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：华中科技大学

摘要：本发明公开了一种变工况轴承故障诊断模型的构建方法及应用，所构建的模型中，特征提取模块、生成模块、域分类器以及标签分类器形成了一个整体，通过标签分类器、域分类器和生成模块这三个组件的结合可以有效地生成额外的训练数据，在保证域分类器能够获取域中有区分度的特征的条件下，通过最大化域判别损失，降低其对不同数据的域敏感性，使得域分类器难以处理分辨这些数据，且反过来使得特征提取模块提取更多的域无关时序特征，实现了端到端的联合训练；在不断地对模型进行训练后，使得标签分类器尽可能的细化，域分类器尽可能的泛化，从而提升对于未见过轴承的工况的模型泛化性，实现在不同工况下故障诊断模型也能准确判断故障类型。

主权项：1.一种变工况轴承故障诊断模型的构建方法，其特征在于，包括以下步骤：S1、搭建变工况轴承故障诊断模型；所述变工况轴承故障诊断模型包括：特征提取模块、生成模块、域分类器以及标签分类器；所述特征提取模块用于提取输入数据的时序特征；所述生成模块用生成与时序特征相似的生成特征；所述域分类器用于将输入的时序特征或生成特征映射为对应的预测工况类别；所述标签分类器用于将输入的时序特征或生成特征映射为对应的预测故障类别标签；S2、将现有工况下有真实故障类别标签的轴承振动信号数据作为源域数据、新工况下无真实故障类别标签的轴承振动信号数据作为目标域数据，构成训练样本集；S3、将所述训练样本集输入至所述变工况轴承故障诊断模型中，通过同时最小化特征差异损失和第一标签预测损失，对模型进行第一阶段的训练；所述特征差异损失用于度量所述训练样本集中各训练样本的时序特征与对应生成特征之间的差异；所述第一标签预测损失用于度量所述训练样本集中各训练样本的时序特征所对应的预测故障类别标签与对应真实故障类别标签之间的差异；S4、重复步骤S3进行迭代，直至迭代次数达到预设迭代次数m；m≥1；S5、将所述训练样本集输入至所述变工况轴承故障诊断模型中，通过同时最小化特征差异损失、最大化域判别损失、以及最小化第二标签预测损失，对模型进行第二阶段的训练；所述域判别损失用于度量源域数据的时序特征和生成特征所对应的预测工况类别被判别为源域工况类别、与目标域数据的时序特征和生成特征所对应的预测工况类别被判别为目标域工况类别的判别损失之和；所述第二标签预测损失用于度量所述训练样本集中各训练样本的时序特征、生成特征所对应的预测故障类别标签与对应真实故障类别标签之间的差异；所述第一阶段的训练方法包括以下步骤：S31、采用所述特征提取模块分别提取所述训练样本集中各训练样本的时序特征，并输出至所述生成模块中；S32、采用所述生成模块分别生成各训练样本的时序特征所对应的生成特征；S33、采用所述域分类器度量各训练样本的时序特征与对应生成特征之间的差异，得到特征差异损失；S34、采用所述标签分类器度量所述训练样本集中各训练样本的时序特征所对应的预测故障类别标签与对应真实故障类别标签之间的差异，得到第一标签预测损失；S35、通过最小化所述特征差异损失和所述第一标签预测损失之和，以对所述变工况轴承故障诊断模型中的参数进行更新。

全文数据：

权利要求：

百度查询： 华中科技大学 一种变工况轴承故障诊断模型的构建方法及应用