CN115964661A

CN115964661A - 基于域对抗网络的旋转机械故障诊断方法和***

Info

Publication number: CN115964661A
Application number: CN202310015521.3A
Authority: CN
Inventors: 李学艺; 郁天宇; 李岱优; 何秋实; 解志杰
Original assignee: Northeast Forestry University
Current assignee: Northeast Forestry University
Priority date: 2023-01-04
Filing date: 2023-01-04
Publication date: 2023-04-14
Anticipated expiration: 2043-01-04
Also published as: CN115964661B

Abstract

本发明实施例公开了一种基于域对抗网络的旋转机械故障诊断方法和***，所述方法包括：获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，从而实现在小样本情况下保证旋转机械故障诊断结果准确的技术效果。

Description

基于域对抗网络的旋转机械故障诊断方法和***

技术领域

本发明涉及智能机械制造技术领域，具体涉及一种基于域对抗网络的旋转机械故障诊断方法和***。

背景技术

旋转机械是行业中最常见的部件之一，对旋转机械进行及时准确的故障诊断对于设备的正常运行至关重要。目前，基于人工智能的故障诊断方法，已经被广泛的应用于齿轮的故障诊断中。但是，对于旋转机械复合故障模式，目前大多数智能诊断方法将其单列为一种故障模式进行识别，忽略复合故障与单一故障之间的联系。对于一个深度学习诊断模型，如果要针对某个***中多种可能的零部件复合故障建模，将会使得模型复杂度提高、模型参数数量大幅增加。因此，复合故障数据样本量不足会影响诊断结果的准确性。

发明内容

为此，本发明实施例提供一种基于域对抗网络的旋转机械故障诊断方法和***，以至少部分解决现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，从而实现在小样本情况下保证旋转机械故障诊断结果准确的技术效果。

为了实现上述目的，本发明实施例提供如下技术方案：

一种基于域对抗网络的旋转机械故障诊断方法，所述方法包括：

获取待测旋转机械的参数数据；

将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；

其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。

在一些实施例中，基于群卷积神经网络利用目标样本进行训练，以得到所述故障诊断模型，具体包括：

使用最小二乘生成对抗网络对有限样本进行扩展处理，以得到多个目标样本数据，并利用所有目标样本数据构成目标域；

通过群卷积神经网络对源域的原始信号进行预训练，以得到源域信号；

在域对抗网络中训练所述源域信号和目标域信号，以生成故障诊断模型。

在一些实施例中，使用最小二乘生成对抗网络对有限样本进行扩展处理，之前还包括：

在混淆判别器的前提下，利用生成器将生成的振动信号拉到决策边界。

在一些实施例中，在最小二乘法生成对抗网络中，生成器的最小损失函数

为：

鉴别器的最小损失函数

为：

其中，G是生成器，D是鉴别器，z是噪声，pdata(x)是真实数据x的概率分布，并且pz(z)服从噪声z的概率分布，E_x～pdata(x)和E_z～pz(z)均为期望值，a、b和c为常数，且b-c＝1，b-a＝2。

在一些实施例中，通过群卷积神经网络对源域的原始信号进行预训练，具体包括：

获取源域的原始信号，并将所述原始信号转换为特征图样本；

将所述特征图样本输入预存的群卷积神经网络中，对所述特征图样本进行分组，并对每组所述特征图样本分别进行单独卷积；

每组所述特征图样本完成卷积后，生成输出堆叠并联体，以完成预训练。

在一些实施例中，在域对抗网络中训练所述源域信号和目标域信号，具体包括：

给定源域数据x^s及其预测标签y^s，采用群卷积神经网络结构，进行多层非线性变换，得到深度特征表示G_f(x^s；θ_f)，在θ_f是每一层的参数G_f，包括权重和偏差；

基于域自适应方法将提取的特征输入到分类器中G_y得到相应的输出G_y(G_f(x^s)；θ_y)，θ_y是每一层的参数G_y，输出每个样本的预测标签。

在一些实施例中，所述域自适应方法的损失函数为：

E＝L_y(x^s,y^s)+λL_d(x^s,y^t)

