[发明专利]基于通用域适应的工业物联网设备故障诊断方法

权利要求书

1.一种基于通用域适应的的工业物联网设备故障诊断方法，其特征在于，包含如下步骤：

步骤一：样本权重学习

为了有效迁移源域的可用知识，避免盲目迁移造成的负迁移，根据设计的多种不确定量，为输入的监测数据赋予相应的权重，其中源域样本权重为类别级权重，目标域样本由于缺乏标签，赋予样本级权重，样本级权重代表对应样本属于源域和目标域的公共标签集的可能性，即可迁移性的度量；

步骤二：加权对抗训练

构建整体诊断网络，同时依据样本权重学习模块输出的各样本的可迁移性度量，为不同样本在训练过程中所做的贡献进行重要性分配，公共标签集中的样本在训练中具有更高的权重，从而有效的匹配源域和目标域公共类别样本的分布，进一步采用对抗训练的方式优化整体诊断网络；

步骤三：目标域故障分类

根据输入的目标域待诊断样本，结合网络输出的该样本的可迁移性度量，判断样本类别属于公共标签集或目标域私有标签集，从而将样本归为源域标签集中的某一类或标记未知类别，分类器在步骤二中加权对抗训练完成，且考虑源域样本分布不平衡的弥补机制，进一步输出当前设备的健康状态；

所述步骤一中的目标域的样本级权重w^t由多种互补的不确定量构成，包括熵w_e、域相似性w_s、置信度w_c和不一致性w_d，计算公式如下：

对目标域样本的预测结果进行求和，来计算源域各类别的权重：

其中表示输入目标域无标签样本后分类器输出的概率分布，x表示输入的样本，X_t表示目标域的样本空间，所述分类器采用softmax分类器；

计算所述的不一致性，构造两个初始化不同但结构相同的分类器G₁，G₂和一个辅助域判别器D′，均不参与对抗训练，其中辅助域判别器用源域有标签数据和目标域无标签数据进行训练，分类器用源域有标签的数据进行充分训练，因此辅助域判别器可以准确区分源域样本和目标域样本，而两个独立的分类器都能较好的对源域数据进行分类，损失函数如下：

L(G_i)＝E_(x,y)～pL(y,G_i(F(x))) (3)

L(D′)＝-E_x～plogD′(F(x))-E_x～qlog(1-D′(F(x)) (4)

其中，G_i(i＝1,2)表示两个独立的分类器，D′表示辅助域判别器，F表示特征提取器，E表示数学期望，x表示输入样本，y表示样本对应的标签，p表示源域数据的分布，q表示目标域数据的分布，损失L采用标准交叉熵损失；

各不确定量计算公式如下：

其中，表示第i个分类器对该目标域样本做出的预测，表示第i个分类器预测该目标域样本属于第j类的概率，指对应样本的域判别器输出，max()表示选取预测概率最大的一项，同时通过最小-最大规范化将所述不确定量统一在[0,1]内，C^s表示源域的标签集。

2.根据权利要求1所述的基于通用域适应的的工业物联网设备故障诊断方法，其特征在于：所述步骤二中构建的诊断网络包括特征提取器F、域判别器D、分类器G网络模块；

样本输入特征提取器获得高维特征，并馈入域判别器和分类器中；域判别器根据输入的特征输出域相似性，判断输入样本属于源域还是目标域；同时分类器根据输入的特征输出基于源域类别的伪概率向量判断样本的具体类别。