[发明专利]一种基于子空间的异构迁移故障诊断方法、系统和模型

权利要求书

1.一种基于子空间的异构迁移故障诊断方法，其特征在于，首先获取用于对测试数据进行分类识别的故障分类模型，故障分类模型的获得包括以下步骤：

S1、基于深度神经网络构建故障分类模型，故障分类模型由特征提取器、公共空间提取模块和分类器组成；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且每一个训练样本对应各标签的概率总和为1；

S2、获取标注数据构建训练样本，并结合训练样本对故障分类模型进行训练；

步骤S1中，用于训练故障分类模型的损失函数L_Total(θ)为：

其中，θ_M、θ_C和θ_S分别表示特征提取器、公共空间提取模块和分类器的参数；L_lap(θ_M,θ_C)表示图拉普拉斯变换损失，L_ccs(θ_M,θ_C)为近二值表示损失，L_cla(θ_M,θ_C,θ_S)表示分类器的分类损失；α和β为超参数；F表示特征提取器对应的特征空间，F_i表示特征提取器提取的第i个训练样本x_i的多维特征，F_j表示特征提取器提取的第j个训练样本x_j的多维特征，F_C,i表示训练样本x_i在公共子空间中的特征；Tra(·)为矩阵的迹，L为训练样本在公共子空间产生的拉普拉斯变换矩阵；

N为训练样本的数量，y_i为训练样本x_i的标注标签，y_i’为训练样本x_i的预测标签，1≤i≤N；w_ij表示训练样本x_i和训练样本x_j之间的相似度，1≤j≤N；

D为训练样本的标签数量，y_ik表示训练样本x_i属于第k个类别的概率真实值，y_ik’表示训练样本x_i属于第k个类别的概率预测值，1≤k≤D；

w_ij的计算方式为：

其中，p为自适应阈值，||A-B||表示A和B之间的欧式距离；

步骤S2中，训练样本由m个带标签的源域数据和n个带伪标签的目标域数据组成，m+n＝N；

带标签的源域数据的集合D_S为：

带伪标签的目标域数据的集合D_T为：

其中，x_u表示源域数据，y_u表示源域数据x_u对应的标签，X_S表示源域数据集合，Y_S表示各源域数据的标签的集合，l_Si'表示源域数据的标签中的第i'个，1≤i'≤p，p为源域数据的标签数量；

x_v表示目标域数据，y_v表示目标域数据x_v对应的伪标签，X_T表示目标域数据集合，Y_T表示各目标域数据的伪标签的集合，l_Ti”表示目标域数据的伪标签中的第i”个，1≤i”≤q，q为目标域数据的伪标签数量；

2.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，特征提取器由输入层和3个卷积层构成，公共空间提取模块为全连接层，分类器为激活函数采用softmax的D维的全连接层，D为训练样本的标签数量。

3.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，公共空间提取模块利用近二值表示学习提取训练样本的公共特征属性，以生成各训练样本共享的公共子空间；近二值表示的含义为：各维度的特征均量化为0到1之间的数值。