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：北京工业大学

摘要：本发明公开了基于对抗局部最大均值差异的多模态工业过程故障诊断方法，小样本条件下目标模态故障诊断方法的过程包括：对过程序列数据进行滑动窗口截取，获得二维故障诊断输入样本；通过卷积特征提取器提取多模态过程数据的局部动态特征；引入梯度反转层使卷积特征提取器和领域判别器形成对抗关系，以对抗的方式提取模态间领域不变特征，实现全局分布对齐；将局部最大均值差异LMMD度量嵌入到类标签预测器的全连接层，结合目标模态无标签样本的伪标签信息精确实现类级对齐。本发明所述的多模态故障诊断方法，在基于对抗训练的基础上引入LMMD子域对齐，来实现关键过程知识的迁移，最终有效提升跨域故障诊断性能。

主权项：1.基于对抗局部最大均值差异的多模态工业过程故障诊断方法，其特征在于包括以下步骤：Ⅰ数据预处理；1采集不同稳定模态下的正常历史数据和故障样本，得到某一稳定模态的过程数据构成样本集X＝[x1′,x′2,…,x′N]T∈RN×A，R表示实数集，该样本集包含N个采样时刻，每个采样时刻采集A个过程变量，即第k个采样时刻采集的数据为x′k＝[xk,1,xk,2,…,xk,A]；2对历史过程数据X进行标准化处理，处理方法为：首先计算历史数据X所有时刻上所有过程变量的均值和标准方差，其中第a个过程变量的计算公式为，xk,a表示第k个采样时刻的第a个过程变量的测量值；第a个过程变量的标准方差计算公式为，然后对历史过程数据X进行标准化，其中第k个采样时刻的第a个过程变量的标准化计算公式如下： 其中，k＝1,2,…,N，a＝1,2,…,A；上述预处理后使第k时刻每个元素的值限定在[0,1]的范围之间；3考虑到过程变量前后时刻的动态性和关联性有助于表征过程变量的关联关系，将采样时刻前后相邻时刻的所有观测变量作为一个整体构成二维矩阵，该二维矩阵作为一个样本输入网络进行训练；使用滑动窗对标准化后的历史数据序列进行分割，滑动窗的窗宽为h，步长为s；从第h采样时刻开始收集第一个样本，共可分割N-hs个样本，第i个样本xi的数据格式为h×A；4经过上述样本分割之后，得到带标签源模态样本和无标签目标模态样本其中，表示领域，即模态，和分别表示分割后的源模态样本和目标模态样本，表示源模态样本的真实标签，nS表示源模态的样本数量，nT表示目标模态的样本数量；II目标模态故障诊断模型训练；1构建基于对抗局部最大均值差异的深度领域自适应网络模型，其中包括卷积特征提取器、领域判别器、类标签预测器；卷积特征提取器的输出特征进行展平分别作为领域判别器、类标签预测器的输入，类标签预测器输出预测的具体故障类别信息，领域判别器输出领域类别信息；三部分的结构细节如下：卷积特征提取器共包括三层卷积层、一层最大池化层、三层BatchNorm层，为了防止过拟合问题，加入一层随机置零概率为0.5的Dropout层；类标签预测器由两层全连接层、两层BatchNorm层、一层随机置零概率为0.5的Dropout层以及一层Softmax输出层构成；领域判别器由两层全连接层、两层BatchNorm层以及一层Softmax输出层构成；卷积特征提取器每层的参数分别为：卷积核为3*4、步长为1、通道数为64的卷积层1；通道数为64的BatchNorm层1；最大池化层1；卷积核为2*4、步长为1、通道数为50的卷积层2；通道数为50的BatchNorm层2；卷积核为3*4、步长为1、通道数为50的卷积层3；通道数为50的BatchNorm层3；Dropout层1；类标签预测器每层的参数分别为：通道数为500的全连接层1；通道数为500的BatchNorm层1；Dropout层1；通道数为100的全连接层2；通道数为100的BatchNorm层2；通道数为12的Softmax输出层；领域判别器每层的参数分别为：通道数为500的全连接层1；通道数为500的BatchNorm层1；通道数为100的全连接层2；通道数为100的BatchNorm层2；通道数为2的Softmax输出层；2在源模态样本上使用损失函数Lyθf,θy训练整体网络模型，优化过程如下所示： 其中，类分类误差选用交叉熵损失函数，Gf·表示卷积特征提取器输入空间到输出空间的映射关系，Gy·表示类标签预测器的特征映射；θf、θy分别表示卷积特征提取器、类标签预测器的网络参数，训练前进行随机初始化，训练过程中不断迭代更新参数值；3领域判别器标记源模态样本的领域标签di为0，目标模态样本的领域标签di为1，领域判别器的损失函数如下所示： 其中，θd表示领域判别器的网络参数，训练前进行随机初始化，训练过程中使用随机梯度下降算法或者改进算法不断迭代更新参数值；4结合上述步骤，最小化类标签预测器的分类损失，最大化领域判别器的判别损失，对抗训练损失函数定义如下： 其中，λ为权衡参数，取值为0,1]之间；5采用局部最大均值差异LMMD度量对齐两个领域的子域分布，LMMD的无偏估计如下式所示： 其中，再生核Hillbert空间RKHS是一个由核函数构成的带有内积的完备向量空间，φ·表示将原始样本映射到RKHS的核函数，c表示样本属于第c类，C表示整个样本集共有C个类别；fiS、分别表示第i个源模态样本类标签预测器最后一层全连接层的特征表示、第j个目标模态样本类标签预测器最后一层全连接层的特征表示；分别表示属于类别c的和的权重参数，并且权重参数满足： 样本xi的权重参数通过下式计算： 其中，yic表示向量yi的第c个分量；对于源模态样本，可以通过利用真实标签的one-hot编码计算每个样本的目标模态样本由于没有真实标签，使用类标签预测器的输出进行计算；该分布度量实质是最小化源模态和目标模态相同类别样本的距离，最大化不同类别样本的距离，从而实现类级对齐；6基于对抗局部最大均值差异的多模态工业过程故障诊断框架总体损失函数如下： 7使用损失函数Lθf,θy,θd训练整个网络模型，利用Adam优化器对模型参数进行迭代优化，当总体损失函数趋于稳定且前后两批次误差小于0.001，或者达到最大迭代次数300时，终止迭代，继而获得无标签目标模态的故障诊断模型；III将目标模态样本输入相应的目标模态故障诊断模型，获得过程样本的具体健康状况标签，实现故障类型的准确判断。

全文数据：

权利要求：

百度查询： 北京工业大学 基于对抗局部最大均值差异的多模态工业过程故障诊断方法