[发明专利]变工况下动态联合分布对齐网络的轴承故障诊断方法

权利要求书

1.一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，包括以下步骤：

S1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；

其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；

S2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；

S3、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；

所述分类器对所述高层次特征进行处理，生成源域样本的预测标签和目标域样本的软伪标签，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失；

运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离；

S4、根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；

S5、利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型，获得优化后的深度卷积神经网络模型；

S6、将目标域样本输入优化后的深度卷积神经网络模型，获得目标域的预测标签；将所述目标域的预测标签与所述目标域的真实标签进行对比，获得诊断精度；

其中，所述S3中，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离，具体包括：

加权条件分布距离

其中，和表示相应样本的权重，计算公式如下：

其中，是第i个样本x_i对应的软标签y_i的第c个位置上的值，表示源域中第i个样本，表示目标域中第j个样本；

对于源域样本，y_i是样本x_i真实标签的独热向量；

对于目标域样本，y_i是经过分类器输出的概率分布分类器输出的概率分布由C个元素组成的向量，每个元素表示样本属于该标签的概率。

2.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S1包括：

建立不同工作负载的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，其中，数据集为源域或目标域；

以连续N个采样点为一个样本长度切割样本制作数据集，获得源域样本和目标域样本；

其中，源域样本表示C种不同标签的样本组成的源域，表示源域中第i个样本，表示源域中第i个样本的标签，n_s为源域样本总数；

目标域样本表示目标域中第j个样本，n_t为目标域中所有的样本数；源域的数据在概率分布P_s下采集，目标域的数据在概率分布P_t下采集，P_s≠P_t；源域和目标域的数据服从不同的分布。

3.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2包括：

修改深度卷积神经网络模型的ResNet-50的结构，修改最后一层完全连接层输出的神经元数量等于标签总数。

4.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2和S3之间还包括：

对源域样本和时域样本做快速傅里叶变换，获得频域下的源域样本和时域样本。

5.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2中分类器为softmax分类器。