[发明专利]基于EEMD和深度域对抗网络的振动信号诊断分析方法

权利要求书

1.基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，包括以下步骤：

基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；

构建EMBRNDNMD模型；

基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断；

构建时频特性的EEMD时频图组的步骤包括：

对不同工况下的旋转设备振动信号进行EEMD分解，获得第一经验模态分量；

计算所述第一经验模态分量与原始信号的相关系数，获得相关系数大于预设阈值的第二经验模态分量；

计算所述第二经验模态分量对应的希尔伯特包络谱；

将所述第二经验模态分量与所述希尔伯特包络谱重排序为矩阵形式并保存为灰度图，获得EEMD时频图组；

所述EMBRNDNMD模型包括：深度特征提取网络、设备状态分类网络与域判别网络；

所述域判别网络用于对所述深度特征提取网络进行对抗训练优化；

所述深度特征提取网络用于提取所述EEMD时频图组的深度特征；

所述设备状态分类网络用于根据所述深度特征输出不同工况的诊断结果；

所述深度特征提取网络为多分支并行ResNet结构，每个ResNet结构均设置7个卷积层，选用3*3的卷积核，步长设置为1，并取消中间层的池化操作；

所述域判别网络选用两层的线型全连接网络；

所述设备状态分类网络选用三层的线性全连接网络；

所述EMBRNDNMD模型还包括三个损失函数用于反向传播优化网络模型；

所述三个损失函数分别为：设备状态分类损失、源域和目标域之间的判别损失、源域和目标域数据的深度特征分布差异损失；

所述设备状态分类损失用于反向传播优化所述深度特征提取网络与所述设备状态分类网络；

所述设备状态分类损失的表达式为：

其中，L_y为设备状态分类损失，G_y为设备状态分类网络，f_i^s为源域特征向量，i＝1，2...n，为源域数据标签；

所述源域和目标域之间的判别损失用于优化所述深度特征提取网络与所述域判别网络；

所述源域和目标域之间的判别损失的表达式为：

其中，L_d为源域和目标域之间的判别损失，G_d(·)表示的映射函数，f_i^s为源域特征向量，f_i^t为目标域特征向量；

所述源域和目标域数据的深度特征分布差异损失用于反向传播优化所述深度特征提取网络；

所述源域和目标域数据的深度特征分布差异损失的表达式为：

其中，L_MK-MMD为源域和目标域数据的深度特征分布差异损失，E为数学期望；φ为再生希尔伯特空间的映射；H_k为再生希尔伯特空间使用的核k，F_s与F_t均为深度特征提取网络提取的深度特征。

2.根据权利要求1所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，

所述EMBRNDNMD模型的总损失函数的表达式为：

L_MBRN＝L_y-λ₁L_d+λ₂L_MK-MMD

其中，L_MBRN为总损失函数，λ₁和λ₂分别为L_d和L_MK-MMD的权重。