[发明专利]基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法

权利要求书

1.一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，所述方法包括：

采集行星齿轮箱振动数据，并对所述行星齿轮箱振动数据进行预处理；其中，所述行星齿轮箱振动数据包括有标签的源域故障样本和无标签的目标域故障样本；

利用特征提取器提取出源域故障样本和目标域故障样本的高维特征；

利用故障分类器对源域故障样本和目标域故障样本进行处理，得到源域故障样本和目标域故障样本的预测标签；

利用目标域倾斜分类器对源域故障样本与目标域故障样本的高维特征处理，学习目标域故障样本的软伪标签和硬伪标签；

通过优化源域故障样本的预测标签与真实标签的分类损失，目标域故障样本的预测标签与硬伪标签的分类损失，以及软伪标签构造的二分类损失，训练由特征提取器、目标域倾斜分类器和故障分类器构成的目标域倾斜对抗网络；

采用训练完成的目标域倾斜对抗网络对待监测行星齿轮箱振动数据进行处理，识别出待监测行星齿轮箱振动信号的故障诊断结果。

2.根据权利要求1所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，对所述行星齿轮箱振动数据进行预处理包括对获取到的所述行星齿轮箱振动数据进行快速傅里叶变换转化为一维频域的振动信号。

3.根据权利要求1所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，所述利用目标域倾斜分类器对源域故障样本与目标域故障样本的高维特征处理，学习目标域故障样本的软伪标签和硬伪标签包括随机产生源域类质心和目标域质心；将源域类质心与目标域类质心采用可变权重进行加权求和得到总质心；根据目标域故障样本的高维特征与总质心的相似度距离，经softmax转换得到目标域故障样本的软伪标签；对软伪标签进行最大值处理得到目标域故障样本的硬伪标签；利用源域标签更新源域质心，利用硬伪标签更新目标域质心。

4.根据权利要求3所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，采用可变权重进行加权求和得到总质心的公式表示为：

其中，C_total表示总质心，λ表示可变权重，λ的数值随着训练次数的增加，由0逐渐升高至1，表示源域类质心，表示目标域类质心。

5.根据权利要求3所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，所述利用源域标签更新源域质心所采用的公式包括：

其中，C_Si表示批次B_s中包含的第i个源域故障类别的质心；K表示源域故障样本的故障类别数；表示特征提取器提取出的源域故障样本的高维特征；代表指示函数，即当为真时，取1，当为假时，取0；B_s表示源域故障样本的批次；表示批次B_s中的源域故障样本；y表示标签；表示源域故障样本的标签；η₁表示第一权重因子；表示源域类质心。

6.根据权利要求3所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，所述利用硬伪标签更新目标域质心所采用的公式包括：

其中，C_Ti表示批次B_T中包含的第i个目标域故障类别的质心；K+1表示目标域故障样本的故障类别数；表示特征提取器提取出的目标域故障样本的高维特征；代表指示函数，即当为真时，取1，当为假时，取0；B_T表示目标域故障样本的批次；表示批次B_T中的源域故障样本；y表示标签；表示目标域故障样本的硬伪标签；η₂表示第二权重因子；表示目标类质心。

7.根据权利要求1所述的一种基于目标域倾斜对抗网络的行星齿轮箱开放集故障诊断方法，其特征在于，软伪标签构造的二分类损失包括利用软伪标签计算得到自适应的边界阈值，利用所述边界阈值将所述目标域故障样本划分为目标域已知故障样本和目标域未知故障样本；并利用交叉熵损失函数计算出划分目标域未知故障样本的二分类损失。