[发明专利]一种域对抗自适应一维卷积神经网络智能故障诊断方法

权利要求书

1.一种域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：

包括构建阶段和学习阶段，

所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数；

所述域对抗分类损失函数L为：

其中，表示标签分类损失，表示域分类损失，λ是控制损

失项的超参数；

所述标签分类损失为：

其θ_f表示特征提取器E_y的参数，E_f(x_i；θ_f)表示特征提取器E_f的输出，θ_y表示标签分类器E_y的参数，y_i表示x_i对应的标注的标签；

其中，所述L_y为负对数概率，如式(3)所示：

L_y(E_y(E_f(x_i；θ_f)；θ_y)，y_i)＝-y_ilog(E_y(E_f(x_i；θ_f)；θ_y)) (3)

所述域分类损失为：

其θ_d表示域分类器E_d的参数，E_f(x_i；θ_f)表示特征提取器E_f的输出，d_i表示域标签，θ_f表示标签分类器E_f的参数；

其中，L_d为域对抗损失，如式(5)所示：

L_d(E_d(E_f(x_i；θ_f)；θ_d)，d_i)＝-{d_ilog(E_d(E_f(x_i；θ_f)；θ_d)+(1-d_i)log(1-E_d)(E_f(x_i；θ_f)；θ_d)}(5)；

所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测，采用滚动轴承故障测试数据库，通过在电机驱动端轴承座上方放置的加速度传感器采集得到数据，采样频率包括12KHz和48KHz两种，分别在4种不同的负荷下采集得到；模拟轴承的正常状态、外圈故障、内圈故障和滚动体故障4种故障类型，且每种故障类型都有3种故障程度，得到10种健康状态。

2.如权利要求1所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述构建阶段包括：

获取机械振动信号；

输入样本集；

构建域对抗故障诊断模型；

建立故障诊断的域对抗分类损失函数；权利要求书

其中，机械振动信号区分为源域信号和目标域信号。

3.如权利要求2所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述样本集包括源域样本集X^s、源域标签集Y和目标域样本集X^t。

4.如权利要求3所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述源域样本集X^s为：

其中，N_s表示标记的源域数据D_s中的样本数，s表示源域；

其中，所述标记的源域数据D_s为：

其表示每个源域样本，表示相应的类标签，i表示样本个数，N_t表示为目标域的样本个数。