[发明专利]一种基于熵最大化的变工况下旋转机械迁移诊断方法

权利要求书

1.一种基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于：

采集旋转机械关键部件的振动信号，并进行健康状态的特征提取；

通过提取的特征计算源域分类器的损失函数L_y；

利用振动信号样本到类别预测向量的映射函数f_θ，计算目标域工况数据的预测类别分布进而计算目标域工况的最小熵损失函数和最大熵损失函数；所述最大熵损失函数通过所述的熵计算得到；

通过类别预测向量的熵表征源域分类器预测结果的权值；

基于所述源域分类器的损失函数L_y、目标域工况的最小熵损失函数和最大熵损失函数、源域分类器预测结果的权值计算总损失函数L_Total，并训练迁移诊断网络；

将目标域工况旋转机械的振动信号输入训练完毕的迁移诊断网络，得到目标域旋转机械的健康状态。

2.根据权利要求1所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述最大熵损失函数的表达式为：

其中，L_d(θ,D_t)表示最大熵损失函数，D_t为目标域工况数据集，θ表示整个网络待训练的参数，表示的熵，目标域样本属于某一类别的概率K表示具体的类别标签总数，k表示具体的类别标签，x_t为目标域工况的振动信号样本，y_t为目标域工况预测的类别标签，D_t为目标域工况数据集的基数。

3.根据权利要求2所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述源域分类器预测结果的权值为：

ρ(H(g))＝1+e^-H(g)

其中，ρ(H(g))表示源域分类器预测结果的权值，H(g)表示类别预测向量的熵，且其中g_i表示某一样本的预测类别向量。

4.根据权利要求3所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述总损失函数L_Total的表达式为：

其中：λ、η为权衡系数，g_s为源域工况的预测类别向量，D为鉴别器函数，L_e(θ,D_t)表示最小熵损失函数，D_s为源域工况数据集，|D_s|为源域工况数据集的基数，|D_t|为目标域工况数据集的基数，x_s为源域工况的振动信号样本，F表示样本到d_f维特征表达的映射函数。

5.根据权利要求4所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述源域分类器的损失函数的表达式为：

其中：L(f_θ(x)，y)表示求交叉熵，f_θ为样本到类别预测向量g的映射函数，x表示样本x_s或x_t，y为标签向量，y_i为某一类别标签，且g＝G(f)＝f_θ(x)＝[P(y＝1|x),…,P(y＝K|x)]，P为某一类别的概率，G表示由提取的特征f到类别预测向量g的映射函数。

6.根据权利要求5所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述目标域工况的最小熵损失函数的表达式为：

7.根据权利要求5所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述目标域工况数据的预测类别分布表达式为：

8.根据权利要求1所述的基于熵最大化的变工况下旋转机械迁移诊断方法，其特征在于，所述健康状态的特征是通过一维卷积神经网络进行提取的。