[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

说明书

本发明公开了一种域对抗自适应一维卷积神经网络智能故障诊断方法，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；本发明域对抗自适应一维卷积神经网络智能故障诊断方法，实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征，提高故障诊断系统的诊断性能和鲁棒性。

技术领域

本发明涉及的机械故障诊断技术领域，尤其涉及一种域对抗自适应一维卷积神经网络智能故障诊断方法。

背景技术

近年来，随着深度学习的发展，机械旋转零部件的智能故障诊断性能得到显著提高，传统的滚动轴承智能故障诊断一般假设在同一分布中提取标记训练数据和未标记测试数据，然而，在许多实际应用中，这种假设并不成立，比如工作环境发生变化(转速变化、负载变化等)、机器噪声等，使得故障诊断系统存在较大的性能退化，进而严重影响故障诊断系统的诊断性能和鲁棒性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有域对抗自适应一维卷积神经网络智能故障诊断方法存在如何解决故障诊断系统的诊断性能和鲁棒性的问题。

为解决上述技术问题，本发明提供如下技术方案：一种域对抗自适应一维卷积神经网络智能故障诊断方法，包括：

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：