本發(fā)明屬于跨設(shè)備故障診斷，具體涉及一種基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、傳統(tǒng)的設(shè)備健康管理是由工程師豐富的診斷經(jīng)驗和專業(yè)知識決定的，但在實際工業(yè)場景中，傳統(tǒng)的設(shè)備健康管理存在維護周期長、維護效率低、維護人員稀缺、自動化程度低等問題。隨著數(shù)字工業(yè)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在工業(yè)設(shè)備運維中的應(yīng)用越來越受到廣泛的關(guān)注，設(shè)備的健康狀態(tài)檢測也越來越離不開深度學(xué)習(xí)的支持；動態(tài)貝葉斯網(wǎng)絡(luò)、關(guān)系轉(zhuǎn)移網(wǎng)絡(luò)、聯(lián)邦轉(zhuǎn)移網(wǎng)絡(luò)等方法不僅可以快速識別海量數(shù)據(jù)信息，還可以節(jié)省技術(shù)人員的時間。

2、而與封閉的診斷任務(wù)相比，實際工業(yè)場景往往面臨比實驗室數(shù)據(jù)更為復(fù)雜的工況，這也使得大量深度學(xué)習(xí)方法在最終推廣到應(yīng)用場景后無法達到預(yù)期的診斷效果；遷移學(xué)習(xí)被引入機器學(xué)習(xí)領(lǐng)域作為一個具體的學(xué)習(xí)思路，旨在幫助神經(jīng)網(wǎng)絡(luò)模型在面對多源激勵或可變操作條件時具有更好的學(xué)習(xí)性能和有效捕獲復(fù)雜模式的能力；在此基礎(chǔ)上，chen等人提出了一種殘差卷積遷移框架，該框架有效地降低了特征分布之間的差異，將提取的低維特征與高維特征聚合在一起；qian等提出了一種結(jié)合最大平均差異和相關(guān)對齊的自適應(yīng)機制來消除聯(lián)合分布中的域混淆。與上述方法不同，yu等提出了一種分類器置信度準(zhǔn)則，用于構(gòu)建通用神經(jīng)網(wǎng)絡(luò)，處理各種場景下的各種數(shù)據(jù)處理任務(wù)。雖然tl方法的引入大大提高了網(wǎng)絡(luò)的領(lǐng)域自適應(yīng)性能，但其令人滿意的診斷效果是建立在對相同設(shè)備的大量訓(xùn)練樣本進行參數(shù)優(yōu)化的基礎(chǔ)上的。

3、缺乏足夠的訓(xùn)練樣本或?qū)⒊Ｒ姷墓收显\斷知識從相關(guān)但不同的源域設(shè)備轉(zhuǎn)移到目標(biāo)域設(shè)備一直是研究的熱點；在訓(xùn)練樣本稀缺的情況下，網(wǎng)絡(luò)過擬合的風(fēng)險增加。為了緩解這一問題并解決樣本稀缺性問題，經(jīng)常從類似機械設(shè)備中轉(zhuǎn)移診斷知識對樣本進行故障診斷，這也導(dǎo)致在網(wǎng)絡(luò)訓(xùn)練中引入不同設(shè)備之間的異構(gòu)特征。為此，he等人提出了一種單階段可解釋的跨設(shè)備診斷網(wǎng)絡(luò)，該網(wǎng)絡(luò)不僅提供了自適應(yīng)加權(quán)方法，而且提出了即插即用可解釋的新范式。lin等提出了一種少鏡頭跨域方位訓(xùn)練方法，該方法利用多通道高效通道對特征編碼器進行集中訓(xùn)練，同時利用權(quán)值引導(dǎo)因子調(diào)整訓(xùn)練方法。該方法通過關(guān)注互故障信息，有效提取通用知識，實現(xiàn)了對軸承加速度和聲音信號的分析。雖然這些方法在診斷旋轉(zhuǎn)部件的振動信號方面取得了初步進展，但要在實際工程應(yīng)用中實現(xiàn)令人滿意的性能，仍然需要詳細討論實驗設(shè)備之間的個體差異以及數(shù)據(jù)樣本之間的變化對網(wǎng)絡(luò)傳輸性能的影響。此外，徹底理解這些差異的影響，再加上有針對性的訓(xùn)練，對于優(yōu)化網(wǎng)絡(luò)在不同操作場景中的可轉(zhuǎn)移性和魯棒性至關(guān)重要。

