CN114970702B 一种基于dmstfa的多分类器设备故障诊断方法 （杭州电子科技大学）

一种基于DMSTFA的多分类器设备故障诊断本发明提出一种基于DMSTFA的多分类器设2所述的设备故障诊断神经网络由三个部分组成：特征提取器，三个分类器和一个构成的特征子空间网络；三个分类器结构相同，每个分类器由一个全连接隐藏层和一个步骤三：将源域和目标域数据输入神经网络中，根据DM域在各个子空间上的域间特征差异损失和类别区分度损失组成，这一部分称为域适配部transfer计算方法如下：齐域不变特征和类别区分度特征的重要性；下面对式中的三个重要组成部分作进一步说3近0.5认为输入特征代表源域和目标域的域不变特征，因为此时域判别器已分不清输入数4所述的第j个子空间上源域和目标域的MK-MMD距离dj计表示源域的第i个样本的数据，表示源域的第i个样本的数据标签,表示组合分类器对第i个样本的预测输出。表示源域的第i个样本的数据，表示源域的第i个样本的数据标签,表示组合分类器对第i个样本的预测输出。5许多独特的特征或模式，而人类几乎不可能通过手动观察或解释来识别这些复杂的特征。件和嘈杂环境下获得更好的性能，基于深度学习的方法越来越受欢迎，例如自动编码器室(源域)的训练数据集样本应该与来自工程场景(目标域)的测试数据集样本具有相同的[0003]这个问题可以通过诊断知识在不同场景或者不同条件下重用的想法来解决，例[0005]为解决上述技术问题，本发明提出一种基于DMSTFA的多分类器设备故障诊断方6[0011]所述的DMSTFA全称为DynamicMultipleSub-structureTransferable7标域的域不变特征，因为此时域判别器已分不清输入数据属于源域还是目标域，因此μ∈8数，表示源域的第i个样本的数据，表示源域的第i个样本的数据标签,j;)表示组合个特征空间上源域与目标域的域间特征分布偏差和多个分类器上源域和目标域的类间特9[0061]所述步骤2)中的设备故障诊断模型整体结构示意图如图2所示，具体构建步骤如成的特征子空间网络；三个分类器结构相同，每个分类器由一个全连接隐藏层和一个过Softmax层输出每个类别上的概率值。设备故障诊断神经网络参数初始化采用正态分布上源域和目标域具有较高的域间相似特征；类别区分度损失是在三个Softmax层后计算，Softmax层输出每个类别上的预测概率值，类别区分度损失越小说明该空间上提取的特征以权重在再生希尔伯特空间(RKHS,reproducingkernelHilbertspace)中两个分布的距[0072]所述步骤4)中的DMSTFA全称为DynamicMultipleSub-structureTransferable齐域不变特征和类别区分度特征的重要性。下面对式中的三个重要组成部分作进一步说[0083]式中表示分类器对源域或者目标域数据预测入属于源域还是目标域，在网络中判别器的最后一层采用sigmoid激活函数使得判别结果认为输入数据属于目标域，当判别结果接近0.5认为输入特征可以代表源域和目标域的域[0096]Step3：计算域判别器对各特征子空间上源域特征和目标域特征的对齐自适应因子μ;过对齐自适应因子动态指导特征提取网络对提取域不变特征和类别区分度特征进行重要行评估，利用设计的相似性权重对多分类器结果重新加权以学习更准确的目标故障分类