[发明专利]仿真数据驱动的旋转机械深度半监督迁移诊断方法

权利要求书

1.仿真数据驱动的旋转机械深度半监督迁移诊断方法，其特征在于，包括步骤如下：

第一步，源域数据和目标域数据的获取；

源域数据由旋转机械仿真模型求解后产生的振动响应数据组成，所述的旋转机械仿真模型包括：利用旋转机械动力学方程构造的仿真模型、利用旋转机械仿真软件构造的仿真模型；

目标域数据由实验室采集的旋转机械故障数据或工业现场采集的机械设备故障数据组成；

第二步，对抗式迁移学习方法；

所述对抗式迁移学习包括四个基本模块，分别为特征提取器、特征转化器、域判别器和分类器；四个基本模块的网络参数更新过程主要通过两个阶段实现；第一阶段，利用源域数据和目标域少量有标签样本数据，更新特征提取器、特征转化器以及分类器的网络参数，实现源域数据与目标域数据的状态分布对齐，获取可区分性较好的诊断模型；第二阶段，利用源域数据和目标域大量无标签样本数据，迭代更新域判别器与特征转化器的网络参数，实现源域特征与目标域特征边缘分布对齐，将可区分性较好的诊断模型迁移到目标域无标签样本数据分类任务中；

网络参数更新过程中，第一和第二阶段的网络参数更新准则交替执行，实现四个基本模块的网络参数更新。

2.根据权利要求1所述的仿真数据驱动的旋转机械深度半监督迁移诊断方法，其特征在于，第二步中网络参数更新的第一阶段，特征提取器、特征转化器以及分类器的网络参数更新，具体实现过程分为两个步骤：

步骤2-1-1，针对源域数据，通过最小化如下损失函数更新特征提取器和分类器的网络参数：

其中，表示针对源域数据的交叉熵函数，其展开形式为：

表示对比损失函数，其展开形式为：

其中，class_eq表示两组输入数据的标签信息是否一致，其表达式为：

对比损失函数中的输入元素X^s为源域数据经特征提取器和分类器处理后的可区分特征，其表达式为：

X^s＝C(E(x^s)). (5)

对比损失函数中的输入元素X^t为目标域有标签数据经特征提取、特征转化器和分类器处理后的可分区特性，其表达式为：

X^t＝C(T(E(x^t))). (6)

步骤2-1-2，针对目标域有标签样本数据，通过最小化如下损失函数更新特征转化器的网络参数：

其中，表示针对目标域有标签数据的交叉熵函数，其展开形式如下：

所述步骤2-1-1利用源域数据更新特征提取器和分类器时，对比损失函数中依据目标域有标签数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；所述步骤2-1-2，利用目标域有标签样本数据更新特征转化器时，对比损失函数中依据源域数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；

第二阶段，特征转化器和域判别器的网络参数更新通过对抗训练的方式实现；

在对抗训练过程中，假设源域数据对应的真实标签信息为0，目标域无标签样本数据对应的真实标签信息为1；对抗训练的执行过程分为两个步骤：

步骤2-2-1固定域判别器的网络参数，更新特征转化器的网络参数；将目标域无标签样本数据经特征提取器、特征转换器处理后的高维特征输入到判别器中，通过更新特征转化器的网络参数，令域判别器针对目标域无标签样本数据对应的高维特征的预测标签信息为0，从而达到混淆域判别器的预测结果的目的，其对应的参数更新过程如下所示：

其中，表示二元交叉熵函数，其展开形式如下：

步骤2-2-2固定特征转化器的网络参数，更新域判别器的网络参数；分别将源域数据和目标域无标签样本数据对应的高维特征输入到域判别器中，通过更新域判别器的网络参数，令域判别器针对源域数据对应的高维特征的预测标签信息为0，针对目标域无标签数据对应的高维特征的预测标签信息为1，使得域判别器尽可能正确的区分源域数据和目标域无标签样本数据对应的高维特征，其对应的参数更新过程如下所示：

其中，也表示二元交叉熵函数，其展开形式如下：