【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及工業(yè)故障診斷，具體涉及多目標(biāo)域遷移場(chǎng)景下針對(duì)集群設(shè)備快速部署遷移的工業(yè)故障診斷，尤其涉及一種基于多維度知識(shí)遷移的故障診斷方法。
技術(shù)介紹
1、近年來(lái)，在數(shù)據(jù)采集和處理技術(shù)快速發(fā)展的推動(dòng)下，深度學(xué)習(xí)在各個(gè)領(lǐng)域得到了極大的關(guān)注和研究。深度神經(jīng)網(wǎng)絡(luò)在分類和回歸方面已經(jīng)顯示出其優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法的優(yōu)勢(shì)。然而，深度神經(jīng)網(wǎng)絡(luò)的優(yōu)異性能主要依賴于足夠的標(biāo)記數(shù)據(jù)。它還要求訓(xùn)練樣本和測(cè)試樣本遵循相同的分布。然而，在實(shí)際的工業(yè)運(yùn)維過(guò)程中，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集之間由于機(jī)器運(yùn)行狀態(tài)的切換經(jīng)常存在領(lǐng)域差異。與此同時(shí)，在大型工業(yè)過(guò)程中，獲得足夠標(biāo)記訓(xùn)練樣本的成本很高。為此，遷移學(xué)習(xí)通過(guò)將知識(shí)從源域（原始存儲(chǔ)的數(shù)據(jù)）提取并遷移到目標(biāo)域（新獲得的數(shù)據(jù)），為解決分布差異提供了一種可行的方案。
2、現(xiàn)有的遷移學(xué)習(xí)方法通過(guò)分布對(duì)齊或?qū)箤W(xué)習(xí)來(lái)學(xué)習(xí)域不變特征。然而，在實(shí)際應(yīng)用中，由于不同的工況切換，收集到的數(shù)據(jù)可能來(lái)自不同的分布（即不同的域），期望將一個(gè)有標(biāo)簽域中的知識(shí)遷移至其他標(biāo)簽不充足的域中。為此，多目標(biāo)遷移學(xué)習(xí)的動(dòng)機(jī)是從源域構(gòu)建模型并推廣到多個(gè)不同的目標(biāo)域，現(xiàn)有的多目標(biāo)域的遷移學(xué)習(xí)方法研究還并不充分，主要可以分為基于分布對(duì)齊的方法、基于特征解耦的方法和偽標(biāo)簽迭代更新的方法。
3、其中，基于特征的方法通過(guò)將數(shù)據(jù)映射到域不變空間來(lái)對(duì)齊跨域數(shù)據(jù)的數(shù)據(jù)分布，雖然該方法可以減少跨域數(shù)據(jù)分布之間的距離，但由于盲目的對(duì)齊特征可能會(huì)導(dǎo)致負(fù)遷移的情況發(fā)生。基于特征解耦的方法通過(guò)數(shù)據(jù)公有特征和私有特征之間的解耦，過(guò)濾域特有信息，實(shí)現(xiàn)對(duì)特征的
4、總的來(lái)說(shuō)，現(xiàn)有的方法主要是依靠數(shù)據(jù)知識(shí)希望實(shí)現(xiàn)分布對(duì)齊的訴求，但是在多目標(biāo)域場(chǎng)景中，隨著目標(biāo)域的增多，能夠提取到的公有信息會(huì)進(jìn)一步減少且相對(duì)于多源域遷移學(xué)習(xí)可用的監(jiān)督信息更少，這對(duì)建立模型的適應(yīng)能力要求更高。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于針對(duì)現(xiàn)有技術(shù)中傳統(tǒng)遷移學(xué)習(xí)中多目標(biāo)域中可用的監(jiān)督信息較少、可能提取到的公有信息較少的問題，提供一種基于多維度知識(shí)遷移的故障診斷方法。本專利技術(shù)通過(guò)采用數(shù)據(jù)知識(shí)和語(yǔ)義知識(shí)融合建模策略，構(gòu)建雙分支神經(jīng)網(wǎng)絡(luò)模型，通過(guò)不同維度的知識(shí)融匯與交互，實(shí)現(xiàn)源域到多個(gè)目標(biāo)域的知識(shí)遷移和校正。
2、本專利技術(shù)的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于多維度知識(shí)遷移的故障診斷方法，包括以下步驟：
3、（1）獲取源域數(shù)據(jù)、多目標(biāo)域數(shù)據(jù)以及各類故障在源域和多目標(biāo)域中的語(yǔ)義屬性矩陣，以構(gòu)建源域數(shù)據(jù)集和多目標(biāo)域數(shù)據(jù)集；
4、（2）基于數(shù)據(jù)知識(shí)和語(yǔ)義知識(shí)引導(dǎo)構(gòu)建雙分支神經(jīng)網(wǎng)絡(luò)模型；其中，所述雙分支神經(jīng)網(wǎng)絡(luò)模型包括源域的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)以及m個(gè)目標(biāo)域的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)，源域的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)包括數(shù)據(jù)特征提取器和故障分類器，源域的語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)包括屬性特征提取器和屬性分類器，第m個(gè)目標(biāo)域的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)包括數(shù)據(jù)特征提取器和故障分類器，第m個(gè)目標(biāo)域的語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)包括屬性特征提取器和屬性分類器；
