[发明专利]域不对称因子加权的滚动轴承故障深度局部迁移诊断方法

权利要求书

1.域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：

步骤1：获取源滚动轴承R种健康状态时的振动信号样本集其中，为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为M_s为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集其中，为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，M_t为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；

步骤2：构建领域共享的深度残差网络，网络的待训练参数为θ_ResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征其中，为第m个源滚动轴承健康状态样本的深度迁移故障特征，为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F₁代表深度残差网络的F₁层；

其特征在于：

步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θ_adv，领域混淆网络的输入为深度迁移故障特征输出为领域混淆特征其中，为第m个源滚动轴承健康状态样本的领域混淆特征，为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θ_adv，即：

每次迭代更新后，将领域混淆网络的待训练参数θ_adv截断在范围{-ξ,ξ}内；

步骤4：执行步骤3迭代更新n_adv次领域混淆网络参数θ_adv后，计算第m个源滚动轴承深度迁移特征的域不对称因子

步骤5：提取深度残差网络F₂层的适配层故障特征其中，为第m个源滚动轴承健康状态样本的适配层故障特征，为第n个目标滚动轴承健康状态样本的适配层故障特征，F₂代表深度残差网络的特征适配层F₂层；然后利用步骤4获得的域不对称因子加权计算适配层特征的多核植入最大均值差异D(X^s,X^t)，即：

式中，k(·,·)为多项式核函数；a_u为第u个多项式核函数的斜率；U为植入的多项式核函数的个数；β_u为第u个多项式核植入的最大均值差异的权重系数，且β_u∈β^*，其中β^*为最优权重系数，通过求解如下优化问题获得：

其中，且β_u≥0；

步骤6：利用Softmax激活函数预测深度残差网络F₃层特征属于源滚动轴承健康状态的概率分布其中，为预测的第m个源滚动轴承振动样本的健康状态概率分布，为预测的第n个目标滚动轴承振动样本的健康状态概率分布，F₃代表深度残差网络的输出层F₃层；然后结合步骤5所得的多核植入最大均值差异，最小化如下目标函数更新深度残差网络的待训练参数θ_ResNet，即：

式中，λ为深度残差网络训练的正则项惩罚系数；

步骤7：重复依次执行步骤3～步骤6训练领域混淆网络与深度残差网络组成的局部迁移诊断模型，待局部迁移诊断模型训练完成后，将目标滚动轴承的第n个无标记健康样本输入局部迁移诊断模型的深度残差网络中，取深度残差网络输出的目标滚动轴承振动样本健康状态概率分布中最大概率值所对应的健康标记作为目标滚动轴承第n个无标记健康样本的健康状态。