其中，E表示网络的总损失，L_y表示网络在源域数据上的分类损失，L_d表示分布匹配模块的损失，x表示输入特征，y表示源域的标签，λ表示损失重量。

本发明还提供一种基于域对抗网络的旋转机械故障诊断***，所述***包括：

数据获取单元，用于获取待测旋转机械的参数数据；

结果输出单元，用于将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；

本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

本发明所提供的基于域对抗网络的旋转机械故障诊断方法，通过获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。这样，本发明所提供的故障诊断方法利用样本扩展后利用对抗网络生成的故障诊断模型，将原始数据输入故障诊断模型后即可得到准确的故障诊断结果，从而基于相对较少的训练数据即能够有效、准确地诊断齿轮等旋转机械的故障，解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，实现了在小样本情况下保证旋转机械故障诊断结果准确的技术效果。

进一步地，故障诊断模型的训练过程中，通过使用最小二乘生成对抗网络，利用所述对抗网络对有限样本进行扩展处理，以得到多个目标样本数据，并利用所有目标样本数据构成目标域；通过群卷积神经网络对源域的原始信号进行预训练，以得到源域信号；在域对抗网络中训练所述源域信号和目标域信号，以生成故障诊断模型。这样，该模型训练方法通过使用最小二乘生成对抗网络来扩展有限的目标样本数据，通过改变目标函数，优化传统生成对抗网络产生的振动信号质量低和训练过程不稳定的缺陷，其并通过群卷积神经网络对源域的原始振动信号进行预训练，群训练网络有效的降低了网络参数，最后在域对抗网络中训练源域信号和目标域信号，以诊断目标域中不同的分布式数据，以提高模型训练的效果，保证输出的故障诊断结果的准确性。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明所提供的基于域对抗网络的旋转机械故障诊断方法一种具体实施方式的流程图之一；

图2为图1所示方法在一个具体使用场景下的域自适应过程的示意图；

图3为本发明所提供的基于域对抗网络的旋转机械故障诊断方法一种具体实施方式的流程图之二；

图4为本发明所提供的群卷积神经网络的网络结构图；

图5为本发明所提供的最小损失函数的示意图；

图6为本发明所提供的基于域对抗网络的旋转机械故障诊断方法一种具体实施方式的流程图之三；

图7为本发明所提供的故障诊断模型的训练过程示意图；

图8为本发明所提供的方法在一个具体应用场景中的总体流程图；

图9为图8所示的具体应用场景中各个条件下振动数据的时间波形图；

图10为图8所示的具体应用场景下的诊断结构折线图；

图11为本发明所提供的基于域对抗网络的旋转机械故障诊断***一种具体实施方式的结构框图；

图12为本发明所提供的电子设备的实体结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先对本发明所涉及的部分技术术语进行解释：

迁移学习是属于机器学习的一种研究领域。它专注于利用已有问题的解决模型，并将其引申应用在其他不同但相关的问题上。例如，用来识别轿车的knowledge(或者是模型)也可以进行优化，从而获得识别卡车的能力。

对抗网络GAN全称是Generative Adversarial Nets，又称生成对抗网络。在GAN中有2个网络，其中一个网络用于生成数据，叫做“生成器”，另一个网络用于判别生成数据是否接近于真实，叫做“判别器”。

为了解决现有技术中齿轮等旋转机械，由于样本数量较少而导致的故障诊断准确性较差的问题，本发明提供一种基于域对抗网络的旋转机械故障诊断方法，通过预先训练的所需样本量较少的故障诊断模型，提高了故障诊断的准确性。

请参考图1，图1为本发明所提供的基于域对抗网络的旋转机械故障诊断方法一种具体实施方式的流程图之一。

在一种具体实施方式中，如图1和图2所示，本发明提供的基于域对抗网络的旋转机械故障诊断方法包括以下步骤：

S101：获取待测旋转机械的参数数据，例如振动幅度等；

S102：将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；

在上述具体实施方式中，本发明所提供的基于域对抗网络的旋转机械故障诊断方法，通过获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。这样，本发明所提供的故障诊断方法利用样本扩展后利用对抗网络生成的故障诊断模型，将原始数据输入故障诊断模型后即可得到准确的故障诊断结果，从而基于相对较少的训练数据即能够有效、准确地诊断齿轮等旋转机械的故障，解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，实现了在小样本情况下保证旋转机械故障诊断结果准确的技术效果。

故障诊断模型的训练过程具体如图3所示，基于群卷积神经网络利用目标样本进行训练，以得到所述故障诊断模型，具体包括以下步骤：

S301：使用最小二乘生成对抗网络对有限样本进行扩展处理，以得到多个目标样本数据，并利用所有目标样本数据构成目标域。也就是说，使用最小二乘生成对抗网络来拓展有限的目标样本数据，通过改变目标函数，优化振动信号和训练过程的稳定性。

