一种基于对抗迁移学习的轴承剩余寿命预测模型.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114970365A(43)申请公布日2022.08.30(21)申请号202210647786.0G06F119/04(2020.01)(22)申请日2022.06.08(71)申请人昆明理工大学地址650093云南省昆明市五华区学府路253号(72)发明人李卓睿马军王晓东(74)专利代理机构昆明合盛知识产权代理事务所(普通合伙)53210专利代理师吴瑕(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2022.01)G06F17/18(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图1页(54)发明名称一种基于对抗迁移学习的轴承剩余寿命预测模型(57)摘要本发明公开了一种基于对抗迁移学习的轴承剩余寿命预测模型，其特征在于，令χ代表一个特征空间，X是一个特定的样本，P(X)为边缘概率分布；域定义为D＝{χ,P(X)}，X∈χ，将有标签数据的定义为源域DS和没有标签数据的定义为目标域DT；源域中只考虑边缘分布；迁移学习模型是通过学习领域不变特征，无论输入数据来自源域还是目标域，这些特征都服从相同或几乎相同的分布，进而利用有限的故障数据样本训练回归模型。本发明实现基于实验室完备全生命周期数据的训练模型向工业现场应用的跨域迁移，解决工业现场高压隔膜泵滚动轴承运行状态信息不完备和数据分布失衡影响模型性能的难题，为实现滚动轴承全生命周期的实时监测与控制奠定理论和技术支撑。CN114970365ACN114970365A权利要求书1/3页1.一种基于对抗迁移学习的轴承剩余寿命预测模型，其特征在于，令χ代表一个特征空间，X是一个特定的样本，P(X)为边缘概率分布；域定义为D＝{χ,P(X)}，X∈χ，将有标签数据的定义为源域DS和没有标签数据的定义为目标域DT；其中，假设在源域中，标记样本足以构建一个满意的RUL预测器，同时假设源域和目标域的特征只在各自的数据分布上存在差异，即只考虑边缘分布；迁移学习模型是通过学习领域不变特征，无论输入数据来自源域还是目标域，这些特征都服从相同或几乎相同的分布，进而利用有限的故障数据样本训练回归模型，有效地对不同的工作条件下的轴承状态进行迁移RUL估计；基于ChANN的回归实现RUL预测，通过领域分类器和分布差异度量实现领域适配。2.根据权利要求1所述的一种基于对抗迁移学习的轴承剩余寿命预测模型，其特征在于：所述迁移学习模型包含RUL预测和领域自适应两个模块；RUL预测：网络包括1个输入层、2个隐含层(HL1和HL2)和1个输出层(OL)，前3层为特征提取器，最后1层为RUL预测回归；将特征集输入到输入层，经过三层网络进行逐次特征挖掘；域适应：领域适应模块包含一个领域分类器和一个领域分布差异度量；域分类器包含两层，包括一个隐藏层HL3和一个域识别输出层(DDOL)；HL2层的输出是HL3层的输入；在DDOL层执行逻辑回归的二元分类；其中Wd为连接HL3和DDOL的权值，bd为关联偏置，f3表示HL3层的输出；在层DDOL中引入二进制分类器作为域分类器，用于区分某个样本是源域还是目标域；与Kullback‑Leibler散度、Jensen‑Shannon散度等参数测度相比，最大均值差异(MMD)是能够估计分布差异的‑非参数测度，在迁移学习理论中应用较为广泛；假设和分别为源域和目标域HL2层的输出；MMD的平方公式定义如下：其中nS是源域的样本数，nT是目标域的样本数，是再生核希尔伯特空间。3.根据权利要求1所述的一种基于对抗迁移学习的轴承剩余寿命预测模型，其特征在于：所述目标域函数包含以下三个部分：1)源域数据的基本RUL回归误差项；RUL预测模块的回归误差表示为在源域数据上提取的特征与RUL之间的映射关系；定义为均方误差(MSE)的损失函数应最小化；其中m为训练样本的批量大小，yi为真标签值；2)源域和目标域数据的域分类误差项；领域分类误差项：如果一个领域分类器不能通过最大化领域分类误差来区分源域和目2CN114970365A权利要求书2/3页标域，则特征是领域不变的，利用两个参与者以对抗的方式对分布进行对齐：领域分类器和特征提取器；其中Di为实际域标记，d(xi)为预测域标记；3)源域和目标域数据之间的MMD项；MMD误差项：计算和之间的MMD距离最小，定义为：其中K(.,.)为核函数，源域和目标域的批数均为利用高斯径向基函数(RBF)作为核函数；优化的总目标函数为：Lfinal＝Lr‑λLd+μLMMD(6)λ和μ都是非负的超参数，θf、θr和θd为特征提取、RUL回归和域分类器的参数，则：Lfinal(θf,θr)＝Lr(θf,θr)‑λLr(θf