申请/专利权人：中国人民解放军92578部队

申请日：2021-10-11

公开（公告）日：2024-04-23

公开（公告）号：CN114034486B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/213;G06F18/214;G06F18/2431;G06N3/0985;G01M13/045;G06N3/088;G06N3/096;G06N3/084;G06N3/0442;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明公开了一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法，采集泵类机械设备轴承振动信号，进行样本特征增强预处理，得到振动信号数据集；构建具有源域、目标域数据对齐适配能力的域迁移学习模型，将域鉴别器注入到模型中；构造对抗策略损失函数优化域鉴别器；构造双向长短期记忆模型Bi‑LSTM并使用无监督的训练方式，将多类训练数据接入域迁移学习模型输入端，进行模型参数更新和网络结构调整；判断所训练的模型在目前训练环境下的性能状态是否满足实际需要，如果低于目标准确度，则继续进行训练；用训练好的网络模型进行故障分类诊断。本发明实现了模型对于多域数据的适应能力，可以显著增强数据样本间的区分度，提高机械故障诊断准确率。

主权项：1.一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法，其特征在于，所述方法包括步骤：1采集泵类机械设备轴承振动信号，进行样本特征增强预处理，对机械设备同一部分正常工作状态下的信号X和故障状态下的信号Y进行相似性分析，去除故障信号的基本分量，得到泵类机械设备轴承振动信号数据集，并划分测试集和训练集；2构建具有源域、目标域数据对齐适配能力的域迁移学习模型，将域鉴别器注入到模型中进行域鉴别；Ds，Dt分别代表源域和目标域，通过源域样本训练分类器通过最小化的值进行后面的分类任务；3构造对抗策略损失函数优化域鉴别器，区分特征存在于与源域或目标域，将三层全连接二元分类器代替传统的域鉴别器，域鉴别器DANN包括全连接层3个，Dropout层2个；4构造双向长短期记忆模型Bi-LSTM并使用无监督的训练方式，将多类训练数据接入域迁移学习模型输入端，进行模型参数更新和网络结构调整；Bi-LSTM网络分为网络训练和特征提取两个阶段：在网络训练阶段，在RNN后加上Softmax层将网络构造成适应分类任务的网络，利用Adam优化器优化参数实现端到端的故障分类任务；特征提取阶段，保留鉴别器训练后的域鉴别网络参数，将整个数据集中的数据导入到深度网络中，获得网络提供的特征向量；5判断所训练的模型在目前训练环境下的性能状态是否满足实际需要，如果低于目标准确度，则继续进行训练；用训练好的网络模型进行故障分类诊断。

全文数据：

权利要求：

百度查询： 中国人民解放军92578部队 基于无监督迁移学习的泵类机械设备轴承故障诊断方法

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