[发明专利]基于部分域适应的故障诊断方法和装置、存储介质和终端

说明书

本发明公开了一种部分域适应的故障诊断方法及装置、存储介质和终端，其中方法包括基于实训特征提取器对待检测数据进行特征提取，以获取待检测数据的多尺度特征图数据；将待检测数据的多尺度特征图数据分别输入到实训故障分类器组中的每个故障分类器中，以获取每个故障分类器输出的故障概率结果；求取所有故障概率结果中所有故障类型的概率平均值，并基于所有故障类型的概率平均值确定待检测数据的故障诊断结果。本发明方法通过对待训练数据组源域数据子集合中的待训练数据进行加权，以实现部分域空间对齐的效果；并通过多个故障分类器及故障分类器中故障胶囊层的引入，加强故障诊断的泛化性，从而提升待检测数据机械故障诊断的准确率。

技术领域

本发明涉及故障诊断技术领域，尤其涉及基于部分域适应的故障诊断方法和装置、存储介质和终端。

背景技术

随着智能制造和工业的兴起，智能机械故障诊断近年来越来越备受关注。深度学习的快速发展带动着故障诊断领域，各种基于深度学习的智能故障诊断算法取得了巨大的成功。在当前的大多数研究中，一般认为训练数据和测试数据具有相同的分布。然而，实际工厂环境中，变化的工况，多样的噪声，设备类型的不同等都会导致上述假设的不成立。训练集和测试集间数据分布的不一致称为领域偏移问题。

针对上述领域偏移的挑战，领域自适应算法成为很好的解决方案，它通过映射来不断减小源域和目标域之间的分布差异，从而实现源域知识到目标域上的有效迁移。现有的方法通常侧重于对齐源域和目标域的边缘分布，然而这种对齐方式有严重的局限性，只有在源域和目标域具有相同标签空间时才适用。然而，实际环境中，测试数据集基本上不可能包含全部的故障状况。大多数情况下，目标域的标签空间是源域标签空间的子集。

发明内容

本发明所要解决的技术问题是现有的机械故障自适应诊断方法存在领域偏移问题，导致诊断结果准确率较低。

为了解决上述技术问题，本发明提供了一种部分域适应的故障诊断方法，包括：

基于实训特征提取器对待检测数据进行特征提取，以获取所述待检测数据的多尺度特征图数据；

将所述待检测数据的多尺度特征图数据分别输入到实训故障分类器组中的每个故障分类器中，以获取每个所述故障分类器输出的故障概率结果；

求取所有所述故障概率结果中每种故障类型的概率平均值，并基于所有故障类型的概率平均值确定所述待检测数据的故障诊断结果。

优选地，所述实训特征提取器和所述实训故障分类器组的获取过程包括：

构建初级故障诊断模型，所述初级故障诊断模型包括特征提取器、域判别器、故障分类器组以及损失计算器；

获取待训练数据集合，按预设分组方式对所述待训练数据集合内的所有待训练数据进行分组，以获取多组待训练数据组，每个所述待训练数据组中的待训练数据均被划分为源域数据子集合和目标域数据子集合；

基于所述待训练数据集合对当前基础故障诊断模型进行训练，以获取阶段故障诊断模型，判断实际训练轮次N是否小于训练轮次阈值，若是则将当前所述阶段故障诊断模型作为基础故障诊断模型，且所述实际训练轮次N加1，并重新基于所述待训练数据集合对当前基础故障诊断模型进行训练，否则将当前所述阶段故障诊断模型作为实训故障诊断模型，并将所述实训故障诊断模型中的特征提取器作为实训特征提取器，将所述实训故障诊断模型中的故障分类器组作为实训故障分类器组；

其中，所述实际训练轮次N初始值为1，且当所述实际训练轮次N为1时，当前所述基础故障诊断模型为初级故障诊断模型。

优选地，基于所述待训练数据集合对当前基础故障诊断模型进行训练，以获取阶段故障诊断模型包括：

将所述待训练数据集合中的第M组待训练数据组作为待输入训练数据组；