[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

说明书

本发明提供了一种基于通用域适应的的工业物联网设备故障诊断方法，首先，在样本权重学习阶段，根据设计的可迁移性度量为输入的监测数据样本赋予相应的权重，权重表示该样本属于源域和目标域的公共标签集的可能性；其次，在加权对抗训练阶段，利用最小最大博弈有效的匹配源域和目标域公共类别样本的分布，同时得到在目标域上具有鲁棒性的分类器；最后，在目标域故障分类阶段，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为未知类别。本发明提高了整体诊断模型的泛化能力，从而保证了工业监测中健康状态判别的准确性和实时性。

技术领域

本发明涉及工业物联网中故障检测技术领域，具体涉及一种基于通用域适应的工业设备故障诊断方法。

背景技术

随着万物互联的概念出现，物联网技术已渗透到医疗、交通、安全、工业制造等生活的各个方面。在现代制造业务多元化的环境下，工业设备运行工况繁杂多变，恶劣的运行条件更增加了设备性能退化失效的速率和发生故障的概率。为满足传统制造系统向适应现代工业革命的系统过渡的发展需求，具有监控、感知能力的各种控制传感器已被部署到设备的各个组件上，结合传感器收集的状态数据，使用工业物联网技术构建数据驱动的故障诊断模型实现工业设备的实时健康状态监测已成为了工业4.0的主要研究方向之一。

现有的故障诊断方法已经开始关注工业4.0时代下的海量数据处理需求，利用深度学习的自动提取特征和高上限的数据处理能力形成的诊断方案已能初步满足实时性需求；且考虑到深度学习方法的数据密集型特性，尤其是对标签的要求限制了其实际应用，很多研究者将域自适应思想引入了工业故障诊断任务中，结合不同运行条件、工作环境、故障程度的相关源域数据，利用可迁移的知识构建出在目标域上具有相当强的泛化性能的诊断模型。

虽然上述研究放宽了对目标域数据标签的需求，但仍存在着一些限制：(1)现有的方法大多假设源域和目标域具有相同的标签空间，这在实际工业应用中同样难以满足，当源域和目标域的标签空间并不完全相同时，这些方法将由于负迁移而导致性能大幅下降。(2)单一通过置信度判别源域和目标域的公共类别是不够准确的(3)可用的有标签源域数据并不一定是充足的、类别平衡的，源域数据的全面性和平衡性会对构建的模型性能有很重要的影响。针对上述问题，本发明基于通用域自适应，在不对标签空间作出任何假设的前提下，最大限度地从源域数据中提取有价值的信息，构建出可在目标域上泛化的故障诊断网络。

发明内容

本发明提供了一种基于通用域适应的的工业物联网设备故障诊断方法，包括如下步骤：首先，在样本权重学习阶段，根据设计的可迁移性度量为输入的监测数据样本赋予相应的权重，权重表示该样本属于源域和目标域的公共标签集的可能性；其次，在加权对抗训练阶段，利用最小最大博弈有效的匹配源域和目标域公共类别样本的分布，同时得到在目标域上具有鲁棒性的分类器；最后，在目标域故障分类阶段，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为未知类别。

本发明从数据层面弱化对源域信息的品质要求，放宽对样本类别平衡的限制，并进一步摆脱有关标签空间先验知识的依赖，提高了整体诊断模型的泛化能力，从而保证了工业监测中健康状态判别的准确性和实时性。具体步骤如下：

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，该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。

其中目标域样本级权重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：