[发明专利]一种基于深度迁移学习的轴承故障诊断模型及训练方法

权利要求书

1.一种基于深度迁移学习的轴承故障诊断模型，其特征在于，包括共享特征提取模块、多源域适配模块和轴承故障诊断模块；

所述共享特征提取模块包括源域特征提取器和目标域特征提取器，用于对样本数据的特征提取，得到特征数据；

所述多源域适配模块包括特定域适配组件，用于对特征数据进行分类，得到源域特征数据和目标域特征数据；

所述轴承故障诊断模块包括特定域故障分类器，对源域特征数据和目标域特征数据进行故障识别和故障分类。

2.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述基于深度迁移学习的轴承故障诊断模型以分布式并行计算平台进行分布式训练，采用Ring-AllReduce架构进行参数同步更新。

3.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述卷积神经网络主要由卷积层、BN层、最大池化层和全连接层组成。

4.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述特定域适配组件包括领域鉴别器，领域鉴别器由全连接层和防止过拟合的Dropout层组成。

5.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述特定域故障分类器由全连接层和Dropout层组成。

6.根据权利要求1所述基于深度迁移学习的轴承故障诊断模型，其特征在于，所述共享特征提取模块包括多个源域特征提取器和一个目标域特征提取器，且源域特征提取器和目标域特征提取器共享同一个一维卷积神经网络。

7.根据权利要求1所述基于深度迁移学习的轴承故障诊断的模型提供训练方法，其特征在于，步骤包括：

S1.构建基于深度迁移学习的轴承故障诊断模型；

S2.在分布式并行计算平台的工作节点中将来自源域和目标域中的训练样本输入共享特征提取模块中，经过卷积层、池化层和全连接层进行共享特征提取，得到特征数据；

S3.将S2中得到的特征数据输入多源域适配模块进行源域数据和目标域数据鉴别，再通过轴承故障诊断模块对样本数据分为不同的轴承故障类别，获得该模型的分类损失、联合分布损失以及分类器差异损失；

S4.将S3获得的该模型的分类损失、联合分布损失以及分类器差异损失进行反向传播来计算该模型中每一层的参数对应的梯度，并按工作节点的个数n将所有层的梯度分为n个梯度块；

S5.采用Ring-AllReduce架构对梯度块的梯度进行累加和传递，将累加后的梯度分发到所有工作节点，每个工作节点对该节点上每个块的梯度求平均值，每个工作节点使用梯度平均值对该节点上的轴承故障诊断模型进行参数更新；

S6.判断基于深度迁移学习的轴承故障诊断模型是否已收敛，若否，则返回步骤6；若是，则停止模型训练，输出最终的轴承故障诊断模型。

8.根据权利要求7所述基于深度迁移学习的轴承故障诊断的训练方法，其特征在于，步骤S5中，在累加和传递过程中需要经过n-1次，在第k次梯度传递与累加中，若1≤i≤k，则第i个工作节点将其上第(i-k)％n+n+1个块的梯度传递给右邻居节点，右邻居节点将该梯度块累加到该节点上第(i-k)％n+n+1个梯度块；若k≤i≤n，则第i个工作节点将其上第(i-k)％n+1个梯度块传递给右邻居节点，右邻居节点将该梯度块累加到该节点上第(i-k)％n+1个梯度块。

9.根据权利要求7所述基于深度迁移学习的轴承故障诊断的训练方法，其特征在于，步骤S5中，累加后的梯度分发到所有工作节点需要经过n-1次梯度传递，在第k次梯度传递中，若1≤i≤k-1，则第i个工作节点将其上第(i+1-k)％n+n+1个梯度块传递给右邻居节点并覆盖该节点上第(i+1-k)％n+n+1个梯度块；若k-1≤i≤n，则第i个工作节点将其上第(i+1-k)％n+1个梯度块传递给右邻居节点并覆盖该节点上第(i+1-k)％n+1个梯度块。

10.根据权利要求7所述基于深度迁移学习的轴承故障诊断的训练方法，其特征在于，步骤S5中，每个块的梯度平均值为：

其中g_ik表示第i个工作节点中第k个块的梯度，g_k表示第k个块的梯度平均值，1≤i，k≤n。