[发明专利]轴承的跨工况条件对抗诊断方法

权利要求书

1.一种轴承的跨工况条件对抗诊断方法，所述方法包括以下步骤：

第一步骤中，采集滚动轴承在多个不同工况下的振动数据，其中，所述多个工况划分为源域工况和目标域工况；以及，将源域工况下的振动数据分割以生成第一信号样本，所述信号样本按80%比例取出作为用于训练的训练集；并将目标域工况下的振动数据分割以生成第二信号样本后作为测试的测试集样本, 分割所述振动数据生成长度为1024个数据点的信号样本，并随机按照预定比例划分用于测试的测试集和训练的训练集，其中，每一个来自测试集和训练集的信号样本经过归一化处理，其表达式为：

，

是振动数据生成的信号样本，是的均值，是的标准差，表示归一化处理后所得的信号；

第二步骤中，构建训练模块，其包括提取信号特征的特征提取器、对轴承故障分类的分类器和区分特征的工况和故障的鉴别器，其中，特征提取器具有特征提取器参数，分类器具有分类器参数，鉴别器具有鉴别器参数，所述训练集为已知故障标签和工况信息的源域数据集其表达式为：

，

其中，

源域数据集有个样本、类和个源域工况；

为源域工况序号；

是第i个样本，其来自第个源域工况且属于第类，其标签为；

对于的鉴别器标签，其表达式为：；

对于，分类器（C）的输出的表达式为：

，

其中，，是样本 属于第类的概率；

鉴别器实际输出的表达式为：

，

其中，

；

代表鉴别器实际输出时，样本属于第j类的概率；

特征提取器要求鉴别器的理想输出的表达式为：

，

其中，代表特征提取器要求鉴别器理想输出时，样本属于第j类的概率；

第三步骤中，基于训练集训练所述训练模块，包括：

利用BP方法根据第一损失函数更新所述特征提取器参数和分类器参数；

固定所述特征提取器参数，利用第二损失函数更新鉴别器参数；

固定鉴别器参数，利用对抗损失函数更新特征提取器参数；

第四步骤中，基于更新后的分类器和特征提取器构建测试模块，并将测试集样本输入到所述测试模块中进行故障诊断。

2.根据权利要求1所述的方法，其中，第三步骤中，以交叉熵为损失函数，利用BP方法根据如下第一损失函数更新所述特征提取器参数和分类器参数，所述第一损失函数为交叉熵，其表达式为：

；

其中，是样本 属于第k类的概率，表示第n个源域工况一共有个样本。

3.根据权利要求1所述的方法，其中，第三步骤中，固定所述特征提取器参数，利用如下第二损失函数更新鉴别器参数，所述第二损失函数表达式为：

，

其中，j取，N_n表示第n个源域工况一共有N_n个样本。

4.根据权利要求1所述的方法，其中，第三步骤中，所述对抗损失函数为，基于均方误差，其表达式为：

，

其中，N_n表示第n个源域工况一共有N_n个样本。

5.根据权利要求1所述的方法，其中，第三步骤中，对于样本,定义新的变量 ,其表达式为：

，

其中；

，

其中，是将进行变换得到的：相对于，中只包含了故障类别的信息而不包括工况类别的信息；

为了实现分辨故障类别，采用交叉熵定义优化函数，其表达式为：

，

其中，N_n表示第n个源域工况一共有N_n个样本；

单个样本其熵正则定义为如下表达式：

，

其中，是类别数，是样本为第类的概率；

构建熵正则损失函数，其表达式为：

，

其中，j取；

为了实现鉴别器的理想输出，所述对抗损失函数为，其表达式为：

。

6.根据权利要求5所述的方法，其中，

采用域的交叉熵定义损失函数，其表达式为：

，

其中，

是条件概率，domain表示域；

代表鉴别器实际输出时，样本属于第类的概率；

则代表鉴别器实际输出时，样本属于第类的概率；

所述对抗损失函数由如下替代，其表达式为：

。