(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110234849.5 (22)申请日 2021.03.03 (65)同一申请的已公布的文献号 申请公布号 CN 112966345 A (43)申请公布日 2021.06.15 (73)专利权人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号北 京航空航天大 学 (72)发明人 王艺玮　周健　郑联语　 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/04(2020.01) (56)对比文件 CN 111060318 A,2020.04.24CN 110555273 A,2019.12.10 CN 112241608 A,2021.01.19 CN 111504644 A,2020.08.07 US 202015 0622 A1,2020.0 5.14 WO 2019228358 A1,2019.12.0 5 JIAN ZHOU 等.A Multista ge Deep Transfer Learn ing Method for Mac hinery Fault Dia gnostics Acros s Diverse W orking Conditions and Devices. 《IE EE Access》 .2020,第8卷全 文. 陈仁祥等.多分类 器集成加权均衡分布适配 的滚动轴承 寿命阶段识别. 《仪 器仪表学报》 .2019,(第10期), 审查员 王婷婷 (54)发明名称 基于对抗训练和迁移学习的旋转机械剩余 寿命预测混合收缩方法 (57)摘要 本发明公开了一种基于对抗训练和迁移学 习的旋转机械剩余寿命预测混合收缩 方法， 首先 利用振动波动检测算法区分设备的健康和退化 状态， 再设置多个模块， 利用阈值自学习模块剔 除提取特征中的干扰， 通过模块间的对抗训练提 高特征域融合度的同时保证特征各状态的分离 度， 引入最大均值差异控制不同数据集合的分布 误差， 最后基于源域特征训练状态预测模块， 实 现旋转机械的迁移预测。 以上特点使得本发明方 法能有效解决旋转机械状态预测问题， 并消除不 同设备和不同工况差异的影 响， 提高状态预测稳 定性。 权利要求书4页 说明书12页 附图5页 CN 112966345 B 2022.06.07 CN 112966345 B 1.基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法， 其特征在于， 包 括以下步骤： S1、 利用振动波动检测算法区分 设备的健康和退化状态； S2、 设置软阈值剔除特 征中的干扰成分； S3、 设置6个模块， 通过模块间的对抗训练提高特征域融合度的同时保证特征的状态分 离度； 所述步骤S3中的6个模块包括特征提取模块FE、 阈值自学习模块TS、 状态区分模块SS、 域判别模块D D、 MMD计算模块M C和状态预测模块S P； 所述6个模块均由神经网络层搭建而成； 所述FE用于从原 始振动信号中提取 特征； 所述TS用于对提取 特征进行软阈值化， 剔除特 征中的干扰成分； 所述SS用于区分特 征的不同寿命状态； 所述DD用于判别特 征所属的不同域； 所述MC用于计算 不同域特 征的分布差异； 所述SP用于预测特 征对应的寿命状态； 所述步骤S3 中的域融合度即不同数据集合的相似程度， 状态分离度即相同数据集合中 对应旋转机 械不同寿命状态的特 征的差异程度； 所述 步骤S3具体为： S31、 利用域判别损失训练D D， 让其能准确判断各域特 征所属的不同域； S32、 利用相对的域判别损失训练FE， 让其能从原 始信号中提取 出迷惑住D D的特征； S33、 FE和DD交替训练， 直至 达到平衡； S34、 利用状态区分损失训练S S， 让其无法区分特 征对应的不同状态； S35、 利用相对的状态区分损失训练FE， 让其能从原始信号中提取出被SS准确区分开不 同状态的特 征； S36、 FE和SS交替训练， 直至 达到平衡； S4、 引入最大均值差异， 通过迁移学习控制不同数据集 合的分布误差； S5、 基于源域特 征利用评价指标训练状态预测模块， 实现旋转机 械的迁移预测。 2.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于， 所述步骤S1中的振动波动检测算法用以安全可靠地从振动数据中确定初 始故障出现的时间FOT； 所述振动波动检测算法表示如下： 式中， Pp()表示振动信号的峰峰值， Std()表示峰峰值标准差； N表示样本量， 也代表区 间数； μ为倍数， 阈值为初始标准差的指定倍数； i即超过阈值的区间序数， 即样本序数； I表 示超过阈值的样本序数的集 合， T()表示样本对应的时间。 3.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于， 所述 步骤S1具体为： S11、 将全部原 始信号划分为多个连续的样本， 计算每 个样本的振幅 峰峰值； S12、 以固定样本数量划分区间， 通过重复首区间值将区间数补至同样本量， 计算每个权　利　要　求　书 1/4 页 2 CN 112966345 B 2区间内的峰 峰值标准差； S13、 以首区间标准差为基准 值， 指定其 倍数为阈值； S14、 确定正向超过该阈值的区间， 即从小于阈值到大于等于阈值的区间， 进一步确定 对应的样本， 并判断后续样 本的峰峰值是否都大于该样本的峰峰值， 若 是， 则该样本对应时 间点为FOT， 若否， 则继续逐满足条件的区间、 样本判断； S15、 若只有一个样本满足条件， 其对应时间点即为FOT； 若有多个样本满足条件， 则取 最早时间点 为FOT。 4.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于所述步骤S2中的软阈值为一种信号降噪方法， 通过设定阈值τ将信号中在区 间[‑τ, τ ]内的值置为0， 让区间外的特 征也朝着原点收缩 τ个单位； 所述软阈值思想在深度 学习中的应用， 是通过创建阈值自学习模块TS来实现的， 阈值τ 由TS学习得到， 进 而对特征进行软阈值化。 5.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于所述 步骤S2具体为： S21、 TS模块将从原始数据中提取出的二维特征平均池化， 变为一个行向量， 保存为阈 值基； S22、 阈值基通过TS中全连接层和标准 化层的计算得到阈值系数； S23、 将阈值系数转置为列向量， 与阈值基相乘得到与原二维特征尺寸相同的阈值矩 阵； S24、 二维特 征与阈值矩阵作差， 小于 0的特征值置0， 大于0的特征值保留。 6.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于所述 步骤S3中的提高域融合度是通过 FE和DD对抗训练来实现的； 所述对抗训练即通过不同且相对的损失来训练FE和DD， 训练DD的目的是使得其能准确 判别特征所属的不同域， 训练FE的目的则是使得其能从原 始信号中提取 出迷惑DD的特征。 7.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于所述 步骤S3中的提高状态分离度是通过 FE和SS对抗训练来实现的； 所述对抗训练即通过不同且相对的损失来训练FE和SS， 训练SS的目的是使得其认为不 同特征对应的寿命状态都是相同的， 训练FE的目的则是使得其能从原始信号中提取出被SS 区分开的特 征。 8.如权利要求1所述的基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方 法， 其特征在于所述 步骤S31中的域判别损失表示如下： 式中， N为批量大小， K表示判别器输出的维度； 表示一个批次中第j个样本的第i维输 出的标签， 表示判别器具体输出； 所述步骤S32中相对的域判别损失表示如下： 式中 表示输出 标签， 与 不同， 其独热编码值代 表所有样本均属于同一 域；权　利　要　求　书 2/4 页 3 CN 112966345 B 3