S302：通过群卷积神经网络对源域的原始信号进行预训练，以得到源域信号。在一个具体使用场景中，通过群卷积神经网络对源域的原始信号进行预训练，群训练网络有效地降低网络参数，群卷积神经网络通过组卷积的方法降低了对计算机的资源要求。

从原理上来讲，组卷积的操作是对输入特征图进行分组，每组单独进行卷积。每组卷积后，输出堆叠并联，作为该层的输出通道。如图4所示，输入数据分为三组(组号为g)，分组只按深度划分，C1/g决定具体数量。假设输入特征图的大小仍然是C1*H*W，输出特征图的数量是C2。每组的输入特征图的数量为C1/g，每组的输出特征图的数量为C2/g。每个卷积核的大小为(C1/g)*h*w，卷积核的总数还是C2。在这种情况下，每组卷积核的数量为C2/g，卷积核只与同一组的输入图进行卷积。总卷积核为C2*(C1/g)*h*w，因此总卷积核减少到标准卷积的1/g，常规卷积输出的特征图是根据输入特征图C1*h*w个点计算得到的。在组卷积输出的特征图中，每个点都是从输入特征图(C1/g)*h*w个点计算出来的。

S303：在域对抗网络中训练所述源域信号和目标域信号，以生成故障诊断模型，从而可以诊断目标域中不同的分布式数据。更为具体地，在样本处理时，收集了五种不同负载下五种不同健康状态的齿轮振动信号，为了便于描述，以G1～G5代表在五种不同载荷下采集的齿轮振动信号，以H1～H5代表五种不同的健康状态。LSGANs(最小二乘生成对抗网络)用于生成振动信号，并将有限的振动信号扩展到与源信号相同的数量。DANN模型基于群卷积神经网络，首先，源域信号用于预训练特征提取器，然后利用领域对抗网络训练整个DANN模型，以基于有限数据实现不同负载下齿轮(该实施例以齿轮为例)的有效故障诊断。设计八种迁移学习方案，G1、G2、G3作为一组进行基于有限样本的迁移学习，G4、G5作为一组进行基于有限样本的迁移学习，每种迁移学习方案同时在五种健康状态下进行训练和测试。PCB加速度传感器用于采集振动信号，采样频率为20.45kHz。

为了减少最小二乘损失，必须在混淆判别器的前提下，让生成器将生成的振动信号拉到决策边界，因此，使用最小二乘法生成对抗网络，之前还包括：

在一些实施例中，如图5所示，使用最小二乘法生成对抗网络时，针对生成器的最小损失函数

为：

针对鉴别器的最小损失函数

为：

在求解过程中，LSGANs的收敛性证明可以基于GANs的证明，固定G后，就可以找到最优的D。令目标函数对D的导数为0，取方程的一阶导数即可得到D的最优解D^*(x)：

其中，附加条款E_x～pdata(x)[(D(x)-c)²]不影响价值V_LSGAN(G),因为它不包含参数G。令b-c＝1，b-a＝2，则可以得到：

当a、b、c选择合适时，可以得到Pearson卡方散度，由于a、b、c不能为0，所以不会有梯度消失。

在一些实施例中，如图6和图7所示，通过群卷积神经网络对源域的原始信号进行预训练，具体包括以下步骤：

S601：获取源域的原始信号，并将所述原始信号转换为特征图样本；

S602：将所述特征图样本输入预存的群卷积神经网络中，对所述特征图样本进行分组，并对每组所述特征图样本分别进行单独卷积；

S603：每组所述特征图样本完成卷积后，生成输出堆叠并联体，以完成预训练。

其中，将数据上不同分布的源域和目标域映射到一个高维特征空间，分布匹配模块用于缩小网络在空间中的距离，提高网络在目标域的分类精度。因此，所述域自适应方法的损失函数为：

E＝L_y(x^s,y^s)+λL_d(x^s,y^t) 公式5

其中，E表示网络的总损失，L_y表示网络在源域数据上的分类损失，L_d表示分布匹配模块的损失，x表示输入特征，y表示源域的标签，λ表示损失重量。当λ＝0时，网络最终的损失函数就是常规群卷积神经网络的损失。

x^sy^sG_f(x^s；θ_f)θ_fG_fG_yG_t(G_f(x^s)；θ_y)