4、與簡單的跨工況診斷任務(wù)相比，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在不同設(shè)備間進行診斷知識傳遞時更容易出現(xiàn)負遷移，這是因為在求解過程中既要提取數(shù)據(jù)樣本的廣義故障表示，又要避免故障表示在樣本域內(nèi)的轉(zhuǎn)移；但不同的實驗設(shè)備，即使同一設(shè)備的部件失效，也會產(chǎn)生明顯的數(shù)據(jù)分布差異，主要表現(xiàn)在三個不同的方面：各設(shè)備位置分布不同導(dǎo)致的數(shù)據(jù)差異；實際工況變化導(dǎo)致的domain差異；部件類型或損壞尺寸不同導(dǎo)致的個性化差異。此外，同一位置同一設(shè)備部件的故障信號高度相似，容易造成不同損傷大小的故障樣本被誤分類；這些數(shù)據(jù)分布差異可以歸結(jié)為跨設(shè)備診斷任務(wù)中的兩個環(huán)節(jié)：一是診斷知識遷移前工況變化導(dǎo)致的域差異，二是樣本高度相似導(dǎo)致的模糊樣本誤分類?？缭O(shè)備診斷知識遷移后，設(shè)備分布、軸承類型和損壞尺寸等因素會造成個性化差異。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提供了一種針對不同的數(shù)據(jù)差異問題對網(wǎng)絡(luò)參數(shù)進行有針對性訓(xùn)練的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法、電子設(shè)備及存儲介質(zhì)。

2、基于上述目的，本發(fā)明通過如下技術(shù)方案實現(xiàn)：

3、本發(fā)明第一方面提供一種基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，包括以下步驟：

4、s1、采集不同工況下軸承各種狀態(tài)的振動信號。

5、s2、采用等窗劃分將振動信號分割成一定數(shù)量的樣本，等窗劃分是將一條長時間序列數(shù)據(jù)進行相等維度的切分，切分方式是在隨機起始點開始切分，然后切分完一段后，從切分最終點重新作為起始點再次進行切分。

6、s3、構(gòu)建基于多組源域數(shù)據(jù)協(xié)同訓(xùn)練的網(wǎng)絡(luò)模型，用于樣本的跨設(shè)備診斷；所述網(wǎng)絡(luò)模型包括具有相同網(wǎng)絡(luò)結(jié)構(gòu)的多層殘差塊結(jié)構(gòu)和三個獨立任務(wù)的softmax分類器；所述殘差塊結(jié)構(gòu)包括構(gòu)建對抗結(jié)構(gòu)的自定義閾值均衡模塊，用于提高網(wǎng)絡(luò)表征性能；所述分類器用于多設(shè)備同一類別數(shù)據(jù)內(nèi)模糊故障樣本的識別。

7、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，所述網(wǎng)絡(luò)模型利用多組源域數(shù)據(jù)協(xié)同訓(xùn)練的步驟包括：

8、s301、在網(wǎng)絡(luò)模型的協(xié)同訓(xùn)練開始時，初始化網(wǎng)絡(luò)模型中的所有網(wǎng)絡(luò)參數(shù)。

9、s302、將初始化的域樣本數(shù)據(jù)集輸入到網(wǎng)絡(luò)模型中，用于網(wǎng)絡(luò)參數(shù)的訓(xùn)練和優(yōu)化；具體來說，初始域(即源域1)樣本數(shù)據(jù)集中的振動加速度信號經(jīng)過快速傅里葉變換后直接導(dǎo)入網(wǎng)絡(luò)模型中，開始參數(shù)更新。

10、s303、將源域2中的樣本數(shù)據(jù)集輸入到網(wǎng)絡(luò)模型中，用于網(wǎng)絡(luò)參數(shù)的訓(xùn)練和優(yōu)化。

