[发明专利]一种风电机组齿轮箱故障的迁移诊断方法

权利要求书

1.一种风电机组齿轮箱故障的迁移诊断方法，其特征在于，包括以下步骤：

步骤1：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；

步骤2：用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；

步骤3：用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；

步骤4：将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入步骤2中得到的域分类器得出该新数据的预测标签。

2.根据权利要求1所述方法，其特征在于，所述源域是在实验室控制条件下获得的风电机组齿轮箱故障模拟数据集，含有大量标注数据；所述目标域是真实风电机组齿轮箱故障数据集，含有少量标注数据或不包含标注数据。

3.根据权利要求1或2所述方法，其特征在于，所述源域特征提取器和目标域特征提取器网络结构一致，用于把相应领域的数据分别映射到特征分布空间；所述域判别器对输入特征的分布差异进行评估从而判断输入的特征来源于源域还是目标域；所述域分类器用以执行最终的分类任务。

4.根据权利要求1或2所述方法，其特征在于，所述步骤2具体包括：

步骤21：随机初始化源域特征提取器和域分类器；

步骤22：将源域数据输入源域特征提取器，经过前向传播过程，得到源域特征，再将源域特征输入域分类器，经过域分类器的前向传播过程，计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数；

步骤23：采用反向传播算法分别计算预训练网络损失函数对域分类器和源域特征提取器的网络参数的偏导数，采用梯度下降算法更新上述两个预训练网络的参数；

步骤24：重复步骤22到步骤23，直到预训练网络收敛。

5.根据权利要求3所述方法，其特征在于，所述步骤2具体包括：

步骤21：随机初始化源域特征提取器和域分类器；

步骤22：将源域数据输入源域特征提取器，经过前向传播过程，得到源域特征，再将源域特征输入域分类器，经过域分类器的前向传播过程，计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数；

步骤23：采用反向传播算法分别计算预训练网络损失函数对域分类器和源域特征提取器的网络参数的偏导数，采用梯度下降算法更新上述两个预训练网络的参数；

步骤24：重复步骤22到步骤23，直到预训练网络收敛。

6.根据权利要求3所述方法，其特征在于，所述步骤3具体包括：

步骤31：用经过预训练的源域特征提取器的参数初始化目标域特征提取器，随机初始化域判别器；

步骤32：分别将源域和目标域的数据输入各自的特征提取器，经过特征提取器的前向传播过程，计算得到源域和目标域特征；将源域和目标域特征一起输入域判别器网络，经过域判别器的前向传播过程，计算出域判别器的损失函数；

步骤33：保持源域和目标域特征提取器网络参数不变，用反向传播算法求域判别器的损失函数对域判别器网络参数的偏导数，并用梯度上升算法更新域判别器网络参数；

步骤34：保持源域特征提取器和域判别器网络参数不变，用反向传播算法求域判别器的损失函数对目标域特征提取器网络参数的偏导数，并用梯度下降算法更新目标域特征提取器的网络参数；

步骤35：重复步骤32到步骤34的过程，直到收敛。

7.根据权利要求1或2所述方法，其特征在于，所述网络训练损失函数是用来评估域分类器在特征识别分类上的评价标准，选择交叉熵作为网络训练损失函数。

8.根据权利要求1或2所述方法，其特征在于，所述域判别器的损失函数是用来对源域特征和目标域特征的分别差异进行评价，选择为J-S散度作为域判别器的损失函数。