[发明专利]基于多尺度权重选择对抗网络的部分迁移故障诊断方法

权利要求书

1.一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，其特征在于，该方法具体包括以下步骤：

S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；

S2：利用深度学习构建多尺度域对抗网络(Multiscale domain adversarialnetwork,MDAN)；

S3：构建多尺度权重选择机制；

S4：结合多尺度权重选择机制和MDAN构建多尺度权重选择对抗网络(Multi-scaleweight selection adversarial network,MWSAN)；

S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；

S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。

2.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S1中，利用滑动采样技术扩充故障样本数据集。

3.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S2构建的MDAN网络包括特征提取器、多尺度分类器和域分类器；

所述特征提取器包括卷积层、最大池化层、BN层、全局平均池化层和激活层；

所述多尺度分类器包括激活层、全连接层和Dropout层；

所述域判别器包括梯度反转层、激活层和全连接层。

4.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S3中，构建的多尺度权重选择机制包括实例权重和类权重；

(1)实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本输入到MDAN中，得到第k个分类器的输出

其中，代表第i个目标域样本由特征提取器输出的特征向量；表示第k个分类器的输出特征向量；G_f是特征提取器，G_y是多尺度分类器，σ(·)是softmax函数；是第k个分类器的Softmax输出，也是在源域标签空间的概率分布，看作是目标域样本获得的实例权重，即

(2)类别权重：假设第k个分类器的输出服从高斯分布求解每个类别的概率密度定义为：

其中，n为的样本大小，u为均值，∑为方差；

①对于有标签的源域样本，采用极大似然估计法去估计第c类的高斯分布第c类的似然函数定义为：

其中，和表示源域中第c类的均值和方差；ns_c表示源域中第c类的样本大小，并满足：

然后，通过计算式(5)的偏微分，获得均值和方差的计算公式：

最后，重复式(5)～(7)，计算得到该源域所有类别的高斯分布参数；

②对于无标签目标域样本，通过经典的高斯混合模型去近似评估目标域类的高斯分布参数，其中第j个高斯成分表示为此时，目标域获得的高斯成分的标签是未知的；利用Wasserstein距离去计算目标域中的高斯成分与源域中每个高斯分布之间的相似度；两个高斯分布之间的Wasserstein距离被定义为：

通过式(8)，计算得到所有源域和目标域类别之间的Wasserstein距离；第k个分类器的第i个目标域在源域标签空间的最大相似度被定义为：

其次，第k个分类器的类别权重w_ck(i)通过式(10)计算得到：

最后，考虑所有K个分类器的权重融合，最后获得实列权重和类别权重w_c，分别通过式(11)和(12)得到；