11、s304、使用初始域樣本數(shù)據(jù)集對網(wǎng)絡(luò)模型進行再訓(xùn)練。

12、s305、使用源域2的樣本數(shù)據(jù)集取代初始域樣本數(shù)據(jù)集，重新調(diào)整網(wǎng)絡(luò)參數(shù)，用于優(yōu)化多個分類器的感興趣區(qū)域。

13、s306、初始域樣本數(shù)據(jù)集取代后續(xù)域樣本數(shù)據(jù)集進行網(wǎng)絡(luò)更新；具體來說，解凍特征提取器的參數(shù)，緩解了出現(xiàn)的“訓(xùn)練擁塞”情況，有效提高了網(wǎng)絡(luò)模型的收斂速度；同時，對分類器的所有參數(shù)進行凍結(jié)，增強了特征提取器的特征提取能力。

14、s307、源域2樣本數(shù)據(jù)集代初始域樣本數(shù)據(jù)集，重新調(diào)整網(wǎng)絡(luò)參數(shù)，用于優(yōu)化多個分類器的感興趣區(qū)域。

15、s308、將分類器的參數(shù)解凍，引入來自目標(biāo)客戶端的有限數(shù)量的校正域樣本輔助網(wǎng)絡(luò)訓(xùn)練，并減少設(shè)備之間的個性化差異(如設(shè)備分布、軸承型號和損壞特征的變化)造成的負傳遞錯誤率，利用修正后的兩組域樣本的分類損失來更新整個網(wǎng)絡(luò)。

16、s309、當(dāng)上述所有步驟完成后，回到協(xié)同訓(xùn)練的第s301步，繼續(xù)進行連續(xù)循環(huán)訓(xùn)練，直到達到預(yù)設(shè)的協(xié)同訓(xùn)練步驟數(shù)目。

17、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，所述殘差塊結(jié)構(gòu)通過自定義閾值均衡模塊構(gòu)建對抗結(jié)構(gòu)的步驟包括：首先將故障樣本的輸入特征經(jīng)過卷積層進行變換，然后進行批量標(biāo)準(zhǔn)化和平均池化操作；然后，將故障樣本特征通過池化降維后并發(fā)送入兩組的卷積層；在改進的殘差塊結(jié)構(gòu)中，為了避免對抗性結(jié)構(gòu)帶來的潛在網(wǎng)絡(luò)延遲問題，故障樣本特征在經(jīng)過卷積運算后單獨傳輸；通過兩個并行卷積層處理的故障樣本特征受到自定義閾值約束，這些閾值約束在訓(xùn)練過程中根據(jù)訓(xùn)練精度的變化進行調(diào)整，具體函數(shù)表達式為：

18、

19、其中，xl和xl-1分別表示殘差網(wǎng)絡(luò)塊的輸出向量和輸入向量；表示體積塊中第一個卷積變換的特征塊；σl表示i層剩余塊的自定義閾值；fσ(·)表示殘差塊內(nèi)增強的對抗結(jié)構(gòu)，并對其功能表達進行了擴展；wl表示網(wǎng)絡(luò)傳輸過程中的權(quán)重；bl表示網(wǎng)絡(luò)傳輸過程中的偏置；

20、

21、其中，frelu(·)表示激活函數(shù)公式，選擇relu激活函數(shù)；bn(·)表示批量標(biāo)準(zhǔn)化操作；conv2(·)表示特征塊的卷積變換；表示卷積變換2中的權(quán)重；表示卷積變換2中的偏置；表示卷積變換3中的權(quán)重；表示卷積變換3中的偏置。

22、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，

23、由于數(shù)據(jù)集的多個域之間樣本特征存在顯著差異，在網(wǎng)絡(luò)訓(xùn)練過程中，當(dāng)接收來自不同域的樣本時，往往會出現(xiàn)負遷移，因此，采用協(xié)同訓(xùn)練方法混合不同設(shè)備的故障樣本，通過設(shè)置多組優(yōu)化函數(shù)和優(yōu)化網(wǎng)絡(luò)參數(shù)來測量不同域之間的差異；該方法有效地增強了網(wǎng)絡(luò)在更廣泛的特征范圍內(nèi)理解故障樣本的能力，從而增強了模型在跨設(shè)備診斷任務(wù)中的魯棒性；

