(19)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 202111675057.8 (22)申请日 2021.12.31 (71)申请人 南京熊猫汉达科技有限公司 地址 210014 江苏省南京市秦淮区联合村 3 号 (72)发明人 南淑君　于祥　牛南坡　张津瑞　 王妍焱　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 薛云燕 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于空间挖掘卷积自编码的动中通卫通设 备故障诊断方法 (57)摘要 本发明公开了一种基于空间挖掘卷积自编 码的动中通卫通设备故障诊断方法， 从多领域故 障特征空间挖掘的角度出发， 采用卷积自编码器 与弱监督信息和领域自适应相结合的方式， 学习 可迁移故障特征挖掘网络， 进而与独特征挖掘网 络构成故障特征提取的两个方面， 将故障特征和 独特征综合利用， 并通过小样 本学习的方式进行 最终的故障特征提取与比较网络。 本发明充分利 用了设备运行过程中易于采集的健康数据， 有效 地进行领域迁移的学习； 故障特征和独特征的联 合应用， 能够既考虑到不同数据领域中的公故障 特征， 又考虑到不同类别数据的差异性， 能够获 得更好的分类效果。 本发明的训练方法采取了小 样本学习的方法， 有效解决了故障诊断问题中故 障数据匮乏的问题。 权利要求书3页 说明书7页 附图5页 CN 114548215 A 2022.05.27 CN 114548215 A 1.一种基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， 包括 以下步骤： S1： 对故障诊断的性能数据和振动序列数据进行移动窗口截取， 构建故障诊断训练集 和测试集； S2： 构建基于振动时间序列输入的两层卷积网络两层池化网络组成的编码器， 并构建 具有跟编码器对称结构的解码器， 卷积自编码器和解码器通过全连接层连接； S3： 在所述编码器中引入数据领域类别弱监督信息和领域自适应损失， 构建具有可迁 移故障特 征挖掘特性卷积自编码器； S4： 应用S1中获得的训练集和对应的领域类别信息作为弱监督， 结合最大均值差异领 域自适应损失函数和样本重 建损失函数， 对S 3中构建的可迁移故障特征挖掘卷积自编 码器 进行训练， 获得故障特 征提取网络模型； S5： 构建具有故障特征提取模块、 独特征提取模块、 特征连接模块和特征比较和相似度 模块的故障特 征提取与比较网络； S6： 采用S5中的故障特征提取网络和独特征提取网络构成一支特征提取网络分枝， 采 用共享权值的方式构成两支故障特征/独特征提取网络， 对两路输入样本进行特征提取， 输 入到后续的特 征连接与比较模块； S7： 采用小样本学习训练方式训练比较网络与S6构成的故障特征/独特征提取网络， 获 得故障诊断模型， 利用所述故障诊断模型进行故障诊断。 2.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S1所述对故障诊断的性能数据和振动序列数据进行移动窗口截取， 构建故障 诊断训练集和 测试集， 具体如下： 对源域数据和目标域数据的振动序列均采用滚动 窗口分割的方式采集预设长度的样 本， 采用不交叉覆盖的方式进行样本截取； 在构建可迁移故障特征挖掘卷积自编码器的训练集时， 对每个样本标注数据集来源， 标注数据集来源时标注来自源域还是目标域， 不标注健康状态； 在构建故障特征提取与比 较网络的训练集时， 对 源域的每 个样本标注健康状态， 对目标域的样本不标注健康状态； 所述样本的长度统一为1 ×1024； 训练集和测试集的样本结构保持均衡， 即各类健康状 态的样本数量保持一 致。 3.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S2中， 编 码器和解码器均由两个卷积层和两个池化层构成， 每个卷积层 采用20 个特征卷积核， 卷积核尺寸为1 ×3； 池化操作采用平均池化， 池化窗口尺寸为1 ×2； 编码器 与解码器之间采用一个全连接层， 神经元数为 1024； 解码器后连接两个全连接层， 两个全连 接层的神经 元数分别为2048和1024； 神经元激活函数均采用ReLu， 池化层均采用平均池化。 4.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S3中， 在编码器和解码器之间的全连接层学习 所得的特征表示层进行弱监督 损失和领域自适应损失计算； 其中， 弱监督信 息采用样本的领域标注， 标注样本来源于源域还是目标域， 损失函数采 用交叉熵， 具体如下：权　利　要　求　书 1/3 页 2 CN 114548215 A 2其中， nb表示在批训练时每批训练数据中的样本数量， yi表示样本所来自的真实领域标 签， pi表示网络的领域分类结果。 5.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S4中， 对 可迁移故障特征挖掘卷积自编码 器进行训练时， 其中样本重 建损失函 数采用均方误差损失函数， 具体如下： 其中， nb表示在批训练时每批训练数据中的样本数量， xi是原始的输入样本向量， xrc是 卷积自编码器的重建样本向量； 最大均值差异领域自适应损失部分采用最大均值差异进行计算， 具体如下： 其中， nsb和ntb分别表示每批训练数据中来自源域和目标域的样本数量， f()表示再生 核希尔伯特空间中的非线性 函数， k()是高斯核函数； 结合领域弱监督损失和领域自适应损失， 可迁移故障特征挖掘卷积自编码器的最终损 失函数为： 其中， θ表示卷积自编码器的参数。 6.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S5中， 将S4中所构建的可迁移故障特征挖掘卷积自编码器的编码部分作为故 障特征提取网络， 并采用S4的训练结果进行初始化； 采用与可迁移故障特征挖掘卷积自编 码器中的编码器同样结构的网络作为独特征提取网络， 并采用随机方法初始化； 特征合成 采用特征向量直接连接的方式； 采用两层卷积层、 两层池化层、 两层全连接层和一层 Softmax层组成特 征比较和相似度计算模块。 7.根据权利要求1所述的基于空间挖掘卷积自编码的动中通卫通设备故障诊断方法， 其特征在于， S 6中， 采用故障特征提取网络和独特征提取网络构成一支特征提取网络 分枝， 并采用共享权值的方式建立两支特征提取网络分枝， 对两路输入样本进行特征提取， 在两 支特征提取网络中分别进行 特征连接合成， 输入到后续的特 征连接与比较模块； 输入到两个特征提取分枝的样本分别为模板样本和待测样本， 每类健康状态的数据均 有模板样本， 模板样本具有标签， 模板样本和待测样本两者所获得的特征向量， 输入到特征 比较模块后， 计算相似程度， 将待测样本所获得的相似度分数值进 行比较， 并归类为分数最权　利　要　求　书 2/3 页 3 CN 114548215 A 3