一种基于PDA-BLS模型的部分域适配的故障诊断方法及系统

本发明涉及故障诊断，尤其涉及一种基于pda-bls模型的部分域适配的故障诊断方法及系统。

背景技术：

1、在机械故障诊断领域中，受转速或负载等因素的影响，机械设备变工况运行情况普遍存在，而不同工况下采集的振动信号往往具有不同的非线性特性，使得不同工况之间的故障特征存在较大的数据分布差异。此外，作为源域的工况的某些故障类别可能在作为目标域的工况中不会出现，存在目标域的故障类别空间是源域故障类别空间子集的情况，从而衍生出部分域适配故障诊断问题。部分域适配下的源域和目标域不仅具有不同的数据分布，而且存在不一致的标签空间，表现在受源域私有类别的影响，目标域样本可能被误分给源域私有类别，直接对齐源域和目标域之间的特征分布可能导致严重的负迁移情况，从而造成领域适配方法性能退化。

技术实现思路

1、本发明通过提供一种基于pda-bls模型的部分域适配的故障诊断方法及系统，有效地提高了部分域适配下的跨域故障诊断性能。

2、本发明提供了一种基于pda-bls模型的部分域适配的故障诊断方法，包括：

3、基于源域样本和概率标注方法，预测出目标域样本的初始标签；其中，ns为所述源域样本的数目，nt为所述目标域样本的数目；

4、基于所述初始标签通过公式计算出所述pda-bls模型迭代到第iter次时源域类别c中的第q个样本的权重其中，为所述pda-bls模型迭代到第iter-1次时所述目标域样本被预测为类别c的样本个数；

5、通过公式计算出所述pda-bls模型第iter次迭代的源域样本权重向量ωiter；

6、通过公式计算出边缘分布swmmd矩阵v0的第i行第j列的元素(v0)ij；

7、通过公式计算出条件分布swmmd矩阵vc的第i行第j列的元素(vc)ij；

8、通过公式计算出swmmd矩阵v；

9、通过线性变换函数将输入数据x＝[xs，xt]映射到所述pda-bls模型的特征层，形成特征节点再通过激活函数非线性变换生成增强节点hm＝[h1，...，hm]，得到实际输入信号其中，α(xi)t为输入数据x的第i个样本xi经过特征层变换和增强层变换后的输出；

10、通过公式计算出所述源域样本的加权最大均值差异项；其中，β为输出权重矩阵；

11、通过公式计算得到所述pda-bls模型的分类损失；其中，为所述pda-bls模型第iter次迭代的源域样本权重对角矩阵，为源域第i个样本的期望输出，为目标域第j个样本的预测输出，δ∈[0，1]为分类损失平衡因子；

12、对所述输出权重矩阵β施加l2正则化，构造所述pda-bls模型的目标函数其中，θ为正则项系数，γ∈[0，1]为数据分布差异与分类损失之间的平衡因子；

13、求解所述目标函数，得到所述输出权重矩阵β；

14、当训练样本数目ns+nt大于或者等于所述pda-bls模型的节点数nk+m时，采用基于左伪逆算法求解所述pda-bls模型的输出权重矩阵β；

15、当所述训练样本数目ns+nt小于所述pda-bls模型的节点数nk+m时，采用基于右伪逆算法求解所述pda-bls模型的输出权重矩阵β；

16、基于求解出的输出权重矩阵β，通过公式f(x)＝α(x)β＝[f1(x)，f2(x)，...，fc(x)]得到未知标签的目标域样本x的pda-bls模型输出；

17、通过公式label(x)＝arg max fi(x)，i＝1，...，c得到所述未知标签的目标域样本x的预测标签。

18、具体来说，所述采用基于左伪逆算法求解所述pda-bls模型的输出权重矩阵β，包括：

19、通过公式计算出所述输出权重矩阵β；其中，ink+m为(nk+m)×(nk+m)的单位矩阵。

20、具体来说，所述采用基于右伪逆算法求解所述pda-bls模型的输出权重矩阵β，包括：

21、通过公式计算出所述输出权重矩阵β；其中，ys为源域样本的标签矩阵，为预测的目标域样本的标签矩阵。

22、本发明还提供了一种基于pda-bls模型的部分域适配的故障诊断系统，包括：

23、初始标签预测模块，用于基于源域样本和概率标注方法，预测出目标域样本的初始标签；其中，ns为所述源域样本的数目，nt为所述目标域样本的数目；

24、权重获取模块，用于基于所述初始标签通过公式计算出所述pda-bls模型迭代到第iter次时源域类别c中的第q个样本的权重其中，为所述pda-bls模型迭代到第iter-1次时所述目标域样本被预测为类别c的样本个数；