24、在步驟s302中，初始域樣本數(shù)據(jù)集中的振動加速度信號經(jīng)過快速傅里葉變換(fast?fourier?transform，fft)后直接導(dǎo)入網(wǎng)絡(luò)，開始參數(shù)更新；通過兩組分類器分別對故障樣本進行分類；將交叉熵損失作為分類損失lc，其表達式為：

25、

26、其中，zs表示從源域樣本中提取的特征；ys表示對應(yīng)的樣品標(biāo)簽信息；ns表示訓(xùn)練樣本總數(shù)；c表示故障類型；i[·]表示softmax分類器對樣本故障類型的概率得分；i表示第幾個樣本；表示第i個樣本提取到的數(shù)據(jù)特征。

27、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，在步驟s303中，通過初始域樣本數(shù)據(jù)集進行網(wǎng)絡(luò)更新后，將后續(xù)的域樣本數(shù)據(jù)集引入網(wǎng)絡(luò)模型中進行進一步訓(xùn)練；利用wasserstein距離(wd)作為域距離損失ldo(p,q)來衡量樣本在不同域之間的差異，wasserstein距離縮寫為w，通過差異損失lcy來量化兩個分類器之間的輸出差異；值得注意的是，在對后續(xù)訓(xùn)練域樣本進行分類時，仍然使用前兩組分類器(即通過差異損失評估的分類器)；再通過一組新的分類器進行優(yōu)化，重點關(guān)注先前分類器感興趣的區(qū)域；優(yōu)化函數(shù)表達式分別為：

28、

29、其中，π(p,q)表示兩組分布的聯(lián)合分布的集合，兩組分布表示不同的樣本數(shù)據(jù)集，初始域和源域2就是兩組分布；(x,y)～γ表示需要從x傳遞到y(tǒng)的“質(zhì)量”，以便從分布p轉(zhuǎn)移到分布q，初始域樣本數(shù)據(jù)集中有很多數(shù)據(jù)，都不能一模一樣，但卻有相似性，這就是一個分布；源域2樣本數(shù)據(jù)集，因為與初始域樣本數(shù)據(jù)集存在設(shè)備，工況的差距，那么源域2樣本數(shù)據(jù)與初始域樣本數(shù)據(jù)的整體都不一樣，這就是不同的分布；p1i和p2i分別表示兩個分類器給出的概率輸出；θe和θc是特征提取器和分類器的參數(shù)；xs1，xs2和ys2分別表示分布1(即初始域、源域1)的樣本數(shù)據(jù)、分布2(即源域2)的樣本數(shù)據(jù)和分布2(即源域2)樣本對應(yīng)的故障標(biāo)簽；w(p,q)表示用wasserstein距離來計算兩個數(shù)據(jù)集的差異性；lc1、lc2、lc3分別表示分類器c1、分類器c2、分類器c3的故障樣本分類損失；分別表示源域2中的樣本在分類器1、分類器2中的分類差異；表示優(yōu)化函數(shù)。

30、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，在步驟s304中，凍結(jié)特征提取器的參數(shù)，僅更新兩組分類器的參數(shù)；該訓(xùn)練階段鼓勵兩組分類器更多地關(guān)注多源域樣本中存在的固有故障特征；通過訓(xùn)練最大化分類器之間的輸出差異，降低了整體優(yōu)化導(dǎo)致的負參數(shù)傳遞的風(fēng)險；其優(yōu)化函數(shù)為：

31、

32、其中，δ1，δ2和δ5均表示經(jīng)驗系數(shù)；ys1表示分布1(即初始域、源域1)樣本對應(yīng)的故障標(biāo)簽；和分別表示分類器c1和分類器c2故障樣本的概率輸出；

33、在步驟s305和步驟s307中，后續(xù)的域樣本數(shù)據(jù)集取代初始的域樣本數(shù)據(jù)集，重新調(diào)整網(wǎng)絡(luò)參數(shù)，有助于優(yōu)化多個分類器的感興趣區(qū)域，其目標(biāo)函數(shù)分別為：

