专利交易市场

本发明公开了一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，构建模型框架；模型学习；其中，所述模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器；所述构建模型框架的步骤包括：获取机械振动源域数据和目标域数据；输入源域样本集和源域标签集；建立对抗判别故障诊断模型；构建故障诊断损失函数；其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数，本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率。

本发明公开了一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，针对域偏移以及目标域故障样本稀缺的场景。该方法包括如下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。第二步，通过源域样本及辅助训练样本构建新训练集。第三步，通过训练数据来训练特征提取器，获得原始特征。第四步，通过特征筛选进一步获得处理后特征。第五步，对处理后特征进行分类，并对子模型的输出进行分布对齐。第六步，将故障信号输入训练好的网络进行诊断。本发明的变工况下基于风格迁移的高泛化性机器故障智能诊断方法更好地实现了变工况目标域故障样本缺失场景下的智能诊断。

本发明公开了设备运行工况变化具有强鲁棒性的稳定智能故障诊断方法，它涉及设备在线检测技术领域。它包含以下检测步骤：构建密度聚类子网络预先标注无标签在线监测数据，建立带有增量稀疏伪标签矩阵的特征提取主网络；从网络快速计算模式和网络快速更新架构角度出发，分别构建适应故障诊断任务的二值神经网络和宽度网络；提取设备运行工况特征；合理设计故障部件和转子系统故障试验，并对所提出的新理论方法用转子系统实测信号数据进行持续验证和完善，基于宽度学习、对抗生成网络以及迁移学习等理论及新方法，针对设备健康状态在线监测要求，最终形成可稳定诊断且实时更新的在线故障诊断方法，获得智能故障诊断的更高敏捷性和稳定性。