CN115127814B 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 （燕山大学）

一种基于自适应残差对抗网络的无监督轴本发明公开了一种基于自适应残差对抗网振动信号监督训练得到特征提取器和源域分类振动信号优化基于自适应残差对抗网络的无监用对抗学习和改进多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概2步骤S1、生成源域分类网络模型，根据轴承历史振动信步骤S12，构建源域分类器的网络结构：采用三层全连接层步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊承历史振动信号优化基于自适应残差对抗网络的无监步骤S26，将步骤S25中得到的源域和目标域数据作为特征步骤S27，将步骤S26中得到的源域数据特征作为源基于得到领域分类结果，利用交叉熵损失生成第二损失函数，第3将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全μ为动态加权系数，通过计算域和类别之间的MK_MMD距离得到一个动态加权系数μ权系数μ将MK_MMD距离与多个对抗领域损失定量和定性地结合在一起，形成一个联合分布步骤S29，重复步骤S25_S28并根据相应损失函数不断通过反向传播调整特征提取器、2.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤3.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，4.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，步骤S31，获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处4步骤S32，重复步骤S31并记录每次诊断的故障是否正确5均已成功应用到了轴承故障诊断中。但大多数现有的研究取得理想的结果都基于一个前多数方法侧重于考虑源域和目标域之间的边缘概率分布差异，而忽略了条件概率分布差[0006]本发明需要解决的技术问题是提供一种基于自适应残差对抗网络的无监督轴承学习和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛6况轴承历史振动信号优化基于自适应残差对抗网进残差块之后应用全局平均池化层对特征进行进一步降维并压缩[0016]本发明技术方案的进一步改进在于：所述步骤S11中一维残差网络包含两个初始[0020]步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层权重进行归一化处理以满足SELU激活函数的7别之间的MK_MMD距离得到一个动态加权系数μ,动态加权系数μ将MK_MMD距离与多个对抗领8和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布。此况轴承历史振动信号优化基于自适应残差对抗网[0057]本实施例选取凯斯西储大学(CaseWesternReserveUniversity,CWRU)轴承数9收敛速度，减少了神经网络训练过程中的内部协变量漂移。改进的一维残差网络中采用[0069]步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层分类出故障类别；权重进行归一化处理以满足SELU激活函数的动态加权系数μ来动态衡量边缘概率分布和条件概率分布的相对重要性。如果边缘损失较S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数据。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024，每个类别取标签的目标域测试集Dr.归一化处理后的数据作为基于残