(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 202111362333.5 (22)申请日 2021.11.17 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 柳春　李少杰　汪小帆　任肖强　 彭艳　谢少荣　李扬　 (74)专利代理 机构 上海智晟知识产权代理事务 所(特殊普通 合伙) 31313 代理人 李镝的 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 111/08(2020.01) (54)发明名称 基于相互局部对抗迁移学习的旋转机械故 障诊断方法 (57)摘要 本发明提供了一种基于相互局部对抗迁移 学习的旋转机械故障诊断方法， 包括： 考虑到目 标域数据中隐含的标签信息没有被充分利用， 设 计了一种相互学习的网络结构来学习可靠的伪 标签， 进而使得没有 标签的目标域数据得以充分 利用， 从而提高模型性能。 相比于单个网络结构 来比该模型的鲁棒性更好。 考虑到忽略故障的类 别信息直接从全局的角度来对齐源域与 目标域 数据可能会 出现对齐偏差的问题， 提供多个局部 对抗域分类器取代全局对抗域分类器， 每个局部 对抗域分类器分别对齐每一个类别的源域和目 标域特征， 以得到更好的相似特 征。 权利要求书3页 说明书9页 附图1页 CN 114021285 A 2022.02.08 CN 114021285 A 1.一种基于相互局部对抗迁移学习的旋转机 械故障诊断方法， 其特 征在于， 包括： 利用相互学习 网络结构进行故障诊断， 两个网络相互指导获得更为可靠的伪标签， 使 得目标域数据得以充分利用， 从而提升模型效果及其鲁棒 性； 以及提供多个局部对抗域分类器以取代全局对抗域分类器， 每个局部对抗域分类器分 别对齐每一个类别的源域和目标域特 征， 以得到经改善的相似特 征。 2.如权利要求1所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 其中利用相互学习网络结构进行故障诊断包括： 提供相互学习 网络结构， 相互学习 网络结构包括至少两个网络， 该至少两个网络之间 互为同伴网络； 每个网络在训练过程中采用有标记的源域故障数据的同时， 参考同伴网络的学习经验 提升泛化能力； 以及 两个网络之间分享学习经验， 以进行互相学习， 根据互相学习结果进行故障诊断。 3.如权利要求2所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： 类别概率估计具有网络提取到的数据本质规 律， 体现数据的内在本质特性； 相互学习结构进行类别概率估计交互使 网络之间传递学习到的数据分布特性， 从而使 得网络改善泛化 性能； 以及 基于网络改善泛化性 能， 采用相互学习的结构互换每个网络传递学习到的数据分布特 性， 相互指导和学习直至收敛。 4.如权利要求3所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： 采用Wasserstein距离约束类别概 率估计的分布差异达 到最小， 起到正则化的作用； 将其中一个网络的类别概率估计传递给另一个网络时， 提供额外的类别先验约束， 防 止标签分类 器过度拟合真值标签的0 ‑1分布， 有效降低过拟合发生 概率。 5.如权利要求4所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： 代理分类器充当标签分类器和特征提取器之间的桥梁， 确保代理分类器、 标签分类器 和特征提取器使用目标域中的标签信息； 代理分类器使两个标签分类器不必强制彼此对齐， 避 免让两个独立的网络彼此信服对 方的预测结果， 代理分类器在训练过程中将两个网络联通起来， 起到一个交换两个网络学 习到的信息的作用； 以及 代理分类 器的结构使得 标签分类 器和特征提取器之间执 行以下动作： 指示对方如何获得伪标签， 每一步的预测值必须与对方的代理分类器的预测值的分布 差异最小， 以避免传统相互学习 结构由于没有指示如何获得伪标签， 强制 两个网络信服对 方的预测结果， 从而导 致诊断效果 不好的问题。 6.如权利要求5所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： 基于一个目标域样本只与自己最相关的类别数据对齐， 多个局部域判别器进行不同类 别故障数据分布的细粒度对齐， 减小负迁移的概率， 从而避免判别结构在不同分布的错误权　利　要　求　书 1/3 页 2 CN 114021285 A 2对齐。 7.如权利要求3所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： 数据预处 理模块对旋转机 械设备上收集到的振动信号做数据预处 理； 特征提取模块构建一个多层CNN卷积网络提取特征， 通过设置不同的初始化参数提取 不同尺度的特 征； 域适应模块设计3个Loss函数以构成最终的Loss函数， 3个Loss函数包括源域标签数据 分类Softmax多分类L osscls、 Softmax二分类域判别器L ossdom和相互学习结构的L ossml； 以及 通过最小化最终的Loss函数， 训练得到源域与目标域的域不变特征， 以改善迁移学习 故障诊断效果； 其中Losscls为源域有标签数据的损失函数， 基于损失函数有监督特性， 保证整个模型 的效果。 8.如权利要求7所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括： Lossdom由k个Softmax二分类域判别器组成， k为故障类别数， 基于不同故障类型的特征 不同， 采用多个局部域分类器分别对齐每个类别的源域与目标域特征， 以避免域对抗分类 器从全局的角度对齐源域与目标域特 征对齐出现偏差； Lossml采用Wasserstein距离衡量网络1的代理分类器对伪标签的预测与网络2的标签 分类器对伪标签的预测的分布差异， 采用Wasserstein距离衡量网络2的代理分类器对伪标 签的预测与网络2的标签分类器对伪标签的预测的分布差异， 起到两个网络相互指导， 相互 学习的作用； Loss＝Losscls+Lossdom+Lossdml。 9.如权利要求3所述的基于相 互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括同种数据集在不同工况 下迁移： 基于第一假设、 第二假设和第三假设， 将从源域数据学到的诊断知识迁移到数据量不 足的工况 下， 以改善诊断效果； 第一假设包括： 不同工况 下收集到的轴承或齿轮振动信号有差别； 第二假设包括： 旋转机 械运行处于变工况 条件下； 第三假设包括： 至少一种工况下收集到的数据量不足， 其中一种工况下具有足够的标 记数据作为源域数据； 不同工况 下收集到的轴承或齿轮振动信号有差别包括负载不同和/或转速不同。 10.如权利要求3所述的基于相互局部对抗迁移学习的旋转机械故障诊断方法， 其特征 在于， 还包括不同数据集之间迁移：权　利　要　求　书 2/3 页 3 CN 114021285 A 3