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！

摘要：本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。

主权项：1.一种基于生成特征重放的轴承增量故障诊断终身学习方法，其特征在于，包括：S1：采集不同故障类型的轴承振动加速度时域信号，进行预处理，获取灰度图片样本，添加故障类型标签，构建轴承状态数据集，并划分为多个不同诊断阶段的数据集；S2：构建原始故障诊断模型，设置其分类器全连接层神经元数量为初始阶段故障类型数量；根据初始阶段故障类型的灰度图片样本，训练得到第一特征提取器与第一分类器；利用第一特征提取器提取的特征，交替训练鉴别器与生成器，获取第一特征生成器；S3：在第n阶段，通过第n-1阶段的第n-1特征提取器与第n-1分类器，初始化第n特征提取器与第n分类器；利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器，同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异；所述特征蒸馏损失函数为：其中，n＝1,2,3，…，N；n取1时，为初始阶段；N为诊断阶段的个数；表示期望，Fn-1x表示第n-1特征提取器提取的特征，Fnx表示第n特征提取器提取的特征；S4：利用第n特征提取器提取的特征与第n-1特征生成器生成的特征，共同训练更新第n分类器，并利用分类损失函数防止第n分类器遗忘；更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和；S5：通过第n-1特征生成器初始化第n阶段的第n特征生成器，再通过第n-1特征生成器生成的特征和第n特征提取器提取出的特征，共同训练得到第n特征生成器；同时利用重放对齐损失函数，约束第n特征生成器生成的特征与第n-1特征生成器生成的特征相似，防止第n特征生成器遗忘；所述重放对齐损失函数表示为： 其中，表示期望，Gnt,z表示第n特征生成器生成的特征，Gn-1t,z表示第n-1特征生成器生成的特征当以给定的先验故障类型t和给定的隐向量z为条件时，约束第n阶段的生成特征与第n-1阶段的生成特征相似；S6：重复步骤S3至S5，直至训练完所有诊断阶段，得到n＝N时的最终故障诊断模型；S7：利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本，得到轴承故障诊断结果。

全文数据：

权利要求：

百度查询： 苏州大学 一种基于生成特征重放的轴承增量故障诊断终身学习方法