一种混合距离引导的领域自适应故障诊断方法

专利主权项内容

1.一种混合距离引导的领域自适应故障诊断方法，其特征在于，包括以下步骤：S1、采集数据：通过模拟试验台采集平稳工况下的轴承在不同速度和负载下的源域振动信号和目标域振动信号/>；S2、数据预处理：用快速傅里叶变换(FFT)将采集的数据从时域转换成频域并进行归一化处理，仅对源域数据进行标注处理，源域数据表达公式为：
(1)目标域数据表达公式为：
(2)其中为源域样本数据，/>为源域样本数据标签，/>为目标域样本数据；S3、搭建基于堆栈自编码器和混合距离引导的领域自适应模型(CSDA)：该模型包括两个部分，特征提取器()和分类器(/>)；第一部分特征提取器()，/> 中的编码器将输入数据映射到一个低维表示(编码)，而解码器将这个低维表示映射回原始数据空间，通过数据重构，提取高维抽象特征，充分挖掘信号中的特征信息，来反映不同的健康状况；其中，输入层到隐层的正向传导称为编码，隐层到输出层的正向传导称为解码，隐层主要起到特征提取的作用；输入源域和目标域的数据通过编码器降维，然后降维后的数据经过解码器转换成重构数据/>；隐层的输出特征为/>和/>，激活函数为/>：
(3)
(4)
、/>为特征提取器的权重和偏置，/>为源域输入数据，/>为目标域输入数据；第二部分分类器()，它用于多种健康状况的分类，经过SAE降维后的数据输入到分类器/>中，输出为一个k维向量，代表着每种健康状况的预测率，预测率最高的作为该样本数据的分类结果；S4、计算重构损失：将源域数据作为特征提取器(/>)输入，输出为经过编码与解码后的重构数据/>；重构损失计算公式为：
(5)其中，为SAE的参数集合，n 表示神经元数量；S5、计算源域分类损失：源域降维后的数据作为分类器()的输入，输出为k种健康状况的预测，源域分类损失函数为交叉熵损失，计算公式为：
(6)其中，为SAE的参数集合，/>为/>的参数集合，/>表示源域样本总数，k表示输出的神经元个数，/>表示指示函数，当成立时返回1，不成立返回0；S6、预训练模型：采用随机梯度下降法最小化重构损失，利用反向传播的方式对特征提取器的参数权值进行持续的更新，可描述为：
(7)其中，为特征提取器参数，/>为学习率，/>为 Adam 优化算法中梯度的矩估计函数；通过最小化损失函数方式实现特征提取网络/>的收敛，最小化 />能有效提取源域和目标域数据集的特征；S7、提取隐层特征：利用预训练好的特征提取网络()提取源域(/>)和目标域数据()的特征，各隐层的输出特征为 /> 和 /> ；S8、计算混合域距离损失：使用多核和/>距离测量各输出隐层的非参数化距离，/>、/>为第一个隐层的输出，/>、/>为第二个隐层的输出，/>、/>为第三个隐层的输出，第一个隐层的混合域距离损失可描述为：
(8)其中，为多核MMD损失，/>为/>距离损失，其计算公式为：
(9)
(10)其中，为源域样本数量，/>为目标域样本数量，/>为核函数；同理可得第二、第三个隐层的混合域距离损失：
(11)
(12)因此，总域差异损失可以表示为：
(13)其中，、/> 和 />是权衡参数，在总域差异损失 />中，/>、/>和 />拥有不同的重要性；S9、计算分类总损失：分类的总损失函数为：
(14)其中，表示源域分类损失的超参数，/>表示域自适应的超参数，/>表示SAE的权重集合，n表示神经元数量，/>表示正则化的超参数，/>为正则化损失；S10、模型训练：最小化分类总损失，特征提取器和分类器的参数将被训练和更新，可描述为：
(15)通过最小化，提高了对源域样本的分类准确率、缩小了特征映射后的源域和目标域特征样本的分布差异，以至提高了对目标域特征样本的识别和分类的准确率；S11、获得训练好的模型：利用反向传播的方式对权值进行持续的更新，以找到全局最小损失函数的值，迭代次数为N时，结束训练，得到训练好的模型；S12、模型测试：对目标域测试数据集进行测试，展示故障分类结果，并计算测试准确率/>；
(16)其中，R为正确分类的样本数量，A为参与测试的样本总数量。