[发明专利]一种基于深度对抗迁移网络的轴承故障诊断方法

权利要求书

1.一种基于深度对抗迁移网络的轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1，设置轴承不同的转速和负载工况，并采集不同故障轴承在各个工况下的振动信号，获取频谱样本；

步骤2，基于生成对抗神经网络建立深度对抗迁移模型，以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练，通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断；

步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤：

步骤2.1，根据源域和目标域样本数据建立两个相同结构的生成器网络，并采用GELU为网络的激活函数，实现输入数据的逐层特征提取；

步骤2.2，采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络，实现源域数据的特征提取和分类，并通过权值共享结构调节目标域生成器的网络权值，即如式(1)所示，

其中，x^s为源域信号，y^t为目标域信号，为指示函数，是预测分布的第k个值，K是健康状况类别数；

步骤2.3，采用生成对抗神经网络里的判别器建立域判别网络，接收来自两个生成器产生的信号，以源域信号为真，目标域信号为假；目标域生成器根据判别器的指示去学习源域信号特征，起到以假乱真的效果来骗过判别器，使其无法区分真假；由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的，目标函数如式(2)所示：

其中，p_r为生成器G用于优化生成的真实数据分布，p_g为模型分布，D(x)表示判别器D判断数据是否真实的概率，D(G(y))是D判断G生成的数据的是否真实的概率；

步骤2.4，网络最终的目标函数由两个损失函数组合而成，如式(3)，

L＝L_C+λL_D (3)

其中惩罚参数λ表示域对抗的强度大小；

步骤2.5，采用Adam算法根据标签信号微调生成器网络参数，最小化分类误差；

步骤2.6，采用梯度反转算法实现域判别器网络微调，最大化域间距离。