本发明属于轴承故障诊断，尤其涉及一种基于自适应质心对齐的多目标域故障诊断方法和系统。
背景技术：
1、滚动轴承作为一种通用标准的零部件，广泛应用于各类机械设备中。由于滚动轴承承受冲击的能力较弱，在长时间的负载工作下，极易发生损坏。因此，实时检测轴承的状态，有利于预防设备故障、保障人员安全，对安全生产的落实有着重要意义。随着人工智能的发展，深度神经网络在智能轴承故障领域得到了广泛的应用。然而，深度学习模型往往要求训练集和测试集满足相同或相似的分布。但是，轴承通常在不同工况下运转，导致轴承振动信号的特征分布会产生偏移，导致诊断性能下降。
2、领域自适应是用来解决上述问题的有效方法。领域自适应一般包含两个域：有故障标签的源域、无故障标签的目标域；其中，源域和目标域数据分布不同。领域自适应目的是将源域学习到的诊断知识迁移到目标域中，从而提升模型在目标域的诊断精度。
3、当前，利用领域自适应技术进行跨域故障诊断主要分为两大类方法：基于统计度量的方法和基于领域对抗的方法。前者主要利用各类统计矩来减少源域和目标域的特征分布，而后者是采用生成对抗技术来提取领域不变的故障特征。由于轴承往往在多种工况下运转，产生多个分布不同的目标域。然而，上述的技术通常仅适用于单目标域，忽略了多目标域的情况，导致在进行领域迁移时诊断精度的降低。
4、因此，本发明公开了一种基于自适应质心对齐的多目标域故障诊断方法和系统。
技术实现思路
1、本发明实施例的目的在于提供一种基于自适应质心对齐的多目标域故障诊断方法和系统，旨在解决背景技术中所提及的现有技术所存在的技术问题。
2、本发明实施例是这样实现的，一种基于自适应质心对齐的多目标域故障诊断方法，所述方法包括：
3、获取对轴承在不同工况下的振动信号进行处理得到的源域数据集和目标域数据集；
4、基于所述源域数据集和目标域数据集训练自适应质心对齐网络；
5、固定特征提取器和故障分类器的参数，得到故障诊断模型。
6、本发明实施例的另一目的在于提供一种基于自适应质心对齐的多目标域故障诊断系统，所述系统包括：
7、数据获取模块，用于获取对轴承在不同工况下的振动信号进行处理得到的源域数据集和目标域数据集；
8、网络训练模块，用于基于所述源域数据集和目标域数据集训练自适应质心对齐网络；
9、模型生成模块，用于固定特征提取器和故障分类器的参数，得到故障诊断模型。
10、本发明实施例的有益效果是：通过对抗学习的策略减少源域和多个目标域的分布偏差，再添加自适应质心对齐，促进多个领域中相同故障的特征相互靠近，从而实现故障特征类内紧凑和类间分离，达到故障语义级别上的对齐，可以提高模型在多个目标域迁移诊断的性能，适用于多个目标域的轴承故障诊断，且可广泛应用在设备状态检测、设备故障诊断、设备健康管理等领域中。
1.一种基于自适应质心对齐的多目标域故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取对轴承在不同工况下的振动信号进行处理得到的源域数据集和目标域数据集的步骤，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述源域数据集和目标域数据集训练自适应质心对齐网络的步骤，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述域分类损失值和故障分类损失值的计算公式分别为：
5.根据权利要求3所述的方法，其特征在于，所述计算质心对齐项损失的步骤，具体包括：
6.根据权利要求4所述的方法，其特征在于，所述根据故障分类损失值和域分类损失值计算损失值的公式为：；
7.一种基于自适应质心对齐的多目标域故障诊断系统，其特征在于，所述系统包括：
8.根据权利要求7所述的方法，其特征在于，所述数据获取模块包括：
9.根据权利要求7所述的方法，其特征在于，所述网络训练模块包括：
