[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

说明书

本发明公开了一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，通过Wasserstein距离在特征空间中度量两个领域的特征分布的距离，并进行特征分布的适配，降低两个领域的差异，学习领域无关特征以训练一个有效的分类器，负责将领域无关的特征映射到类别空间，完成分类任务，解决目标域中没有带标签的振动数据的无监督迁移学习问题。

技术领域

本发明涉及故障诊断领域中，用于识别无标签的振动数据的故障类别的技术领域，尤其是一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法。

背景技术

在复杂工业系统中，研究先进的机械故障诊断方法是保障设备与人员安全的重要内容。深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断最活跃的前沿方向之一。然而使用深度学习训练故障分类模型需要大量有标注的数据,同时训练数据与测试数据满足独立同分布。在实际应用中这两个条件通常难以满足。如何利用辅助领域数据，来建立一个可靠的数学模型，对具有数据分布不同的目标领域开展故障诊断是待解决的问题。

迁移学习是一种利用现有知识解决不同但相关领域的机器学习新方法，为解决此类问题提供了基本思路。最近，基于生成对抗网络(GAN,Generative AdversarialNetworks)的对抗思想也被引入了迁移学习领域，用于解决目标领域中只包含无标注训练样本的无监督迁移学习问题。

基于以上方法可以看出，通过对抗训练的方式，可以逐步提升特征提取器和判别器的性能取。但是，由于这些领域自适应方法度量分布距离算法的缺陷，最后得到的分类器精度还不够理想。

另外，Wasserstein距离又称Earth-Mover距离即EM距离，用于衡量两个分布之间的距离。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，通过Wasserstein距离在特征空间中度量两个领域的特征分布的距离，并进行特征分布的适配，降低两个领域的差异，学习领域无关特征以训练一个有效的分类器，负责将领域无关的特征映射到类别空间，完成分类任务，解决目标域中没有带标签的振动数据的无监督迁移学习问题。

为实现上述目的，本发明采用以下技术方案，包括：

一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，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i＝1,2,3…n^s；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j＝1,2,3…n^t；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；