申请/专利权人：华南理工大学

申请日：2020-09-07

公开（公告）日：2021-01-05

公开（公告）号：CN112183581A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2024.01.05#发明专利申请公布后的驳回;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明公开了一种基于自适应迁移神经网络的半监督机械故障诊断方法，包括首先获得多个由源域故障训练样本及其对应标签构成的源域故障数据集和由不带标签的目标域故障数据构成的目标域故障数据集，目标域故障数据分为目标域故障训练样本和目标域故障测试数据；然后归一化这些数据；构建自适应迁移神经网络诊断模型，利用源域故障数据集监督训练模型和构造分类器损失函数，并构造分类器判别损失函数和利用目标域故障训练样本来对抗训练特征提取器和分类器；将目标域故障测试数据输入到训练好的模型中，输出的两个概率值求和平均，得到最终的分类诊断结果。本发明可以提高对目标域故障数据的判别能力，有效改进实际变工况下的智能故障诊断任务。

主权项：1.一种基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，步骤如下：S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得可用于目标域诊断任务的训练好的诊断模型；S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。

全文数据：

权利要求：

百度查询： 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD