(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111272727.1 (22)申请日 2021.10.2 9 (71)申请人 宜宾电子科技大 学研究院 地址 644005 四川省宜宾市临港经济开发 区港园路西段9号208号 (72)发明人 凡时财　苏志恒　何建　 (74)专利代理 机构 四川鼎韬律师事务所 513 32 代理人 温利平 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于DJTN迁移学习的智能故障诊断方法 (57)摘要 本发明公开了一种基于DJTN迁移学习的智 能故障诊断方法， 选择用于参照的已存在有 标签 数据集的工作条件， 然后对于需要进行故障诊断 的待诊断工作条件， 采用有 标签数据集相同的工 作信号采集方法采集得到智能机械的无标签数 据集， 构建包括特征提取模块、 迁移学习模块和 分类模块的DJT N迁移学习模型， 有标签数据集和 无标签数据集输入DJTN迁移学习模型对其进行 训练， 对于训练好的DJTN迁移学习模型， 将其中 特征提取器和分类模块构成故障诊断模型， 将无 标签数据集中的每个工作信号数据样本分别输 入故障诊断模型， 得到对应的健康状态诊断结 果。 本发明通过迁移学习， 提高了对故障诊断中 智能机械工作条件 多样的鲁棒 性。 权利要求书2页 说明书7页 附图1页 CN 114065945 A 2022.02.18 CN 114065945 A 1.一种基于DJTN迁移学习的智能故障诊断方法， 其特 征在于， 包括以下步骤： S1： 在已存在有标签数据集的工作条件中， 根据实际情况选择用于参照的工作条件， 记 该工作条件下智能机 械的有标签数据集 为Ds： Ds＝{(xs,i,ys,i),xs,i∈Xs,ys,i∈Ys} 其中， Xs表示有标签数据集Ds中智能机械的工作信号数据样本集合， xs,i表示工作信号 数据样本集合Xs中的第i个工作信号数据样本， i＝1,2, …,Ns， Ns表示工作信号数据样本集 合Xs中样本数量， 工作信号数据样本xs,i为L×M大小的矩阵， 其中L表示每个工作信号的样 本采集时刻数量， M表示每个样本采样时刻所采集的数据 特征维度； Ys表示有标签数据集Ds 中智能机械的健康状态标签集合， ys,i表示工作信号数据样 本xs,i对应的健康状态标签， ys,i ＝1,2,…,C， C表示健康状态数量； 同时为有标签数据集Ds中每个工作信号数据样本xs,i设 置工作条件标签 表示该工作信号数据样本在参照工作条件下采集； S2： 对于需要进行故障诊断的待诊断工作条件， 采用有标签数据集相同的工作信号采 集方法采集得到智能机 械的无标签数据集Dt： Dt＝{(xt,j),xt,j∈Xt} 其中， Xt表示无标签数据集Dt中智能机械的工作信号数据样本集合， xt,j表示工作信号 数据样本集合Xt中的第j个工作信号数据样本， j＝1,2, …,Nt， Nt表示工作信号数据样本集 合Xt中样本数量， 工作信号数据样本xt,j为L×M大小的矩阵； 同时为无标签数据集Dt中每个 工作信号数据样本xt,j设置工作条件标签 表示该工作信号数据样本在待诊断工作 条件下采集； S3： 构建DJTN迁移学习模型， 包括特 征提取模块、 迁移学习模块和分类模块， 其中： 特征提取模块用于分别对有标签数据集Ds中的工作信号数据样本xs,i和无标签数据集 Dt中的工作信号数据样本xt,j进行特征提取， 将工作信号数据样本xs,i的特征Fs,i输入至迁 移学习模块和分类模块， 将工作信号数据样本xt,j的特征Ft,j输入至迁移学习模块； 特征提 取模块包括K个卷积核和特征融合模块， K的值根据需要设置， 每个卷积核的大小相同， 每个 卷积核分别对输入的工作信号数据样本进 行卷积操作， 然后将得到的特征输入至特征融合 模块； 特征融合模块将接收到的K个特 征进行叠加， 将叠加得到的特 征进行输出； 迁移学习模块用于对工作信号数据样本xs,i的特征Fs,i和工作信号数据样本xt,j的特征 Ft,j进行迁移学习； 迁移学习模块包括全连接判别网络和差异分布计算模块， 其中判别模块 用于对工作信号数据样本xs,i的特征Fs,i或工作信号数据样本xt,j的特征Ft,j所对应的工作 条件进行判别， 输出判别得到的工作条件标签； 差异度量模块用于度量所有工作信号数据 样本xs,i的特征Fs,i和所有工作信号数据 样本xt,j的特征Ft,j在分布上的差异dist(Fs,Ft)， Fs 表示所有工作信号数据样本xs,i的特征Fs,i的集合， Ft表示所有工作信号数据样本xt,j的特 征Ft,j的集合； 分类模块用于对工作信号数据样本xs,i的特征Fs,i进行健康状态判别； S4： 将步骤S1得到的有标签数据集Ds和无标签数据集Dt输入DJTN迁移学习模型对其进 行训练， 在训练过程中损失函数L采用如下 方法计算： L＝Lc+λ(‑α Ld+β dist(Fs,Ft)) 其中， λ、 α、 β 分别 为预设的权重系数， Lc表示分类模块对有标签工作信号健康状态的分权　利　要　求　书 1/2 页 2 CN 114065945 A 2类损失， Ld表示迁移学习模块中判别模块对于工作信号数据样本对应工作条件的判别损 失； S5： 对于步骤S4训练好的DJTN迁移学习模型， 将其中特征提取器和分类模块构成故障 诊断模型， 将待诊断工作条件下所采集得到无标签数据集Dt中的每个工作信号数据样本 xt,j分别输入故障诊断模型， 得到每 个工作信号数据样本xt,j对应的健康状态诊断结果。 2.根据权利要求1所述的智能故 障诊断方法， 其特征在于， 所述步骤S4中分类损失Lc的 计算公式如下： 其中， Bs表示当前批次中来自有标签数据集Ds的工作信号数据样本集合， |Bs|表示工作 信号数据样本集合Bs中的样本数量； I[ys,i＝c]表示二值参数， 当ys,i＝c时， I[ys,i＝c]＝1， 当ys,i≠c时， I[ys,i＝c]＝0； 表示工作信号 数据样本xs,i所对应的特征Fs,i经过分类模块 所得到的属于第c种健康状态的概 率。 3.根据权利要求1所述的智能故 障诊断方法， 其特征在于， 所述步骤S4中判别损失Ld的 计算公式如下： 其中， Bt表示当前批次中来自有标签数据集Dt的工作信号数据样本集合， |Bt|表示工作 信号数据 样本集合Bt中的样本 数量； xn表示属于集合Bs∪Bt的工作信号数据样本， 表示工 作信号数据样本xn对应的工作条件标签， 表示判别模块对于工作信号数据样本所得到的 预测工作条件标签。 4.根据权利要求1所述的智能故障诊断方法， 其特征在于， 所述步骤S4中差异dist(Fs, Ft)的计算公式如下： 其中， Φ()表示将工作信号 数据样本的特征映射到 希尔伯特高维空间特征向量的映射函数， 表示在希尔伯特空间中两特征向量的L2范数 的平方。权　利　要　求　书 2/2 页 3 CN 114065945 A 3