[发明专利]一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法

权利要求书

1.一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，其特征在于，包括以下步骤：

S1，分别获取源域D^s和目标域D^t的数据集；其中，D表示领域即域；上标s表示源，D^s即表示源域；上标t表示目标，D^t即表示目标域；

所述源域D^s的源数据集A^s中含有n^s个振动数据，且该n^s个振动数据均带有故障标签，即其中，A表示数据集，A^s即表示源域D^s的数据集即源数据集；n表示数量，n^s即表示源数据集A^s中所包含的振动数据的总数量；x表示振动数据，表示源数据集A^s中的第i个振动数据；y表示标签即故障类别，表示源数据集A^s中的第i个振动数据的标签；

所述目标域D^t的目标数据集A^t中有含有n^t个振动数据，且该n^t个振动数据均不带故障标签，即其中，A表示数据集，A^t即表示目标域D^t的数据集即目标数据集；n表示数量，n^t即表示目标数据集A^t中所包含的振动数据的总数量；x表示振动数据，表示目标数据集A^t中的第j个振动数据；

所述源域D^s和所述目标域D^t的特征空间相同，即X^s＝X^t；所述源域D^s和所述目标域D^t的类别空间也相同，即Y^s＝Y^t；所述源域D^s和所述目标域D^t中的振动数据的数据分布不同，即其中，X表示特征空间，X^s表示源域D^s的特征空间，X^t表示目标域D^t的特征空间；Y表示类别空间，Y^s表示源域D^s的类别空间，Y^t表示目标域D^t的类别空间；P表示分布，表示源域D^s中的振动数据的数据分布，表示目标域D^t中的振动数据的数据分布；

S2，建立一个基于特征的迁移学习的故障诊断模型，包括：特征提取器、领域判别器、分类器；其中，

所述特征提取器，用于提取源域D^s和目标域D^t中的振动数据的特征；

所述特征提取器的输出z＝G(x；θ_g)；其中，G(·)表示特征提取器的模型；θ_g表示特征提取器的模型参数；z表示特征提取器的输出，即振动数据的特征；x表示特征提取器的输入，即振动数据；

所述领域判别器，用于对特征提取器所提取的振动数据的特征进行识别，判断该振动数据是来自于源域D^s或目标域D^t；

所述分类器，学习源域D^s中的振动数据的特征分布，根据源域D^s中的振动数据的特征进行分类训练，所述分类器的输出结果为振动数据x属于第m个故障类别的概率p(y＝m|x)：

其中，表示分类器参数，其中，上标C用于标识为分类器的参数，下标m表示第m个故障类别；

K表示故障类别的总数量；

G(·)表示特征提取器的模型；G(x)表示振动数据的特征；

所述分类器根据领域自适应训练，使得目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布；

所述领域自适应训练是指：将源域D^s和目标域D^t中的振动数据的特征通过特征提取器进行特征提取，从而映射到同一个特征空间；然后领域判别器对所提取的特征进行判断，判断所提取的特征是来自于源域D^s中的振动数据还是目标域D^t中的振动数据；当判别器无法判断所提取的特征来自源域D^s中的振动数据还是目标域D^t中的振动数据，此时，则表示目标域D^t中的振动数据的特征的分布类似于源域D^s中的振动数据的特征的分布，判别器即认为目标域D^t中的该振动数据的故障类别与源域D^s中的该振动数据的故障类别相同；

S3，基于故障诊断模型的优化目标，确定故障诊断模型的目标函数；

故障诊断模型中，包括以下三个优化目标：

领域判别器的优化目标：使领域判别的误差最小化；

特征提取器的优化目标：使领域判别的误差最大化；

分类器的优化目标：使故障分类的误差最小化；

S4，得到故障诊断模型的目标函数后，对故障诊断模型进行训练，求解故障诊断模型中的模型参数，从而得到训练后的分类器；

S5，在故障识别的过程中，利用分类器即可对目标域中的无标签的振动数据进行故障分类。