[发明专利]一种基于AdaDCLF的多目标域设备故障诊断方法

权利要求书

1.基于AdaDCLF的多目标域设备故障诊断方法，其特征在于，该方法具体包括以下步骤：

1)按不同工况条件将数据分为源域与目标域数据；

2)构建设备故障诊断神经网络模型，初始化其参数；

3)将源域和目标域数据输入神经网络中，分别计算分类损失和域混淆损失；

4)通过AdaDCLF计算域混淆损失因子，根据域混淆损失因子得到总的域混淆损失，将分类损失和总的域混淆损失相加得到总损失函数值，然后进行迭代训练更新模型参数，得到最终模型；

所述的AdaDCLF全称为Adaptive domain confusion loss factor，即自适应的域混淆损失因子，该方法自适应调整源域与各目标域之间的域混淆损失因子，从而提高设备故障诊断模型在多目标域上的性能表现；设备故障诊断神经网络总损失函数值计算如下：

L＝L_C+λL_DC (1)

其中L_C表示源域分类损失，L_DC表示总的域混淆损失，λ表示总的域损失惩罚因子，总的域混淆损失由源域与各个目标域域混淆损失组成，L_DC计算方法如下：

其中m表示目标域个数，j表示第j个目标域，α为域混淆损失因子，α采用AdaDCLF策略更新，更新公式如下所示：

式中n表示迭代次数，γ表示更新学习率，表示第n次迭代时源域与第j个目标域的MK-MMD距离；

根据域混淆损失因子，总损失函数值计算如下：

5)设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。

2.根据权利要求1所述的基于AdaDCLF的多目标域设备故障诊断方法，其特征在于：所述步骤1)具体为：根据设备工作负荷将传感器采集数据分成源域数据和目标域数据其中S表示源域，T表示目标域，i表示源域或目标域的第i个样本，j表示第j个目标域，N_S表示源域样本数，表示第j个目标域样本数；源域和目标域数据工况条件均不相同。

3.根据权利要求1所述的基于AdaDCLF的多目标域设备故障诊断方法，其特征在于：所述步骤2)中，设备故障诊断神经网络具体包含四个卷积层，一个池化层，一个自适应池化层，一个全连接隐藏层以及一个Softmax层；卷积层用于提取设备数据信号特征，卷积层后均有批归一化和LeakyRelu层；池化层和自适应池化层均选用最大值池化策略，进行特征降采样；自适应池化层置于第四层卷积层后，并与全连接隐藏层相连接，最后通过Softmax层输出。

4.根据权利要求1所述的基于AdaDCLF的多目标域设备故障诊断方法，其特征在于：所述步骤3)中，分类损失计算如下：

式中S表示源域，i表示源域的第i个样本，N_S表示源域样本数，J采用交叉熵损失函数，表示源域的第i个样本的数据，表示源域的第i个样本的数据标签；源域与第j个目标域的域混淆损失计算如下：