申请/专利权人：华南理工大学

申请日：2021-12-03

公开（公告）日：2024-03-22

公开（公告）号：CN114358125B

主分类号：G06F18/2431

分类号：G06F18/2431;G06F18/214;G06F18/25;G06N3/045;G06N3/084;G06N3/094;G06N3/096;G06Q10/20;G06Q50/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.05.03#实质审查的生效;2022.04.15#公开

摘要：本发明公开一种基于多源信息深度融合的旋转机械故障自动识别方法，包括步骤：采集多个不同机械设备或者不同运行工况下的振动加速度信号，构建多源域数据，从另外的机械设备或者运行工况获得无标签的故障样本，构建目标域数据；构建针对旋转机械故障自动识别的包括特征提取器、多标签对抗分类器、标签信息先验学习器和非对抗领域判别器的多源信息深度融合诊断模型；对网络结构参数联合优化训练，构建自适应权重函数，对多标签对抗分类器进行加权训练；将测试数据输入多标签对抗分类器中，输出已知类和未知类故障的诊断结果。本发明对多源数据进行融合，同时通过多源信息深度融合网络利用加权学习机制进行对抗训练，实现已知类和新故障的识别。

主权项：1.一种基于多源信息深度融合的旋转机械故障自动识别方法，其特征在于，包括以下步骤：步骤1：分别采集多个不同机械设备或者不同运行工况下的振动加速度信号，并通过对获取的时域信号进行截断来构成样本，基于不同的故障类别进行标注，获得包含不同运行设备或运行工况下的多源域样本数据集k为源域的数目，xs为源域数据，ys为对应标签ys，在另外的机械设备或者运行工况下获取目标域样本数据集{xt}；步骤2：构建多源信息深度融合诊断模型，所述多源信息深度融合诊断模型包括特征提取器Gf、多标签对抗分类器Gc、标签信息先验学习器Gy和非对抗领域判别器Gd，特征提取器Gf用于对输入数据进行特征提取，多标签对抗分类器Gc用于对源域和目标域数据执行联合对抗训练并且用于对已知类和未知类的故障诊断；标签信息先验学习器Gy用于将源域的标签信息进行编码；非对抗领域判别器Gd用于对来自源域和目标域的样本进行二分类；步骤3：利用源域数据集多标签对抗分类器Gc采用监督学习方法，通过反向传播算法和梯度下降法对网络结构参数进行联合优化训练；步骤4：在对抗学习阶段，标签信息先验学习器Gy对带标签的多源域数据xs和无标签的目标域数据xt进行学习，获得嵌入了标签信息先验知识的深度特征表示，所获取的包含先验信息的特征输入到非对抗领域判别器Gd，获得对应的权重函数，利用两个域的数据和权重函数对特征提取器Gf和多标签对抗分类器Gc进行训练，训练时的损失函数为： 式中，代表加权的对抗损失函数，nt代表目标域样本的数量，为权重函数，代表对目标域第i个样本进行预测、获得的属于第K+1故障类的概率值；步骤5：在测试阶段，将目标域测试样本，输入到已经训练好的特征提取器Gf中提取对应的高维特征，并将特征进一步输入到已经训练好的多标签对抗分类器Gc进行测试，多标签对抗分类器自动识别输入样本是已知类故障和未知类故障的概率值，进而输出对应的诊断结果。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于多源信息深度融合的旋转机械故障自动识别方法

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