工作十分危险，并且设备何时发生故障不可预知，附加监测系统不完备，导致机械设备在故障发生后难以获取到足够的故障类型用于训练来解决目标问题。此外，由于高速、偏载及重载等问题，设备运行状态会随着时间的推移而退化，并且实际的生产需求也要求机械设备在不同工作条件下运行，导致即使是相同的故障类型，其故障特征也存在分布差异。因此，一些以源域与目标域共享标签空间假设为前提的智能故障诊断模型在开集条件以及工况复杂等条件下，其故障诊断性能急剧下降。
2、现行的智能机械故障诊断研究主要集中于信号处理、特征提取以及智能模型开发等方面。随着计算机、人工智能行业的高速发展，相较与传统的信号处理方法如傅里叶变换、小波变换等，深度学习和迁移学习方法以其能够自动提取深层故障特征并实现端到端故障诊断的能力备受学者们关注。深度学习方法可以更好地利用高维数据中的低维特征表示，在解决各种分类问题方面具有显著优势。
3、然而在诸多深度学习模型中，一个主要的假设是训练样本和测试样本具有相同的特征空间和标签空间，然而对于机械故障诊断应用来说，由于实际生产需要机器在不同的工况下运行，因此训练数据集和目标数据集之间存在分布差异；此外，难以保证源域与目标域的故障类型完全一致，存在开放集故障诊断场景问题，这导致深度学习模型在其它工况下进行故障诊断时性能严重退化。
4、近几年研究人员以迁移学习思想
5、因此，如何在开放集条件下获取充足的跨域数据特征表示，同时拒绝目标域的私有类，对齐目标域与源域的共享类，以便于满足模型充分收敛以及实现有效迁移的要求仍然存在巨大挑战性。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种域自适对抗开放集跨域智能故障诊断方法及其系统，能够在对齐目标域与源域共享类样本的同时将目标域私有类样本识别为未知类，在开放集故障诊断场景下具备较高的跨域智能故障诊断准确率。
2、为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种域自适对抗开放集跨域智能故障诊断方法，包括以下步骤：
3、s1：模拟开放集故障诊断场景，设置滚动轴承在不同的工况下运行，提取滚动轴承包括但不限于振动信号作为模型的原始输入，将提取的原始输入信号划分为源域和目标域，其中源域故障类型已知，目标域故障类型未知且目标域中的故障类型包括但不限于源域中的已知故障类型；
4、其中，按照故障类型划分样本的标签，则标签空间为：
5、其中为源域与目标域共享类的标签空间；(yukn)为目标域中私有的标签空间；
6、s2：按照给定的长度和步长对不同工况下的原始信号进行截取，获得若干给定长度的故障样本xn＝[x1,x2,...xm]，其中m为给定的样本长度，按照设置的每类故障的样本数量，构建源域和目标域；
7、则源域的样本空间ds和目标域的样本空间dt表示为：
8、表示从分布为ps的源域中选取样本总量为ns的样本，其中每类故障的样本量相同；
9、表示从分布为pt的目标域中选取样本总量为nt的样本，其中每类故障的样本量相同；其中，ps≠pt；
10、源域训练集dstrain、目标域训练集dttrain和目标域测试集dttest表示为：
11、
12、
13、
14、其中ns为源域训练样本量，n1为目标域训练样本量，n2为测试集训练样本量，n1+n2＝nt；
15、s3：构建域自适对抗开放集跨域智能故障诊断模型y(x)，y＝gc1(gf(x))，主要包括特征提取器、梯度反转层、私有类分类器、第一辅助分类器和第二辅助分类器，其中，第一辅助分类器和第二辅助分类器分别为：gc2(·)和gc3(·)，gf(·)为特征提取器计算过程，gc1(·)为私有类分类器计算过程，y为模型对输入样本x故障类型的预测；
16、s4：利用源域训练样本和目标域训练样本对模型进行域自适应对抗训练；
17、s5：输出训练完成的所述域自适对抗开放集跨域智能故障诊断模型，并通过目标域测试集进行验证。
18、在本专利技术一个较佳实施例中，在步骤s3中，所述特征提取器自动提取深层故障特征分别输入私有类分类器、第一辅助分类器和第二辅助分类器；所述私有类分类器用于目标域的故障类型分类，其输出为：(y1,y2,.,.,.,yk,yk+1)；所述第一辅助分类器和第二辅助分类器的输出用于最大化两个分类器分类差异，以便将目标域共享类样本与源域共享类样本对齐，第一辅助分类器和第二辅助分类器的输出为：(y1,y2,.,.,.,yk)。
19、在本专利技术一个较佳实施例中，在步骤s4中，所述域自适应对抗训练的具体步骤包括：
20、s401：为了获得良好的源域共享类和目标域共享类的分类性能，同时训练私有类分类器为目标域中的共享类与私有类建立边界，即优化目标损失函数：
21、
22、
23、其中，η为平衡参数，计算为：η＝(k+3)/10；源域样本的分类损失计算为：ls＝ls1+λ1ls2+λ2ls3，私有类分类器、第一辅助分类器和第二辅助分类器的交叉熵损失ls1、ls2和ls3分别计算为：
24、
25、
26、
27、ladv(xt)＝-tlog(gc1(g(xt))-(1-t)log(1-gc1(g(xt)))，目标域私有类的概率为t；
28、s402：通过优化目标函数，使目标域共享类中的离群样本与源域中的共享类对齐，检测出被排除的离群目标域共享类样本，所述目标函数为：
29、
30、其中，第一辅助分类器和第二辅助分类器对目标样本预测的分歧重新计算为：
31、lwcd＝ω(xt)||gc2(gf(xt))-gc3(gf(xt))||，
32、第一辅助分类器和第二辅助分类器对目标域样本预测的概率分布的熵重新加权目标样本的权重计算如下:
33、
34、其中，z为归一化常数，∑ω(xt)＝1，pk为第一辅助分类器和第二辅助分类器对目标域样本属于共享类c预测概率的平均，计算为：
35、pk＝(1/2)(gc2(gf(xt))+gc3(gf(xt)))；
36、s403：本文档来自技高网...
【技术保护点】
1.一种域自适对抗开放集跨域智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的域自适对抗开放集跨域智能故障诊断方法，其特征在于，在步骤S3中，所述特征提取器自动提取深层故障特征分别输入私有类分类器、第一辅助分类器和第二辅助分类器；所述私有类分类器用于目标域的故障类型分类，其输出为：(y1,y2,.,.,.,yk,yk+1)；所述第一辅助分类器和第二辅助分类器的输出用于最大化两个分类器分类差异，以便将目标域共享类样本与源域共享类样本对齐，第一辅助分类器和第二辅助分类器的输出为：(y1,y2,.,.,.,yk)。
3.根据权利要求1所述的域自适对抗开放集跨域智能故障诊断方法，其特征在于，在步骤S4中，所述域自适应对抗训练的具体步骤包括：
4.一种域自适对抗开放集跨域智能故障诊断系统，其特征在于，包括：
5.根据权利要求4所述的域自适对抗开放集跨域智能故障诊断系统，其特征在于，所述构建故障诊断模型模块构建的域自适对抗开放集跨域智能故障诊断模型中，所述特征提取器自动提取深层故障特征分别输入私有类分类器、第一辅助分类器和第
6.根据权利要求4所述的域自适对抗开放集跨域智能故障诊断系统，其特征在于，所述模型训练模块进行域自适应对抗训练的具体步骤包括：
...【技术特征摘要】
1.一种域自适对抗开放集跨域智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的域自适对抗开放集跨域智能故障诊断方法，其特征在于，在步骤s3中，所述特征提取器自动提取深层故障特征分别输入私有类分类器、第一辅助分类器和第二辅助分类器；所述私有类分类器用于目标域的故障类型分类，其输出为：(y1,y2,.,.,.,yk,yk+1)；所述第一辅助分类器和第二辅助分类器的输出用于最大化两个分类器分类差异，以便将目标域共享类样本与源域共享类样本对齐，第一辅助分类器和第二辅助分类器的输出为：(y1,y2,.,.,.,yk)。
3.根据权利要求1所述的域自适对抗开放集跨域智能故障诊断方法，其特征在于，在步骤s4中，所述域自适应对抗训练的具体步骤包括：
4.一种域自适对抗...
【专利技术属性】
技术研发人员：王波，张猛，潘耀辉，徐浩，杨文龙，汪超，刘良将，时爱民，
申请(专利权)人：滁州学院，
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。