[发明专利]一种基于多源域迁移学习的轴承故障类型预测方法及系统

权利要求书

1.一种基于多源域迁移学习的轴承故障类型预测方法，其特征在于，基于多源域迁移学习的轴承故障类型预测方法包括：利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，并通过故障分类综合模型输出目标域样本的预测标签。

2.如权利要求1所述的基于多源域迁移学习的轴承故障类型预测方法，其特征在于，基于多源域迁移学习的轴承故障类型预测方法包括以下步骤：

步骤一，获取振动信号数据集；将N个源域合成一个综合源域，综合源域包含N个源域的所有样本以及样本标签；将N个源域的样本以及样本标签分别输入N个ResNet50深度卷积神经网络进行有监督学习训练出N个故障分类模型的特征提取器和分类器，通过N个故障分类模型的分类器输出N个源域样本的预测标签；将综合源域样本以及样本标签输入ResNet50深度卷积神经网络进行有监督学习训练出故障分类综合模型的特征提取器和分类器，通过故障分类综合模型的分类器输出综合源域样本的预测标签；

步骤二，将步骤一中综合源域样本的预测标签分别与N个源域样本的预测标签两两输入对抗学习网络中进行对抗训练，降低综合源域与N个源域间的领域差异，使得故障分类综合模型学习到综合源域与N个源域间的域不变特征；

步骤三，将目标域样本输入步骤二中的故障分类综合模型进行无监督学习训练，通过故障分类综合模型的分类器能够输出目标域样本的预测标签；

步骤四，将步骤三中目标域样本的预测标签与综合源域的预测标签输入步骤二中的对抗学习网络进行对抗训练，降低综合源域与目标域之间的领域差异，使得故障分类综合模型学习到综合源域与目标域之间的域不变特征，最后目标域样本通过故障分类综合模型的分类器输出目标域样本的预测标签。

3.如权利要求2所述的基于多源域迁移学习的轴承故障类型预测方法，其特征在于，步骤一中，振动信号数据集包括N个源域和一个目标域，且源域和目标域中的故障类型集合相同；源域中的数据和标签均已知，而目标域仅有数据是已知，没有任何的标签信息；源域样本由若干已知类型的振动信号组成，目标域样本由若干未知类型的振动信号组成；

源域与目标域具有公共故障类型，源域样本和目标域样本之间包括不同的分布。源域数据集记为表示第j个源域样本中的第i个振动信号，为振动信号对应的故障类型标签，N_s^j为第j个源域样本数。将N个源域合成一个综合源域数据集，记为其中，表示综合源域样本中的第i个振动信号，为振动信号对应的故障类型标签，为综合源域样本数。目标域数据集记为其中，表示目标域样本中的第i个振动信号，为待预测的目标域故障类型标签，N_t为目标域样本数。对于第j个源域，使用对应故障分类模型的特征提取器G_j提取样本特征后将送入对应故障分类模型的分类器F_j得到第j个源域的样本预测标签通过交叉熵损失函数的计算，提升故障分类模型分类器输出对应源域的预测标签的准确率。对N个故障分类模型对应源域训练的交叉熵损失函数结果求平均计算得到L_C，计算方式如下：

对于综合源域，它对应的故障分类综合模型特征提取器G_N+1提取样本特征样本特征输入对应分类器F_N+1，得到综合源域的样本预测标签对综合源域样本以及样本标签使用交叉熵损失函数进行监督学习训练，通过交叉熵损失函数的计算，提升故障分类综合模型分类器输出综合源域的预测标签的准确率。故障分类综合模型对综合源域训练的交叉熵损失函数计算结果得到计算方式如下：

为了对域不变特征的预测标签进行建模，设G1代表故障分类模型和故障分类综合提取域特征的特征提取器，G2代表故障分类模型和故障分类综合提取域差异特征的特征提取器，F1代表故障分类模型和故障分类综合对域特征分类的分类器，F2代表故障分类模型和故障分类综合对域差异特征分类的分类器，将特征提取器G1提取的域特征输入分类器F1进行分类得到的域特征的预测标签将特征提取器G2提取的域差异特征输入分类器F2进行分类得到的域差异特征的预测标签则上述两个表达式和相减计算可以得到N个源域样本的域不变特征的预测标签同理可以得到综合源域样本的域不变特征的预测标签计算方式如下：

对约束域差异特征进行提取，对于故障分类模型提取N个源域样本和故障分类综合模型提取综合源域样本的域差异特征的约束，用损失函数L_G计算实现，其中K代表个源域振动信号故障类型的数目，计算方式如下：

对于故障分类综合模型提取综合源域和目标域的域差异特征的约束，利用损失函数计算实现，计算方式如下：