EL_yL_dλλ从原理上来讲，LSGAN的主要目的是生成与训练样本高度相似的数据。在领域适应中，可以直接将目标域的数据作为生成样本，而将其他域的数据作为真实数据。此时，生成器不再生成新的样本，而是起特征提取的作用，学习领域数据的特征。其中，分类器使用负对数似然作为损失函数，可以用以下方程来表示：

判别式的损失函数由方程式中的负对数似然定义，可表示为：

式中，d_i表示第i个样本来自源域还是目标域；网络的整体损失函数为：

为了解决上述目标函数得到域不变特征，需要对判别器的网络参数进行优化，使判别器损失最大化，从而尽可能区分源域数据和目标域数据。此外，还需要优化特征提取器的参数，尽量减少分类器和判别器的损失，使输入样本无法分离。因此，采用迭代更新策略可以得到优化后的网络参数：

通过引入梯度反转层对算法进行优化，当源域和目标域共享同一个标签空间时，DANN方法可以有效减小源域和目标域的分布差异，实现不同任务之间的知识转移。

更进一步地，本发明所采用的最小二乘生成对抗网络不仅仅关心分类是否正确，其只在某一点达到饱和状态，会使得训练过程更加的平稳，通过组卷积的方式在相同数量的参数和计算下可以生成更多的特征图，大量的特征图意味着可以编码更多的信息。其次通过神经网络的领域对抗训练(DANN)进行特征的提取，标签预测和域分类。域自适应方法的基本原理是建立神经网络模型和分布匹配模块，将数据上不同分布的源域和目标域映射到一个高维特征空间。分布匹配模块用于缩小网络在空间中的距离，提高网络在目标域的分类精度。

在上述具体实施方式中，故障诊断模型的训练过程中，通过使用最小二乘生成对抗网络对有限样本进行扩展处理，以得到多个目标样本数据，并利用所有目标样本数据构成目标域；通过群卷积神经网络对源域的原始信号进行预训练，以得到源域信号；在域对抗网络中训练所述源域信号和目标域信号，以生成故障诊断模型。这样，该模型训练方法通过使用最小二乘生成对抗网络来扩展有限的目标样本数据，通过改变目标函数，优化传统生成对抗网络产生的振动信号质量低和训练过程不稳定的缺陷，并通过群卷积神经网络对源域的原始振动信号进行预训练，群训练网络有效的降低了网络参数，最后在域对抗网络中训练源域信号和目标域信号，以诊断目标域中不同的分布式数据，以提高模型训练的效果，保证输出的故障诊断结果的准确性。另外，本发明提供的一种基于域对抗网络的旋转机械故障诊断方法，与现有技术相比还具有如下优点

1、提出了一种参数少于标准CNN的组卷积网络，用于旋转机械的故障诊断；

2、引入最小二乘损失函数，提出最小二乘GAN来增强振动信号；

3、原始振动信号直接用于旋转机械的故障诊断，无需时频域转换操作；

4、建立具有组卷积模型的神经网络的域对抗训练来诊断有限的目标域数据。

下面以一个具体使用场景为例，简述本发明所提供的基于域对抗网络的旋转机械故障诊断方法。如图8所示，该方法包括以下步骤：

步骤一：采集旋转机械在不同健康状况下，在不同负载下的振动信号；

步骤二：使用最小二乘法生成对抗网络(LSGAN)来扩展有限的目标样本数据，通过改变目标函数，优化振动信号和训练过程的稳定性；

步骤三：通过群卷积神经网络对源域的原始信号进行预训练，群训练网络有效地降低网络参数；

步骤四：在域对抗网络中训练源域信号和目标域信号，以诊断目标域中不同的分布式数据；

步骤五：收集了五种不同负载下五种不同健康状态的齿轮振动信号，G1～G5代表在五种不同载荷下采集的齿轮振动信号，H1～H5代表五种不同的健康状态；

步骤六：LSGANs用于生成振动信号，并将有限的振动信号扩展到与源信号相同的数量；DANN模型基于群卷积神经网络，首先，源域信号用于预训练特征提取器，然后利用领域对抗网络训练整个DANN模型，以基于有限数据实现不同负载下齿轮的有效故障诊断；

步骤七：设计八种迁移学习方案，G1、G2、G3作为一组进行基于有限样本的迁移学习，G4、G5作为一组进行基于有限样本的迁移学习，每种迁移学习方案同时在五种健康状态下进行训练和测试。

