(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111363881.X (22)申请日 2021.11.17 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 覃振权　张璇　卢炳先　王雷　 朱明　孙伟峰　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 代理人 苗青 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 119/10(2020.01) (54)发明名称 一种基于多源迁移融合收缩框架的旋转机 械故障诊断方法 (57)摘要 一种基于多源迁移融合收缩框架的旋转机 械故障诊断方法。 对高噪声标注数据进行预处 理； 用源域带标签样本对模型进行预训练， 通过 深度残差收缩网络结构处理高噪声数据， 提取出 高维特征并训练好模型的分类模块； 输入用于训 练的目标域无标签样本， 通过混合损失函数策略 进行域对齐， 得到对迁移后目标域数据特征的分 类结果， 再将所有域分类器的分类结果进行聚合 决策， 对未知状态新增类别标签， 加权计算平均 值得到最终分类结果； 对目标域待测样本进行状 态诊断。 该模 型能有效降低公共 特征易受到与底 层公共分布相关的噪声污染对诊断性能的影响， 能将从多个源域获得的决策信息用于无标注的 目标域数据实现高精度跨域故障诊断， 并能够识 别目标域中的未知状态。 权利要求书3页 说明书9页 附图2页 CN 114048568 A 2022.02.15 CN 114048568 A 1.一种基于多源迁移融合收缩框架的旋转机械故障诊断方法， 其特征在于， 包括以下 步骤： (1)对多源数据分别进行 预处理； 旋转机械故障数据 是一维的振动信号， 包括健康工况、 内圈故障、 外圈故障和滚珠故障 四种健康状态， 每个源域和目标域各划分200个样本， 每种健康状态各50个， 各域样本在健 康状态之间是平衡的； 其中所有带标签源域数据和20％无标签目标域数据用作训练集， 其 余80％无 标签目标域数据用作测试集； (2)将带标签源域样本输入到多源迁移融合收缩模型， 训练特征提取模块对高噪声信 号的提取能力， 并训练多源迁移融合收缩 模型的分类模块； 所述的多源迁移融合收缩模型包括 四个组件： 公共特征提取器、 域特征提取器、 域分类 器和聚合决策组件； 公共特征提取器和 域特征提取器是特征提取模块的主要构成组件， 域 分类器和聚合决策组件是分类模块的关键组件； 公共特征提取器将所有域样本映射到公共特 征空间并全局对齐， 得到公共特 征表示； 域特征提取器数量为源域数量， 接受公共特征提取器提取的公共特征表示， 并分别将 每对源域和目标域数据映射到特定的域特 征空间， 得到域 不变特征表示； 域分类器接收到对应源域的域不变特征表示， 通过全连接层和激活函数得到样本特征 的诊断输出， 应用混合损失函数 策略得到对应标签损失； 聚合决策组件将域分类 器输出集成并计算加权平均值， 得到最终分类结果； 具体如下： (2.1)将带标签源域样本输入到多源迁移融合收缩模型， 随机初始化各网络层权值， 将 对多源数据进行 预处理后生成的批量数据输入到公共特 征提取器开始训练； (2.2)针对公共特征提取器接收到的批量数据， 使用深度残差收缩网络结构提取输入 样本的高层特征表示， 提高多源迁移融合收缩模型 的特征提取能力， 并将每个域的样本分 别输入到公共特 征提取器的下一层和对应的域特 征提取器中； (2.3)域特征提取器对接收到的特征进一步提取， 再输出到相对应的域分类器中， 公共 特征提取器通过自适应层将公共特征 空间中各域特征分布对齐， 得到所有域的公共特征表 示； (2.4)域分类器接收到域特征提取器输出的特征表示， 使用交叉熵函数作为源域训练 的损失函数， 优化分类器卷积层权值， 保证多源迁移融合收缩模型的分类性能， 其计算如 下： 式中， M是类别数量， 是符号函 数， 如果样本i的真实类别等于c则取1， 否则为0， 是 观测样本i属于类别c的预测概 率； (3)将用于训练的无标签目标域样本输入到多源迁移融合收缩模型， 通过混合损失函 数策略获取公共特征提取器提取的多源数据的公共特征表示， 和域特征提取器提取的各个 源域对应目标域的域不变特征表示， 精调多源迁移融合收缩模型的特征提取模块和分类模权　利　要　求　书 1/3 页 2 CN 114048568 A 2块； (3.1)无标签目标域样本输入到公共特征提取器中， 特征提取阶段和步骤(2.1)、 (2.2) 一致， 区别是在(2.2)中将公共特征提取器提取的公共特征表示和目标域数据特征输入到 所有域特 征提取器中； (3.2)域特征提取器中， 添加自适应层对齐目标域数据和源域数据的特征分布， 在对齐 过程中， 使用混合损失函数作为度量， 计算出域对齐损失， 挑选出未见故障的目标域样 本放 入未知健康状态中， 在多个域分类 器中得到不同分类 器的预测值； (3.3)在聚合决策组件中， 对不同域分类器预测结果融合诊断， 若每个域分类器都认为 目标域样本为未知健康状态时， 则目标域样本为未知健康状态； 若至少一个域分类器认为 目标域来自共享的健康状态， 则对多个域分类器预测 概率进行加权， 较大相似性的源域和 目标域提供高置信度， 较小相似性的源域和目标域提供低置信度， 计算加权平均值为最终 预测结果； (4)将无标签目标域待测样本输入到训练好的多源迁移融合收缩模型， 对目标域待测 样本进行状态诊断， 实现不同工况和不同部件之间的高噪声信号 跨域高精度故障诊断。 2.根据权利要求1所述的基于多源迁移融合收缩框架的旋转机械故障诊断方法， 其特 征在于， 步骤(2.2)具体为： 在公共特征提取器和各个域特征提取器中都分别设置一个残差块， 在每层卷积层添加 批归一化处理， 协调内部协变偏移， 使用ReLU非线性激活函数防止梯度消失， 批归一化过程 如下： 式中， μb和σb2是当前批Nbatch个数据的均值和方差， 是对每个数据的归一化， 最后对 归一化数据进行缩放和变换， xn和yn表示小批量中的n个样本的输入和输出特征， γ和β 是两 个用于缩放和移动分布的可训练参数， ∈是一个接 近0的常数； 将软阈值化作为非线性变化层分别插入公共特征提取器和域特征提取器来有效消除 与噪声相关的特 征， 残差块自适应为每 个振动信号确定一组阈值； 软阈值函数计算如下： 权　利　要　求　书 2/3 页 3 CN 114048568 A 3