[发明专利]一种基于深度领域自适应的振动数据故障分类方法

权利要求书

1.一种基于深度领域自适应的振动数据故障分类方法，先利用样本数据构建故障分类模型，再利用该故障分类模型对待诊断的振动数据进行故障诊断和故障分类，其特征在于，所述构建故障分类模型，包括以下步骤：

S1，获取样本数据，并根据样本数据构建源域D_s和目标域D_t；所述源域D_S包括部分样本数据，所述目标域D_t也包括部分样本数据，且所述源域D_S中的样本数据与所述目标域D_t中的样本数据不相同；所述源域D_S中的样本数据的数量远大于所述目标域D_t中的样本数据的数量；

S2，利用源域D_s中的样本数据构建一个分类器f:X→Y；其中，X表示样本数据的输入空间，Y表示样本数据的类别空间；

S3，对源域D_s和目标域D_t中的样本数据构造配对样本，所述配对样本包括两个样本数据，一个是属于源域D_s中的样本数据，另一个是属于目标域D_t中的样本数据，且该两个样本数据属于不同领域；所述不同领域是指不同工况，即不同的工作环境；

S4，构建一个孪生网络，将配对样本作为训练样本输入到所述孪生网络中，并得到配对样本的最终损失函数；

S5，对最终损失函数进行优化，并根据优化结果更新所述分类器f:X→Y的模型参数，得到训练完成后的故障分类模型；

步骤S1中，源域

其中，表示源域D_s中的第i个样本数据，表示源域D_s中的第i个样本数据的标记内容即故障类型，且所述源域D_s共包括n个样本数据；i表示第i个，s表示源域；

目标域

其中，表示目标域中D_t的第j个样本数据，表示目标域D_t中的第j个样本数据的标记内容即故障类型，且所述目标域D_t共包括m个样本数据，m＜＜n；j表示第j个，t表示目标域；

所述源域D_s和所述目标域D_t中的样本数据的输入空间X和类别空间Y均相同，即X_s＝X_t，Y_s＝Y_t；其中，X_s、X_t分别表示源域D_s和目标域D_t中的样本数据的输入空间；Y_s、Y_t分别表示源域D_s和目标域D_t中的样本数据的类别空间；

所述源域D_s和所述目标域D_t中的样本数据的边缘分布不同，即P(X_s)≠P(X_t)；其中，P(X_s)、P(X_t)分别表示源域D_s和目标域D_t中的样本数据的边缘分布；

步骤S2中，所述分类器f:X→Y的模型为

其中，g：X→Z表示从输入空间到特征子空间的映射；且将该映射g：X→Z的参数记为θ_g；Z表示特征子空间；

h：Z→Y表示从特征子空间到类别空间的映射；且将该映射h：Z→Y的参数记为θ_h；

即所述分类器的模型参数包括θ_g和θ_h；

步骤S3中，所述配对样本是一个四元组，用表示；

其中，表示源域D_s中的第i个样本数据；表示目标域D_t中的第j个样本数据；表示源域D_s中的第i个样本数据的标记内容即故障类型；i＝1,2,3,…,n，j＝1,2,3,…,m；

p_ij为配对标签，表示此两个样本数据即和的故障类型是否一致，若一致，则p_ij＝0；若不一致，则p_ij＝1；

步骤S4中，所述孪生网络包括两个孪生子网络，分别为第一子网络和第二子网络；其中，所述第一子网络的输入为配对样本中的属于源域D_s的样本数据所述第二子网络的输入为配对样本中的属于目标域D_t的样本数据

该两个孪生子网络的结构相同、参数共享；所述结构相同是指从输入空间到特征子空间的映射g：X→Z相同，即从输入层到特征层的结构相同；所述参数共享是指从输入空间到特征子空间的映射g：X→Z的参数θ_g共享；

所述第一子网络在从输入空间到特征子空间的映射g：X→Z之后即在特征层之后还连接了一个从特征子空间到类别空间的映射h：Z→Y，该映射h：Z→Y用于对源域D_s的样本数据进行分类；

步骤S4中，所述第一子网络和所述第二子网络均采用结构相同、参数共享的卷积网络完成从输入空间到特征子空间的映射g：X→Z；所述卷积网络的网络架构，从上到下依次为：输入层、卷积层、池化层、卷积层、池化层、弃权层、拉平层、全连接层1、全连接层2，且每一层的输出即为下一层的输入；

所述第一子网络还在全连接层2之后，连接了一个柔性最大值层即softmax层；

步骤S4中，对此孪生网络进行多层适配，所述多层适配是对全连接层1和全连接层2进行适配，具体包括以下步骤：

S41，分别将第一子网络的全连接层1和全连接层2的输出发送至对比损失函数，还分别将第二子网络的全连接层1和全连接层2的输出发送至该对比损失函数，以计算该配对样本的对比损失；

所述对比损失函数L_contrastive如下式所示：

其中，α为平衡因子，1＞α＞0；

l＝1表示全连接层1，l＝2表示全连接层2；表示配对样本在全连接层1的对比损失；表示配对样本在全连接层2的对比损失；

所述配对样本在l层的对比损失即的计算方式如下所示：

其中，L^l_S(z^l(x^s),z^l(x^t))表示配对样本中的两个样本数据的故障类型一致时的在l层的对比损失；L^l_D(z^l(x^s),z^l(x^t))表示配对样本中的两个样本数据的故障类型不一致时的在l层的对比损失；p_ij为配对标签，表示此两个样本数据即和的故障类型和是否一致，若一致，则p_ij＝0；若不一致，则p_ij＝1；

z^l(·)表示孪生子网络中的l层的输出；β为设定的阈值，β＞0；

S42，将第一子网络的softmax层的输出以及配对样本中的属于源域D_s的样本数据的标记内容发送至交叉熵损失函数以计算该配对样本的交叉熵损失即分类损失；

所述交叉熵损失函数L_{classification}即如下式所示：

表示源域D_s中的第i个样本数据的预测分类结果为其所标记内容的故障类型的概率值；

表示源域D_s中的第i个样本数据的预测分类结果不为其所标记内容的故障类型的概率值；

h表示从特征子空间到类别空间的映射，即，模型通过提取的故障特征判断该故障具体属于哪种故障类别；

S43，根据配对样本的对比损失和交叉熵损失，得到配对样本的最终损失函数L，所述配对样本的最终损失函数L如下式所示：

L＝L_{classification}+L_contrastive。