买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：一种基于深度判别无监督领域自适应的旋转机械跨工况故障诊断方法，属于旋转机械故障诊断技术领域。本发明针对基于深度学习的旋转机械故障诊断方法由于训练数据集不能覆盖所有工况，导致目标数据的故障诊断结果不准确的问题。它采用两个故障诊断模型中的一个作为源域故障诊断模型，另一个作为目标域故障诊断模型；由有标签的源域数据和无标签的目标域数据共同构成训练集，采用源域样本数据进行源域故障诊断模型的训练，采用目标域样本数据进行目标域故障诊断模型的训练；基于交叉熵损失、目标域对比估计损失和域混淆损失得到全局损失函数，通过反向传播使全局损失函数最小化以进行故障诊断模型的参数优化。本发明用于旋转机械跨工况故障诊断。

主权项：1.一种基于深度判别无监督领域自适应的旋转机械跨工况故障诊断方法，其特征在于，由基于激活函数SeLU的卷积层、基于α-Dropout的池化层以及基于激活函数SeLU和α-Dropout的全连接层依次连接构建基于一维自归一化的卷积神经网络，作为故障诊断模型；采用两个相同的故障诊断模型进行故障诊断模型的训练；其中一个作为源域故障诊断模型，另一个作为目标域故障诊断模型；由有标签的源域数据和无标签的目标域数据共同构成训练集，采用训练集中的源域样本数据进行源域故障诊断模型的训练，采用训练集中的目标域样本数据进行目标域故障诊断模型的训练；每一次训练过程中，源域样本数据经源域故障诊断模型进行特征提取获得源域样本数据特征，再经归一化指数函数得到源域故障分类结果，结合源域样本数据的真实标签计算源域交叉熵损失；目标域样本数据经目标域故障诊断模型进行特征提取获得目标域样本数据特征，再经归一化指数函数得到目标域故障分类结果，结合目标域样本数据的伪标签计算目标域交叉熵损失；所述伪标签根据有标签的源域数据进行知识估计获得；基于每对目标域样本数据特征采用欧氏距离计算相似度，并计算获得目标域对比估计损失；再基于条件分布对齐机制和边缘分布对齐机制建立升级的联合分布自适应机制，计算源域样本数据特征与目标域样本数据特征的域混淆损失；基于交叉熵损失、目标域对比估计损失和域混淆损失得到全局损失函数，通过反向传播使全局损失函数最小化以进行故障诊断模型的参数优化；在参数优化过程中，每完成一次源域故障诊断模型的训练或目标域故障诊断模型的训练后，对两个故障诊断模型进行权重共享操作，直至完成训练，获得训练后故障诊断模型；采用训练后故障诊断模型进行旋转机械工况数据的故障诊断。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于深度判别无监督领域自适应的旋转机械跨工况故障诊断方法