5、（3）使用源域數(shù)據(jù)集和多目標(biāo)域數(shù)據(jù)集對(duì)雙分支神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以最小化雙分支神經(jīng)網(wǎng)絡(luò)模型的總損失函數(shù)為優(yōu)化目標(biāo)，優(yōu)化雙分支神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直至達(dá)到預(yù)設(shè)的訓(xùn)練輪次，以獲取訓(xùn)練好的雙分支神經(jīng)網(wǎng)絡(luò)模型；
6、（4）利用訓(xùn)練好的雙分支神經(jīng)網(wǎng)絡(luò)模型進(jìn)行不同目標(biāo)域的故障診斷任務(wù)。
7、進(jìn)一步地，所述源域數(shù)據(jù)集表示為，其中分別表示源域數(shù)據(jù)集中的第i個(gè)數(shù)據(jù)樣本以及對(duì)應(yīng)的故障類別標(biāo)簽和故障語(yǔ)義屬性矩陣標(biāo)簽，表示源域數(shù)據(jù)集中的樣本總數(shù)，表示每個(gè)樣本由r維的變量測(cè)量值組成，表示樣本的第1維測(cè)量值，表示樣本的第2維測(cè)量值，表示樣本的第r維測(cè)量值，每個(gè)故障語(yǔ)義屬性矩陣標(biāo)簽均為一個(gè)0-1屬性矩陣；
8、所述多目標(biāo)域數(shù)據(jù)集共包含m個(gè)目標(biāo)域數(shù)據(jù)集，第m個(gè)目標(biāo)域數(shù)據(jù)集表示為，其中分別表示第m個(gè)目標(biāo)域數(shù)據(jù)集中的第i個(gè)數(shù)據(jù)樣本以及對(duì)應(yīng)的故障類別標(biāo)簽和故障語(yǔ)義屬性矩陣標(biāo)簽，表示第m個(gè)目標(biāo)域數(shù)據(jù)集中的樣本總數(shù)，每個(gè)故障語(yǔ)義屬性矩陣標(biāo)簽均為一個(gè)0-1屬性矩陣。
9、進(jìn)一步地，所述雙分支神經(jīng)網(wǎng)絡(luò)模型具體包括：
10、將每個(gè)域中的數(shù)據(jù)樣本輸入到雙分支神經(jīng)網(wǎng)絡(luò)模型中，每個(gè)域中的數(shù)據(jù)樣本分別進(jìn)入對(duì)應(yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)中，首先，在數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)中，數(shù)據(jù)樣本經(jīng)過(guò)數(shù)據(jù)特征提取器，得到對(duì)應(yīng)的數(shù)據(jù)特征，該數(shù)據(jù)特征經(jīng)過(guò)故障分類器，得到對(duì)應(yīng)的預(yù)測(cè)的故障類別；然后，在語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)中，數(shù)據(jù)樣本經(jīng)過(guò)屬性特征提取器，得到對(duì)應(yīng)的屬性特征，該屬性特征經(jīng)過(guò)屬性分類器，得到對(duì)應(yīng)的預(yù)測(cè)的故障語(yǔ)義屬性矩陣；
11、在雙分支神經(jīng)網(wǎng)絡(luò)模型的推理過(guò)程中，同步確定源域和m個(gè)目標(biāo)域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)，用于實(shí)現(xiàn)語(yǔ)義知識(shí)引導(dǎo)的跨域?qū)R的訓(xùn)練目標(biāo)函數(shù)，用于實(shí)現(xiàn)語(yǔ)義知識(shí)向數(shù)據(jù)知識(shí)的信息傳遞的訓(xùn)練目標(biāo)函數(shù)，用于實(shí)現(xiàn)語(yǔ)義知識(shí)的自校正的訓(xùn)練目標(biāo)函數(shù)，以及利用數(shù)據(jù)知識(shí)實(shí)現(xiàn)對(duì)不準(zhǔn)確的語(yǔ)義知識(shí)的校正的訓(xùn)練目標(biāo)函數(shù)。
12、進(jìn)一步地，所述源域和m個(gè)目標(biāo)域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)，具體包括：
13、將源域數(shù)據(jù)集中的數(shù)據(jù)樣本輸入至雙分支神經(jīng)網(wǎng)絡(luò)模型中源域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)，首先，在數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)中，數(shù)據(jù)樣本經(jīng)過(guò)數(shù)據(jù)特征提取器，得到對(duì)應(yīng)的數(shù)據(jù)特征，表示為：
14、
15、式中，表示源域數(shù)據(jù)集中的數(shù)據(jù)樣本，，表示數(shù)據(jù)樣本對(duì)應(yīng)的數(shù)據(jù)特征，；該數(shù)據(jù)特征再經(jīng)過(guò)故障分類器，得到對(duì)應(yīng)的預(yù)測(cè)的故障類別，通過(guò)最大化數(shù)據(jù)特征和故障類別標(biāo)簽之間的互信息實(shí)現(xiàn)，表示為：
16、