25、权重向量计算模块，用于通过公式计算出所述pda-bls模型第iter次迭代的源域样本权重向量ωiter；

26、边缘分布矩阵运算模块，用于通过公式计算出边缘分布swmmd矩阵v0的第i行第j列的元素(v0)ij；

27、条件分布矩阵运算模块，用于通过公式计算出条件分布swmmd矩阵vc的第i行第j列的元素(vc)ij；

28、swmmd矩阵运算模块，用于通过公式计算出swmmd矩阵v；

29、实际输入信号获得模块，用于通过线性变换函数将输入数据x＝[xs，xt]映射到所述pda-bls模型的特征层，形成特征节点再通过激活函数非线性变换生成增强节点hm＝[h1，...，hm]，得到实际输入信号其中，α(xi)t为输入数据x的第i个样本xi经过特征层变换和增强层变换后的输出；

30、加权最大均值差异项计算模块，用于通过公式计算出所述源域样本的加权最大均值差异项；其中，β为输出权重矩阵；

31、分类损失计算模块，用于通过公式计算得到所述pda-bls模型的分类损失；其中，为所述pda-bls模型第iter次迭代的源域样本权重对角矩阵，为源域第i个样本的期望输出，为目标域第j个样本的预测输出，δ∈[0，1]为分类损失平衡因子；

32、目标函数构造模块，用于对所述输出权重矩阵β施加l2正则化，构造所述pda-bls模型的目标函数

33、

34、中，θ为正则项系数，γ∈[0，1]为数据分布差异与分类损失之间的平衡因子；

35、目标函数求解模块，用于求解所述目标函数，得到所述输出权重矩阵β；

36、输出权重矩阵第一求解模块，用于当训练样本数目ns+nt大于或者等于所述pda-bls模型的节点数nk+m时，采用基于左伪逆算法求解所述pda-bls模型的输出权重矩阵β；

37、输出权重矩阵第二求解模块，用于当所述训练样本数目ns+nt小于所述pda-bls模型的节点数nk+m时，采用基于右伪逆算法求解所述pda-bls模型的输出权重矩阵β；

38、模型输出模块，用于基于求解出的输出权重矩阵β，通过公式f(x)＝α(x)β＝[f1(x)，f2(x)，...，fc(x)]得到未知标签的目标域样本x的pda-bls模型输出；

39、故障标签预测模块，用于通过公式label(x)＝arg max fi(x)，i＝1，...，c得到所述未知标签的目标域样本x的预测标签。

40、具体来说，所述输出权重矩阵第一求解模块，具体用于当训练样本数目ns+nt大于或者等于所述pda-bls模型的节点数nk+m时，通过公式计算出所述输出权重矩阵β；其中，ink+m为(nk+m)×(nk+m)的单位矩阵。

41、具体来说，所述输出权重矩阵第二求解模块，具体用于当所述训练样本数目ns+nt小于所述pda-bls模型的节点数nk+m时，通过公式计算出所述输出权重矩阵β；其中，ys为源域样本的标签矩阵，为预测的目标域样本的标签矩阵。

42、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

43、首先，通过概率标注方法预测目标域样本的标签，获取源域样本权重。然后，在bls框架内，融入源域样本加权的最大均值差异、源域样本加权的分类损失，通过加权策略校正源域共享样本的选择偏差，过滤掉与目标域故障类别不相关的源域样本，仅迁移与目标域故障类别相关的源域样本的知识，从而抑制源域私有类别样本在域适配过程中造成的负迁移。此外，采用目标域样本分类损失方法进一步促进正迁移，以此学习bls分类器，利用学到的bls分类器实现对目标域样本的诊断，依据诊断结果重新计算源域样本的权重，如此反复迭代更新bls分类器，实现部分域适配下的跨域故障诊断。本发明充分利用共享类别的样本相似性，同时克服领域数据分布差异和标签不一致问题，有效地提高了部分域适配下的跨域故障诊断性能。