(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 202111067866.0 (22)申请日 2021.09.13 (71)申请人 东南大学 地址 211100 江苏省南京市江宁区东 南大 学路2号 (72)发明人 贾民平　庄集超　黄鹏　胡建中　 许飞云　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 代理人 王绎涵 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种对抗性度量卷积网络的旋转机械健康 评估方法 (57)摘要 本发明公开了一种对抗性度量卷积网络的 旋转机械健康评估方法， 包括以下步骤： 采用连 续小波变换将采集的旋转机械振动信号转换为 时频图， 并划分数据集和标记寿命值； 构建对抗 性度量卷积网络； 将数据输入至网络； 采用源特 征提取器提取源特征； 将源特征输入至回归器， 预测寿命值； 将源特征提取器的参数迁移至目标 特征提取器； 采用目标特征提取器提取目标特 征； 将源和目标特征输入至对抗判别器， 并将目 标特征和目标数据输入至信息对比器； 更新参 数； 将目标特征提取器和回归器组合， 实现对旋 转机械健康评估。 本发明能够较准确的对旋转机 械健康状态进行监测。 权利要求书3页 说明书5页 附图3页 CN 113947012 A 2022.01.18 CN 113947012 A 1.一种对抗 性度量卷积网络的旋转机 械健康评估方法， 其特 征在于包括如下步骤： 步骤1， 使用加速度传感器采集不同工况下旋转机械中轴承运行至失效时的水平方向 振动信号， 并采用连续小波变换获取振动信号的时频图， 将所有时频图划分源域和目标域 数据集， 最后标记源域数据所对应的旋转机 械剩余寿命值； 步骤2， 构建对抗性度量卷积网络， 包括源特征提取器、 目标特征提取器、 回归器、 对抗 判别器和信息对比器； 步骤3， 将标记的源域数据和未 标记的目标域数据输入至对抗 性度量卷积网络； 步骤4， 采用源特 征提取器提取源域时频图中的特 征向量， 重构源机 械退化特 征； 步骤5， 将源机械退化特征输入至回归器， 预测剩余寿命值， 采用回归损失更新源特征 提取器和回归器的参数； 步骤6， 将源特 征提取器的参数迁移至目标 特征提取器； 步骤7， 采用目标特征提取器提取目标域时频图中的特征向量， 重构目标机械退化特 征； 步骤8， 将源和目标机械退化特征输入至对抗判别器， 并将目标机械退化特征和目标域 数据输入至信息对比器； 步骤9， 采用对抗判别器的对抗损 失和信息对比器的信息损 失更新目标特征提取器的 参数； 步骤10， 将优化的目标特征提取器和回归器组合， 预测目标域数据的剩余寿命值， 从而 实现对旋转机 械健康评估。 2.根据权利要求1所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 所述步骤1中不同工况下的时频图被划分为源域数据 和目标域数据 其中 表示源域时频图， 表示 所对应的旋转机械剩余寿命值， ns表示 的样本数量， 表示目标域时频图， nT表示 的样本数量； 具体的， 一种工况下的旋转机械 的时频数据划分为源域数据， 另一种工况 下的时频 数据划分为目标域数据。 3.根据权利要求1所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 所述步骤2中对抗性度量卷积网络由1个源 特征提取器， 1个目标特征提取器， 1个回归 器， 1个对抗判别器和1个信息对比器组成； 源 特征提取器和目标特征提取器的结构一致， 由 2层时间残差块， 2层注意权重层和2层最大池化层组成； 回归器和对抗判别器均由3层全连 接层组成； 信息对比器由2层编码器组成。 4.根据权利要求3所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 所述时间残差块由两层膨胀 空洞卷积及一层残差卷积组成， 其中第一层膨胀 空洞卷 积的膨胀率d为1， 第二层膨胀空洞卷积的膨胀率d为2； 多元信号 输入时间残差块后， 每 层膨胀空洞卷积分别进行膨胀空洞卷积， 计算方式如下： 式中， i表示第i个时频图信号元 素， k表示核尺寸， 表示偏值， f(k)表示过 滤器， σ 表示 激活函数； 双 层时间卷积网络的多元 特征重构计算方式如下：权　利　要　求　书 1/3 页 2 CN 113947012 A 2式中， Φd表示膨胀空洞卷积， m1和m2表示dropout的特征掩膜， 表示残差 卷积， 表示矩阵加法， wl表示残差卷积权 重， bl表示残差卷积 偏值； 源特征提取器ES和目标特征提取器ET从输入至输出， 包括第一层时间残差块， 第一层注 意权重层， 第一层最大池化层， 第二层时间残差块， 第二层注意权重层和第二层最大池化 层； 源域数据xS和目标域数据xT分别输入源特征提取器ES和目标特征提取器ET， 分别提取源 机械退化特 征fS和目标机 械退化特 征fT。 5.根据权利要求4所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 注意权 重计算分解 步骤为： 步骤5.1， 将输入X分别进行3次线性变换， 获取对应的输出Q， K和V； Q＝wqX K＝wkX V＝wvX 式中， wk， wq和wv分别为Q， K和V的权 重矩阵； 步骤5.2， 利用Q， K和V的权 重矩阵和softmax函数， 计算注意权 重 式中， dk是权重矩阵K的维数， T为矩阵转置操作。 6.根据权利要求1所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 所述 步骤5中回归器的3层全连接层神经 元数量分别为32， 16和1； 将源机械退化特 征fS输入至回归器预测剩余寿命值 计算回归损失 式中， 表示源域数据xS的剩余寿命标签值， ns表示源域数据xS的样本数量。 7.根据权利要求1所述的一种对抗性度量卷积网络的旋转机械健康评估方法， 其特征 在于： 所述 步骤8中对抗判别器的3层全连接层神经 元数量分别为64， 32和1； 源机械退化特征fS和目标机械退化特征fT输入至对抗判别器， 并对抗判别退化特征， 使 对抗判别器尽量不能正确区分 fS和fT， 以最小化fS和fT之间的差异， 进而减轻不同工况下的 数据之间的差异； 对抗训练过程具体为： 式中， xS表示源域数据， xT表示目标域数据， ES表示源特征提取器， ET表示目标特征提取 器， 表示对抗损失， D表示对抗判别器， 表示源域特征分布， 表示目标域特征分 布， log(·)表示对数函数。权　利　要　求　书 2/3 页 3 CN 113947012 A 3