34、

35、其中，δ3和δ4分別表示經(jīng)驗系數(shù)，分別表示網(wǎng)絡(luò)模型使用目標(biāo)函數(shù)的目的是用來得到最小化分類器參數(shù)θc、特征提取器參數(shù)θe。

36、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，在步驟s306中，初始域樣本數(shù)據(jù)集取代后續(xù)域樣本數(shù)據(jù)集進行網(wǎng)絡(luò)更新；具體來說，解凍特征提取器的參數(shù)，緩解了出現(xiàn)的“訓(xùn)練擁塞”情況，有效提高了模型的收斂速度；同時，凍結(jié)分類器的所有參數(shù)，從而增強特征提取器的特征提取能力，其目標(biāo)函數(shù)表達式為：

37、

38、其中，和分別表示分類器c1和分類器c2故障樣本的概率輸出。

39、上述網(wǎng)絡(luò)訓(xùn)練過程依賴于初始域和后續(xù)訓(xùn)練域樣本的并行訓(xùn)練，以減輕不同域之間的差異；此外，它依賴于最大化分類器差異的方法來解決故障樣本中的類邊界模糊問題；此時，將分類器的參數(shù)解凍，并引入來自目標(biāo)客戶端的有限數(shù)量的校正域樣本來輔助網(wǎng)絡(luò)訓(xùn)練，并減少設(shè)備之間的個性化差異(如設(shè)備分布、軸承型號和損壞特征的變化)造成的負傳遞錯誤率；利用修正后的兩組域樣本的分類損失來更新整個網(wǎng)絡(luò)；最后，當(dāng)上述所有步驟完成后，回到協(xié)同訓(xùn)練的第s301步，繼續(xù)進行連續(xù)循環(huán)訓(xùn)練，直到達到預(yù)設(shè)的標(biāo)準(zhǔn)。

40、根據(jù)上述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法，優(yōu)選地，本發(fā)明采用的多分類器間歇嵌入是指分類器在訓(xùn)練過程中由于不同的訓(xùn)練任務(wù)而產(chǎn)生的變化；在步驟s302、304、306中，使用初始域樣本來訓(xùn)練網(wǎng)絡(luò)參數(shù)，并使用兩組分類器來最大化分類器之間的輸出差異，可以有效地捕獲同一域樣本中類邊界處的模糊故障；

41、在步驟s302、304、306初始域樣本數(shù)據(jù)集完成后，面對后續(xù)的域訓(xùn)練樣本數(shù)據(jù)集時，將分類器的數(shù)量從2組增加到3組；

42、在步驟s303中，基于步驟s302中分類器c1和分類器c2的分類精度，對新添加的分類器c3的參數(shù)進行加權(quán)和聚合，在步驟s303、步驟s305完成公式(9)中的優(yōu)化目標(biāo)后，重新更新所有分類器的所有參數(shù)，由于分類器c3對其他分類器的參數(shù)進行了加權(quán)，所以在更新時，它的分類損失會加到其他分類器的更新?lián)p失中，以校正每個分類器的感興趣區(qū)域，具體函數(shù)表達式為：

43、

44、其中，ac1和ac2分別表示兩組分類器的分類準(zhǔn)確率；θc1、θc2和θc3分別表示分類器c1、分類器c2和分類器c3的參數(shù)；α1、α2、β1和β2分別表示自調(diào)整系數(shù)，隨著訓(xùn)練過程不斷優(yōu)化；

45、在步驟s307完成特征提取器參數(shù)的更新后，利用分類器c3的故障樣本分類損失來獨立更新每個分類器的參數(shù)，該方法保證了特征提取器泛化能力的增強，同時減輕了分類器更新的壓力；其優(yōu)化目標(biāo)函數(shù)為：

46、[θc1,θc2,θc3]←lc3(xs2,ys2)；?????(14)

47、其中，箭頭表示反向優(yōu)化對象；lc3表示分類器c3的故障樣本分類損失。

48、本發(fā)明第二方面提供了一種電子設(shè)備，包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如第一方面所述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法中的任一步驟。

49、本發(fā)明第三方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序經(jīng)計算機處理器執(zhí)行時實現(xiàn)如第一方面所述的基于多源域數(shù)據(jù)知識的跨設(shè)備診斷方法中的任一步驟。