具体而言，步骤二中所述的LSGAN的损失函数为：

LSGANs的收敛性证明可以基于GANs的证明，固定G后，就可以找到最优的D。令目标函数对D的导数为0，取方程的一阶导数即可得到D的最优解D^*(x)：

当a、b、c选择合适时，可以得到Pearson卡方散度，不能为0，所以不会有梯度消失。

具体而言，为了减少最小二乘损失，必须在混淆判别器的前提下，让生成器将生成的振动信号拉到决策边界。

进一步地，所述步骤二中通过组卷积方法降低对计算机的资源要求。组卷积的操作是对输入特征图进行分组，每组单独进行卷积。每组卷积后，输出堆叠并联，作为该层的输出通道。输入数据分为三组(组号为g)。分组只按深度划分，C1/g决定具体数量。假设输入特征图的大小仍然是C1*H*W，输出特征图的数量是C2。每组的输入特征图的数量为C1/g，每组的输出特征图的数量为C2/g。每个卷积核的大小为(C1/g)*h*w，卷积核的总数还是C2。在这种情况下，每组卷积核的数量为C2/g。卷积核只与同一组的输入图进行卷积。总卷积核为C2*(C1/g)*h*w，因此总卷积核减少到标准卷积的1/g。常规卷积输出的特征图是根据输入特征图C1*h*w个点计算得到的。在组卷积输出的特征图中，每个点都是从输入特征图(C1/g)*h*w个点计算出来的。

进一步地，通过步骤三中域对抗网络，给定源域数据x^s及其预测标签y^s，采用群卷积神经网络结构，进行多层非线性变换，得到深度特征表示G_f(x^s；θ_f)，在哪里θ_f是每一层的参数G_f，包括权重和偏差。然后将提取的特征输入到分类器中G_y得到相应的输出G_y(G_f(x^s)；θ_y)。

Softmax用于输出每个样本的预测标签。将数据上不同分布的源域和目标域映射到一个高维特征空间。分布匹配模块用于缩小网络在空间中的距离，提高网络在目标域的分类精度。域适应学习的损失函数如下。

E＝L_y(x^s,y^s)+λL_d(x^s,y^t)

式中，E表示网络的总损失，L_y表示网络在源域数据上的分类损失，以及L_d表示分布匹配模块的损失，x是输入特征，y是源域的标签，λ是上述两部分的重量；λ＝0，网络最终的损失函数就是常规群卷积神经网络的损失。

LSGAN的主要目的是生成与训练样本高度相似的数据。在领域适应中，可以借鉴LSGANs的原理，直接将目标域的数据作为生成样本，而将其他域的数据作为真实数据。此时，生成器不再生成新的样本，而是起特征提取的作用，学习领域数据的特征。分类器使用负对数似然作为损失函数，可以用以下方程来表示：

d_i表示第i个样本来自源域还是目标域。网络的整体损失函数为：

通过引入梯度反转层对算法进行优化。当源域和目标域共享同一个标签空间时，DANN方法可以有效减小源域和目标域的分布差异，实现不同任务之间的知识转移。对5个不同健康状态的齿轮在5种不同载荷下进行测试，采集到的振动信号如图9所示。

在该实施例中，本发明使用的数据集可以如表1所示。收集了五种不同负载下五种不同健康状态的齿轮振动信号。G1～G5代表在五种不同载荷下采集的齿轮振动信号。H1～H5代表五种不同的健康状态。在相同负载下，源域有2928个样本，目标域只有100个样本，每个样本包含2800个数据点。

表1收集数据的详细信息

本发明使用的网络架构主要包括两个模块：LSGANs和DANN。LSGANs用于生成振动信号，并将有限的振动信号扩展到与源信号相同的数量。DANN模型基于群卷积神经网络，首先，源域信号用于预训练特征提取器，然后利用领域对抗网络训练整个DANN模型，以基于有限数据实现不同负载下齿轮的有效故障诊断。LSGANs的主要网络结构如表2所示。DANN主要由特征提取器、分类器和域鉴别器组成。

表2LSGANs的主要网络结构

层(类型)	参数	输出形状
			生成器
输入层	(40,70,1)	(无、40、70、1)
			密集层	128	(无，128)
密集层	256	(无，256)
			密集层	1024	(无，1024)
密集层	2800	(无，2800)
			重塑层	-	(40,70,1)
鉴别器
			输入层	(40,70,1)	(无、40、70、1)
密集层	1024	(无，1024)
			密集层	256	(无，256)
密集层	128	(无，128)
			密集层	1	(无，1)

