[发明专利]一种基于AdaDCLF的多目标域设备故障诊断方法

说明书

本发明公开了一种基于AdaDCLF的多目标域设备故障诊断方法，本发明结合MK‑MMD距离衡量源域与目标域的分布偏差，然后自适应调整域混淆损失因子，重点关注了最大的域混淆损失所对应的目标域数据的重要性。AdaDCLF自适应调整域混淆损失因子方法增强了模型在多目标域上的泛化能力，显著提高了设备故障诊断模型在多目标域上的诊断准确率，解决了单目标域域适应算法在多目标域上泛化能力不强的问题，从而实现对设备故障的智能诊断。

技术领域

本发明涉及一种设备故障诊断方法，尤其是涉及一种基于AdaDCLF的多目标域设备故障诊断的方法。

背景技术

随着工业大数据和物联网在工业4.0背景下的飞速发展，对工厂关键工业设备进行智能健康管理变得越来越重要，这也是智能工厂需要解决的一个迫切问题。在实际工业应用中，大部分设备故障定位与维修依赖以往经验或专家知识，这种诊断方法需要大量人力和时间成本，效率不高。针对此问题，智能设备故障诊断将人工智能技术和故障诊断技术相结合，成为智能健康管理的重要分支。传统的传统的机器学习方法，包括支持向量机(SVM)、决策树(Random Forest)和人工神经网络(ANN)等，已在设备故障诊断领域得到广泛应用。随着大数据时代的到来，基于数据驱动的深度学习设备故障诊断方法开始变得流行，比如CNN(Convolutional Neural Network，卷积神经网络)、DBN(Deep Belief Network,深度置信网络)、LSTM(Long-Short Term Memory，长短时记忆网络)等。在大数据的前提下，这些基于深度学习的设备故障诊断方法被证明比基于机器学习的方法具有更强的学习能力，能够得到更高的诊断准确率。但基于机器学习和深度学习的设备故障诊断方法都基于一个假设，即获取的训练数据集与实际工业设备中的测试数据集是在相同工况条件下的，实际上获取的训练数据集和测试集分布往往是不一样的，如果使用这些训练数据集对模型进行训练，很有可能出现过拟合现象，从而不能较好地概括实际测试集数据分布，导致设备故障诊断模型性能降低。如何在存在数据集偏差的情况下，通过训练数据集训练的模型也能适用于不同工况条件下的数据，对设备智能故障诊断、减少设备维护成本具有重大的应用价值。

在迁移学习中，该问题被称为域适应(Domain adaptation)问题，即在源数据集上训练的神经网络，并确保在显著不同于源数据集的目标数据集上也能有良好的准确性。在实际情况中，机器通常在各种工作条件下运行，这需要适应工作条件变化的训练模型。域适应方法可以有效地解决源域与目标域不对齐的问题，基于域适应的设备故障诊断方法主要有基于特征的域适应、基于实例的域适应和基于模型的域适应。这些域适应方法基于深度学习的强大表示能力，通过对目标域的适应来学习更多可转移的特性，增强了训练模型在目标域上的表现。但目前这些域适应方法往往都是基于单目标域，实际应用中，目标域可能不止一个，如果只是适应其中一个目标域，可能导致训练模型在其它目标域性能的降低。

综上所述，寻找一种有效的多目标域设备故障诊断方法，以增强训练模型在多目标域上的泛化能力，成为了目前亟需解决的问题。

发明内容

为解决上述技术问题，本发明提出一种基于AdaDCLF的多目标域设备故障诊断方法，显著提高了设备故障诊断模型在多目标域上的诊断准确率，实现对设备故障的智能诊断。本发明的技术方案包括如下步骤：

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；