[发明专利]基于半监督对抗域泛化智能模型的故障诊断方法

权利要求书

1.基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，包括以下步骤：

S1、将采集的机械振动时域信号截取成数据样本，统一样本长度，并把样本幅值归一化，将数据集划分为多源域数据集和目标域数据集；

S2、构建特征提取器，所述特征提取器用于将预处理后的数据样本映射到目标特征空间，所述特征提取器以数据样本作为输入，以数据样本的高层隐含特征作为输出；

S3、构建标签分类器，所述标签分类器用于预测高层隐含特征的类别标签，所述标签分类器以所述特征提取器的输出作为输入，以预测的样本类别标签作为输出；

S4、构建域分类器，所述域分类器用于预测高层隐含特征的域标签，所述域分类器以所述特征提取器的输出作为输入，以预测的域标签作为输出；

S5、构建类级优化模块，所述类级优化模块用于对提取的高层隐含特征进行度量学习来优化类边界；

S6、将所述特征提取器、标签分类器、域分类器和类级优化模块组合，构建故障诊断训练模型；

S7、将多源域训练数据集输入到构建的故障诊断训练模型中，通过域模糊策略来提取域不变性数据特征，根据给定的损失函数和优化算法进行模型训练；

S8、将目标域测试数据集输入到训练好的特征提取器和标签分类器中，在线识别样本的健康状态类别。

2.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，所述域模糊策略采用域分类器的多分类概率输出，输出概率维度与源域数量相同，通过特征提取器和域分类器的连续对抗训练，使特征提取器能够模糊域分类器，即不能判断出提取的高层隐含特征来自哪一个域，并且认为来自每个域的概率相同。

3.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，步骤S7包括：

S71、将多源域样本通过特征提取器提取高层隐含特征，将特征输入标签分类器、域分类器和类级优化模块；

S72、对来自多个源域的全部数据，最小化域分类器的交叉熵损失来优化域分类器；

S73、对来自源域的带标签数据，最小化标签分类器的交叉熵损失来优化标签分类器；

S74、最小化标签分类器的交叉熵损失和类级优化模块的中心损失，同时最大化域分类器的交叉熵损失、样本域标签预测概率的香农熵损失、小批量样本域标签预测概率均值的香农熵损失来优化特征提取器；优化域分类器的训练目标是尽量将输入的特征识别为正确的域标签，而优化特征提取器的训练目标是模糊域分类器，使其不能正确地判断出特征来自哪一个域，且输出一个不确定的域标签，从而形成一种最小-最大对抗关系；

S75、当对抗训练使模型达到纳什平衡时停止训练。

4.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，在步骤S1中，数据集的划分依据是机械的工作状况，同一种工况下的数据样本放在同一个域的数据集中，不同数据集包含的机械健康状态的类别相同；多源域数据集包含一个标记的源域和多个未标记的源域，用于模型的训练；目标域数据集不参与模型训练，仅用于测试模型预测结果的准确性。

5.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，所述优化算法为均方根传递算法、随机梯度下降法或自适应矩估计算法。

6.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，所述类级优化模块采用度量学习方法，通过学习一个类别中心，约束属于该类别的特征尽量往类别中心靠拢，对于无标记的源域样本，通过标签分类器给出的预测标签来更新类中心。

7.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，所述域分类器由全连接层和Softmax分类器组成，所述域分类器的域分类损失是多源域中样本预测域标签的交叉熵损失。

8.根据权利要求1所述的基于半监督对抗域泛化智能模型的故障诊断方法，其特征在于，所述标签分类器由全连接层和Softmax分类器组成，所述标签分类器的标签分类损失是有标记的源域中样本预测类别标签的交叉熵损失。