表3特征提取器主要网络结构

层(类型)	参数	输出形状
			输入层	(40,70,1)	(无、40、70、1)
卷积层	16,(3,3)	(无、40、70、16)
			最大池化层	(2,2)	(无、20、35、16)
组卷积层	32,(3,3),组＝4	(无、20、35、32)
			组卷积层	64,(3,3),组＝4	(无、20、35、64)
最大池化层	(2,2)	(无、10、17、64)

表4分类器主要网络结构

层(类型)	参数	输出形状
			组卷积层	128,(3,3),组＝4	(无、10、17、128)
密集层	128	(无，128)
			密集层	64	(无，64)
密集层	5	(无，5)

表5域鉴别器的主要网络结构

层(类型)	参数	输出形状
			组卷积层	128,(3,3),组＝4	(无、10、17、128)
密集层	128	(无，128)
			密集层	64	(无，64)
密集层	1	(无，1)

在该具体使用场景中，设计了八种迁移学习方案，8种迁移学习方案的具体工作情况如表6所示。G1、G2、G3作为一组进行基于有限样本的迁移学习，G4、G5作为一组进行基于有限样本的迁移学习。每种迁移学习方案同时在五种健康状态下进行训练和测试。

表6迁移学习方案的数据集

转移任务	源负载	目标负载	健康状况
				<![CDATA[G<sub>1</sub>→G<sub>3</sub>]]>	30牛米	40牛米	H1,H2,H3,H4,H5
<![CDATA[G<sub>2</sub>→G<sub>3</sub>]]>	35牛米	40牛米	H1,H2,H3,H4,H5
				<![CDATA[G<sub>3</sub>→G<sub>1</sub>]]>	40牛米	30牛米	H1,H2,H3,H4,H5
<![CDATA[G<sub>3</sub>→G<sub>2</sub>]]>	40牛米	35牛米	H1,H2,H3,H4,H5
				<![CDATA[G<sub>1</sub>→G<sub>2</sub>]]>	30牛米	35牛米	H1,H2,H3,H4,H5
<![CDATA[G<sub>2</sub>→G<sub>1</sub>]]>	35牛米	30牛米	H1,H2,H3,H4,H5
				<![CDATA[G<sub>4</sub>→G<sub>5</sub>]]>	45牛米	50牛米	H1,H2,H3,H4,H5
<![CDATA[G<sub>5</sub>→G<sub>4</sub>]]>	50牛米	45牛米	H1,H2,H3,H4,H5

下面对上述实验结果进行分析。所提出的方法在八种不同的迁移学***缓，从50到100精度变化比较剧烈。从变化趋势上可以看出，对于向G1的迁移学习，在一定的样本间隔内，特征提取有一定的瓶颈期。随着目标域样本的增加，这种缓慢的增长可以在一定程度上被抵消。精度变化的总体趋势是比较稳定的。表明本研究提出的方法总体上是稳定有效的。

对于领域对抗迁移学习学习到的特征，进行t-SNE可视化，以区分五种不同健康状态的齿轮，并且边界比较清楚。此外，源域和目标域的特征范围的重合度比较容易接近。虽然少有样本误判，但本文提出的领域对抗训练方法对不同领域的故障诊断效果良好。表明所提出的方法对于样本有限的不同领域的故障诊断是有效的。

从上述使用场景及结果分析可知，本发明所提供的基于域对抗网络的旋转机械故障诊断方法，通过使用最小二乘生成对抗网络来扩展有限的目标样本数据，通过改变目标函数，优化传统生成对抗网络产生的振动信号质量低和训练过程不稳定的缺陷，其次通过群卷积神经网络对源域的原始振动信号进行预训练，群训练网络有效的降低了网络参数，最后在域对抗网络中训练源域信号和目标域信号，以诊断目标域中不同的分布式数据，能够得到较为准确的故障诊断结果。

除了上述方法，本发明还提供一种基于域对抗网络的旋转机械故障诊断***，如图11所示，所述***包括：

数据获取单元1101，用于获取待测旋转机械的参数数据；

结果输出单元1102，用于将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；

其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用对抗网络对有限样本进行样本扩展处理后得到的，所述对抗网络是使用最小二乘法生成的。

为：

鉴别器的最小损失函数

为：

在一些实施例中，所述域自适应方法的损失函数为：

E＝L_y(x^s,y^s)+λL_d(x^s,y^t)

图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行上述方法。

此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。