一种深度对抗迁移学习的滚动轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113884300A(43)申请公布日2022.01.04(21)申请号202111123632.3G06N3/04(2006.01)(22)申请日2021.09.24G06N3/08(2006.01)(71)申请人郑州恩普特科技股份有限公司地址450001河南省郑州市高新技术产业开发区西三环路149号5幢A座申请人韩捷(72)发明人雷文平岳帅旭胡鑫李永耀王宏超陈磊李凌均王丽雅陈宏韩捷(74)专利代理机构郑州睿信知识产权代理有限公司41119代理人吴敏(51)Int.Cl.G01M13/045(2019.01)G06K9/62(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种深度对抗迁移学习的滚动轴承故障诊断方法(57)摘要本发明涉及一种深度对抗迁移学习的滚动轴承故障诊断方法，属于机械系统智能诊断领域。本发明采用深度对抗迁移学习的网络模型对滚动轴承故障进行诊断，该模型包括特征提取层、故障分类层、全局域对抗层和局部域对抗层。模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和作为损失函数进行训练，确保在训练过程中通过带故障标签的源域数据实现目标域故障的准确分类。本发明能够在有效构建故障分类器的同时，通过域对抗和类别对抗学习保证其源域故障和目标域故障的共有特征属性处于同一分布上，进而减少源域与目标域的特征分布差异，提高了对滚动轴承的故障分类的准确率。CN113884300ACN113884300A权利要求书1/2页1.一种深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，该方法包括以下步骤：1)获取未知故障类别的滚动轴承振动数据，并将该滚动轴承振动数据作为目标域样本；2)将目标域样本和源域样本输入到深度对抗迁移学习网络中，所述的源域样本为实验环境中滚动轴承在各故障状态下振动数据及其对应的故障类别标签；所述的深度对抗迁移学习网络包括特征提取层、故障分类层、全局域对抗层和局部域对抗层；所述特征提取层用于对目标域样本和源域样本进行特征提取，得到目标域特征数据和源域特征数据；所述的故障分类层对源域特征数据进行预测分类，得到其相应的标签分类损失；所述的全局域对抗层用于对源域特征数据和目标域特征数据进行对抗训练，得到相应的全局域损失；局部域对抗层用于针对滚动轴承每一种故障情况下进行对源域特征数据和目标域特征数据对抗训练，得到相应的局部域类别对抗损失；以标签分类损失、全局域损失和局部域类别对抗损失之和作为总损失对所述深度对抗迁移学习网络进行训练，利用训练后的深度对抗迁移学习网络对目标域的故障诊断。2.根据权利要求1所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述的特征提取层采用ResNet网络。3.根据权利要求1所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述标签分类损失采用的损失函数为：Ly为标签分类损失，其中表示属于c类的概率，ns表示源域样本个数。4.根据权利要求1所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述全局域损失采用的损失函数为：其中Lg表示全局分类损失，di表示输入样本的域标签，ns，nt分别表示源域和目标域样本个数。5.根据权利要求1所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，局部域类别对抗损失采用的损失函数为：Ll表示局部域类别对抗损失；分别为在类别c上的局部域分类器和交叉熵损失；表示输入样本在类别c上的预测概率分布；di表示输入样本的域标签，ns，nt分别表示源域和目标域样本个数。6.根据权利要求1‑5中任一项所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，深度对抗迁移学习网络采用的总损失函数为：L＝Ly+αLg+βLl2CN113884300A权利要求书2/2页L为总损失；Ly为标签分类损失；Lg表示全局分类损失；Ll表示局部域类别对抗损失；α、β为权重平衡参数。7.根据权利要求6所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述的故障分类层采用单层全连接网络，使用Softmax激活函数。8.根据权利要求6所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述的局部域对抗层分为C个类别的分类器每个分类器负责匹配源域与目标域相关类别c，其中，故障分类器对每个样本的输出表示每个样本xi在类别上相关性，c＝1，…C，C为类别个数。9.根据权利要求6所述的深度对抗迁移学习的滚动轴承故障诊断方法，其特征在于，所述局域对抗层和局部域对抗层均采用三个全连接层，相邻两个全连接层之间设置有Relu层和Dropout层。3CN113884300A说明书1/7页一种深度对抗迁移学习的滚动轴承故障诊断方法技术领域[0001]本发明涉及一种深度对抗迁移学习的