17、式中，表示源域中的數(shù)據(jù)特征的集合和故障類別標(biāo)簽的集合之間的互信息量大小，，和分別表示源域中的單個(gè)樣本的故障類別標(biāo)簽和數(shù)據(jù)特征的概率分布表示和的聯(lián)合概率分布，表示關(guān)于的條件概率分布；同時(shí)，要求最小化數(shù)據(jù)特征和輸入的原始數(shù)據(jù)樣本間的互信息，表示為：
18、
19、式中，表示源域中的數(shù)據(jù)特征的集合和源域數(shù)據(jù)集中的數(shù)據(jù)樣本的集合之間的互信息量大小，表示源域中的單個(gè)數(shù)據(jù)樣本和數(shù)據(jù)特征的聯(lián)合概率分布，表示關(guān)于的條件概率分布，表示一個(gè)關(guān)于的參考正態(tài)分布；由上得到，源域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)，表示為：
20、
21、式中，為的權(quán)重系數(shù)；
22、同理得到源域?qū)?yīng)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于多維度知識(shí)遷移的故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述源域數(shù)據(jù)集表示為，其中分別表示源域數(shù)據(jù)集中的第i個(gè)數(shù)據(jù)樣本以及對(duì)應(yīng)的故障類別標(biāo)簽和故障語(yǔ)義屬性矩陣標(biāo)簽，表示源域數(shù)據(jù)集中的樣本總數(shù)，表示每個(gè)樣本由r維的變量測(cè)量值組成，表示樣本的第1維測(cè)量值，表示樣本的第2維測(cè)量值，表示樣本的第r維測(cè)量值，每個(gè)故障語(yǔ)義屬性矩陣標(biāo)簽均為一個(gè)0-1屬性矩陣；
3.根據(jù)權(quán)利要求1所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述雙分支神經(jīng)網(wǎng)絡(luò)模型具體包括：
4.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述源域和M個(gè)目標(biāo)域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)，具體包括：
5.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述用于實(shí)現(xiàn)語(yǔ)義知識(shí)引導(dǎo)的跨域?qū)R的訓(xùn)練目標(biāo)函數(shù)的表達(dá)式為：
6.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述用于實(shí)現(xiàn)語(yǔ)義知識(shí)向數(shù)據(jù)知
7.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述用于實(shí)現(xiàn)語(yǔ)義知識(shí)的自校正的訓(xùn)練目標(biāo)函數(shù)，具體通過(guò)如下方法確定：
8.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述利用數(shù)據(jù)知識(shí)實(shí)現(xiàn)對(duì)不準(zhǔn)確的語(yǔ)義知識(shí)的校正的訓(xùn)練目標(biāo)函數(shù)，具體通過(guò)如下方法確定：
9.根據(jù)權(quán)利要求1所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述步驟（3）具體包括：
10.根據(jù)權(quán)利要求9所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的基礎(chǔ)訓(xùn)練損失的計(jì)算公式為：
...【技術(shù)特征摘要】
1.一種基于多維度知識(shí)遷移的故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述源域數(shù)據(jù)集表示為，其中分別表示源域數(shù)據(jù)集中的第i個(gè)數(shù)據(jù)樣本以及對(duì)應(yīng)的故障類別標(biāo)簽和故障語(yǔ)義屬性矩陣標(biāo)簽，表示源域數(shù)據(jù)集中的樣本總數(shù)，表示每個(gè)樣本由r維的變量測(cè)量值組成，表示樣本的第1維測(cè)量值，表示樣本的第2維測(cè)量值，表示樣本的第r維測(cè)量值，每個(gè)故障語(yǔ)義屬性矩陣標(biāo)簽均為一個(gè)0-1屬性矩陣；
3.根據(jù)權(quán)利要求1所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述雙分支神經(jīng)網(wǎng)絡(luò)模型具體包括：
4.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷方法，其特征在于，所述源域和m個(gè)目標(biāo)域?qū)?yīng)的數(shù)據(jù)知識(shí)引導(dǎo)分支網(wǎng)絡(luò)和語(yǔ)義知識(shí)引導(dǎo)分支網(wǎng)絡(luò)的訓(xùn)練目標(biāo)函數(shù)，具體包括：
5.根據(jù)權(quán)利要求3所述的基于多維度知識(shí)遷移的故障診斷...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙春暉，任嘉毅，金建祥，
申請(qǐng)(專利權(quán))人：浙江大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。