50、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

51、1、本發(fā)明通過自定義閾值均衡模塊，能夠增強殘差塊結(jié)構(gòu)的固有模式，從而構(gòu)建對抗結(jié)構(gòu)，提高網(wǎng)絡(luò)表征性能，有利于模型提取到更有助于樣本類別識別的廣義故障特征。

52、2、本發(fā)明的網(wǎng)絡(luò)模型cmtm基于多源領(lǐng)域數(shù)據(jù)進行協(xié)同訓(xùn)練，分為縮小領(lǐng)域距離的并行訓(xùn)練和糾正個性化差異的混合訓(xùn)練，通過上述協(xié)同訓(xùn)練能夠針對性的提高網(wǎng)絡(luò)模型對不同領(lǐng)域樣本特征的提取能力，并且降低了因為領(lǐng)域個性化偏差對模型參數(shù)的影響。

53、3、本發(fā)明通過多分類器的間歇嵌入，能夠解決多設(shè)備同一類別數(shù)據(jù)內(nèi)的模糊故障樣本識別問題，有效緩解了網(wǎng)絡(luò)模型對相同工況、相同設(shè)備、不同故障類型樣本容易被誤分類的現(xiàn)象，實現(xiàn)了不同故障樣本間的精準(zhǔn)分類。

54、4、本發(fā)明提出的網(wǎng)絡(luò)模型cmtm能夠針對不同的數(shù)據(jù)差異問題對網(wǎng)絡(luò)參數(shù)進行有針對性的訓(xùn)練，在訓(xùn)練過程中引入了基于多組源域數(shù)據(jù)的協(xié)同訓(xùn)練，采用該訓(xùn)練方法可以有效地縮小網(wǎng)絡(luò)模型提取的不同分布樣本之間的特征差異；同時，通過引入針對不同分類器輸出差異的對抗訓(xùn)練，能夠識別相同工況下的類邊界模糊故障樣本；通過在殘差塊結(jié)構(gòu)中引入自定義閾值的平衡機制，使得殘差塊結(jié)構(gòu)的每個殘差塊都包含一個對抗性的參數(shù)選擇機制，隨著網(wǎng)絡(luò)訓(xùn)練步驟的疊加，參數(shù)能夠滿足跨設(shè)備診斷性能的方向更新。

55、5、本發(fā)明在訓(xùn)練階段開始之前，將逐個訓(xùn)練和更新模型參數(shù)，能夠有效緩解由于參數(shù)初始化不一致導(dǎo)致的網(wǎng)絡(luò)滯后問題；本發(fā)明通過自定義閾值均衡模塊，能夠增強殘差塊結(jié)構(gòu)的固有模式，從而構(gòu)建對抗結(jié)構(gòu)，提高網(wǎng)絡(luò)表征性能；通過基于多源領(lǐng)域數(shù)據(jù)的協(xié)同訓(xùn)練，能夠提高網(wǎng)絡(luò)模型對不同領(lǐng)域樣本特征的提取能力，并且降低了因為領(lǐng)域個性化偏差導(dǎo)致的模型參數(shù)影響；通過多分類器間歇嵌入，能夠解決多設(shè)備同一類別數(shù)據(jù)內(nèi)的模糊故障樣本識別問題。

56、6、本發(fā)明的網(wǎng)絡(luò)模型cmtm通過有針對性的模型參數(shù)訓(xùn)練，能夠解決跨設(shè)備診斷中遇到的任務(wù)挑戰(zhàn)；通過引入多組源域數(shù)據(jù)進行協(xié)同訓(xùn)練，可以有效緩解不同分布提取樣本之間的特征差異，并逐步將多組獨立任務(wù)分類器集成到網(wǎng)絡(luò)訓(xùn)練中，從而準(zhǔn)確識別一致工況下的類邊界模糊故障樣本；本發(fā)明通過自定義閾值模塊能夠使每個殘差塊在網(wǎng)絡(luò)訓(xùn)練中產(chǎn)生自己的對抗機制，隨著訓(xùn)練的進行，最終得到符合跨設(shè)備診斷要求的網(wǎng)絡(luò)參數(shù)。