[发明专利]一种面向机电设备的智能故障诊断方法及系统

权利要求书

1.一种面向机电设备的智能故障诊断方法，其特征是：包括以下步骤：

获取目标机器的以往故障数据，构成训练数据；

获取目标机器的实时采集数据，构成测试数据；

构建域自适应网络模型，对网络模型进行训练，并将不同数据的输出进行标记，即：对训练样本和测试样本的特征输出分别标记为1和0，并最小化训练数据和测试数据之间的差异，并对训练数据的特征进行提取和分类；

利用训练好的模型得到测试数据的伪标记，利用加权伪标记测试数据和原始训练数据，对整个网络模型进行至少一次的重训练；

利用重训练后的模型对测试数据进行预测和分类，得到机器的故障诊断结果。

2.如权利要求1所述的一种面向机电设备的智能故障诊断方法，其特征是：所述域自适应网络模型具体包括依次连接的特征提取网络、特征域自适应网络和分类网络。

3.如权利要求2所述的一种面向机电设备的智能故障诊断方法，其特征是：所述特征提取网络的输入是分段的一维原始信号，特征提取网络的前两层卷积核长度大于10；

或，所述特征域自适应网络被配置为对特征提取网络的输出进行标记，对训练样本和测试样本的特征输出分别标记为1和0，然后标记后的数据输入到两个全连接层中，以最小化训练数据和测试数据之间的差异。

4.如权利要求2所述的一种面向机电设备的智能故障诊断方法，其特征是：最小化训练数据和测试数据之间的差异的具体过程为，使特征域自适应网络的损失函数，即训练数据和测试数据的输出之间的差值最小化。

5.如权利要求1所述的一种面向机电设备的智能故障诊断方法，其特征是：使用测试数据的预测结果来重新训练域自适应网络模型的具体过程包括，设测试数据的预测结果为其伪标签，记带有伪标签的测试数据，重新训练域自适应网络模型使用训练数据集和伪标记测试数据集训练分类网络，且在分类损失函数中引入样本权重。

6.如权利要求5所述的一种面向机电设备的智能故障诊断方法，其特征是：重训练分类网络的交叉熵损失函数如下：

其中Y和表示训练数据的真实标签和预测输出，和是测试数据的伪标签和分类器预测输出，η和λ分别是训练数据和测试数据的损失函数权重，且η≥λ。

7.如权利要求1所述的一种面向机电设备的智能故障诊断方法，其特征是：所述重训练过程循环使用，即基于当前重新训练的域自适应网络模型模型预测的测试数据分类结果作为下一次训练的输入。

8.一种面向机电设备的智能故障诊断系统，其特征是：包括：

样本数据构建模块，被配置为获取目标机器的以往故障数据，构成训练数据；获取目标机器的实时采集数据，构成测试数据；

网络模型构建模块，被配置为构建域自适应网络模型，对网络模型进行训练，并将不同数据的输出进行标记，即：对训练样本和测试样本的特征输出分别标记为1和0，并最小化训练数据和测试数据之间的差异，并对训练数据的特征进行提取和分类；

重训练模块，被配置为利用训练好的模型得到测试数据的伪标记，利用加权伪标记测试数据和原始训练数据，对整个网络模型进行至少一次的重训练；

结果输出模块，被配置为利用重训练后的模型对测试数据进行预测和分类，得到机器的故障诊断结果。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一所述的一种面向机电设备的智能故障诊断方法的步骤。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一所述的一种面向机电设备的智能故障诊断方法的步骤。