[发明专利]一种基于深度领域自适应的振动数据故障分类方法

摘要

本发明公开了一种基于深度领域自适应的振动数据故障分类方法，包括：构建含有大量样本数据的源域和含有少量样本数据的目标域；利用源域中的样本数据构建一个分类器；根据源域和目标域中的不同领域下的样本数据构造配对样本；构建一个孪生网络，将配对样本作为训练样本输入到所述孪生网络中进行领域适配，并得到配对样本的最终损失函数；对最终损失函数进行优化，并得到训练完成后的故障分类模型。本发明解决了现有的深度网络模型在故障样本数据不足条件下诊断效果差的问题，将深度学习和迁移学习中的领域自适应方法相结合，最大化地利用已有数据，提高了模型的泛化能力，从而获得更好的分类准确度。

主权项

1.一种基于深度领域自适应的振动数据故障分类方法，先利用样本数据构建故障分类模型，再利用该故障分类模型对待诊断的振动数据进行故障诊断和故障分类，其特征在于，所述构建故障分类模型，包括以下步骤：S1，获取样本数据，并根据样本数据构建源域D_s和目标域D_t；所述源域D_S包括部分样本数据，所述目标域D_t也包括部分样本数据，且所述源域D_S中的样本数据与所述目标域D_t中的样本数据不相同；所述源域D_S中的样本数据的数量远大于所述目标域D_t中的样本数据的数量；S2，利用源域D_s中的样本数据构建一个分类器f:X→Y；其中，X表示样本数据的输入空间，Y表示样本数据的类别空间；S3，对源域D_s和目标域D_t中的样本数据构造配对样本，所述配对样本包括两个样本数据，一个是属于源域D_s中的样本数据，另一个是属于目标域D_t中的样本数据，且该两个样本数据属于不同领域；所述不同领域是指不同工况，即不同的工作环境；S4，构建一个孪生网络，将配对样本作为训练样本输入到所述孪生网络中，并得到配对样本的最终损失函数；S5，对最终损失函数进行优化，并根据优化结果更新所述分类器f:X→Y的模型参数，得到训练完成后的故障分类模型。