[发明专利]一种基于重要性加权域对抗自适应的智能故障诊断方法

权利要求书

1.一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，包括如下步骤，

(1)采集旋转机械在两种不同工况下的振动信号，分别对两种工况下的振动信号采用移动时窗进行分割，获得两种工况下的数据集，并将两种工况下的数据集分为源域数据集与目标域数据集；

(2)构造由特征提取器与域分类器组成的域类别识别网络，采用源域数据集与目标域数据集，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重，得到归一化的源域样本的重要性权重；

(3)将特征提取器与类别标签分类器组成故障模式识别网络；

(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应网络；具体过程如下：

a)将源域数据集与目标域数据集，经过特征提取器，得到源域数据集与目标域数据集在高维空间中的域不变特征；

b)根据源域数据集与目标域数据集在高维空间中的域不变特征，通过域判别器D₁进行域类别识别分类，得到域类别标签预测结果；

c)根据域类别标签预测结果以及归一化的源域样本的重要性权重计算重要性加权对抗自适应网络的损失函数，完成重要性加权域对抗自适应网络的构建；

(5)采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络，直至所有的网络参数收敛，然后使用类别标签分类器识别目标域数据集中的旋转机械健康状态。

2.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，步骤(1)的具体过程如下：

1)使用传感器采集滚动轴承在两种不同工况下各故障类型的振动信号；

2)选择最优前进步长，采用移动时窗对振动信号进行分割；分别获得两种工况下的数据集，其中故障类型完整且带有故障标签的工况数据集设置为源域数据集，故障类型不完整且故障标签缺失的数据集设置为目标域数据集。

3.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，步骤(2)中，构造由特征提取器与域分类器D₀组成的域类别识别网络的具体过程如下：

1)将多层一维卷积神经网络层搭建特征提取器；

2)将域分类器通过全连接层与特征提取器进行连接，组成域类别识别网络；根据域类别识别网络，得到域类别标签预测的结果；

3)根据域类别标签预测的结果计算域类别识别网络损失函数，迭代训练域分类器直至稳定；

4)通过训练稳定的域类别识别网络，得到源域样本的重要性权重，根据源域样本的重要性权重，得到归一化的源域样本的重要性权重。

4.根据权利要求3所述的一种基于重要性加权域对抗自适应的智能故障诊断方法，其特征在于，步骤2)的具体过程为：根据源域训练数据集与目标域训练数据集其中，为源域的样本点；为源域样本点的标签；n_s为源域样本点的个数；Y为源域样本的标签空间；为目标域的样本点；为目标域样本点的标签，在训练时目标域标签是不存在的；n_t为目标域样本点个数；Y_sub为目标域样本的标签空间，Y_sub为源域样本的标签空间的子集；通过特征提取器得到振动信号的特征：

式1-1中：为网络输出函数，其中x_s、x_t、θ_h、H_s、H_t分别代表网络输入的源域样本、输入的目标域样本、特征提取器的网络参数、源域样本经过特征提取器后输出的源域特征、目标域样本经过特征提取器后输出的目标域特征；

源域特征与目标域特征经过域分类器D₀，得到域类别标签预测的结果：

式1-2中：sigmoid(·)函数将输入映射到0，1之间；P₀为归一化网络样本的域类别标签预测概率向量；θ_d0代表域分类器D₀的网络参数。