CN114580288B 一种基于dsecjan的智能故障诊断方法 （杭州电子科技大学）

本发明公开了一种基于DSECJAN的智能故障诊断方法，该方法由卷积神经网络特征提取模用联合域适应对齐源域和目标域输入特征和输决了深度学习智能故障诊断算法在目标域上泛2DSECJAN模型全称为深度挤压和激励卷积联合域适应神经网络，该网络包括卷积特征DSECJAN模型的非线性激活层均采用非线性修正单元函数RELU；采用一维卷积神经网络作为整个框架的前级特征提取模块；第一层卷积采用大于16×16的卷积核增加感受野，先对源域和目标域数据进行预处理，然后计算e",3层网络，是源域特征张量积的希尔伯特空间特征映FC4[0001]本发明涉及一种设备智能故障诊断方法，尤其是涉及一种基于DSECJAN的智能故NearestNeighbor)和人工神经网络ANN(ArtificialNeuralNetwork)等，已在设备故障统的机器学习方法已经不能满足当前设备智能故障诊短时记忆网络LSTM(Long-ShortTermMemory)和深度残差收缩网络DRSN(DeepResidual[0007]步骤一：按照不同工况条件将数据分成源域数据和目标域数据T表示目标域样本数；[0009]DSECJAN模型全称为深度挤压和激励卷积联合域适应神经网络，该网络包括卷积5[0010]DSECJAN模型的非线性激活层均采用非线性修正单元函数RELU；采用一维卷积神[0015]先对源域和目标域数据进行预处理，然后计算卷积操作和池化操作之后的特征[0019]式中，W1表示全连接层FC1的权重，W2表示全连接层FC2的权重，τ是一个控制计算成本和容量的超参数，C为通道数，N为输入特征图的长度，xconv表示挤压和激励模块的输入，xSE表示其输出，xee".6[0036]本发明提出了一种基于深度挤压和激励卷积联合域适应神经网络的智能故障诊标域上的诊断准确率，解决了深度学习智能故障诊断算法在目标域上泛化能力不强的问7[0047]所述步骤1)根据设备工作条件将传感器采集数据分成源域数据和目[0049]DSECJAN智能故障诊断模型全称为深度挤压和激励卷积联合域适应神经网络(DeepSqueeze-and-ExcitationConvolutionJointAdaptationNetworks)。该网络具模型的非线性激活层均采用非线性修正单元函数RELU(RectifiedLinearUnit)。该模型的最终目标是通过增强对诊断任务更有益的通道特征实现更好的跨域设备智能故障诊断。[0054]x=pool(⃞k'*x'+b')(1)[0057]式中，W1表示全连接层FC1的权重，W2表示全连接层FC2的权重，τ是一个控制计算成本和容量的超参数(设置τ=16可以在准确性和复杂性之间8后的l层网络，是源域特征张量积的希尔伯特空间[0070]DSECAN模型的训练过程包括源域样本预训练和源域与目对齐损失被用来优化目标。采用Adam学习算法(AdaptiveMomentumEstimation)更新目9[0076]所述步骤4)中需要根据目标函数迭代优化DSECJAN模型，在总损失函数值下降到[0078]本发明的步骤2)和步骤3)提出了一种基于深度挤压和激励卷积联合域适应神经[0081]本发明的实验环境为：CPU为IntelgCoreTMi7-6700K@4.00GHz,GPU为GTX[0082]为了验证基于DSECJAN的设