(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 202111503426.5 (22)申请日 2021.12.09 (71)申请人 西安邮电大 学 地址 710061 陕西省西安市雁塔区长安 南 路563号 (72)发明人 陈彦萍　夏虹　任乐乐　张恒山　 王忠民　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 王萌 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于多门控混合专家多任务学习的复 合故障诊断方法 (57)摘要 本发明涉及一种基于多门控混合专家多任 务学习的复合故障诊断方法， 包括： 获取待测数 据； 对待测数据进行预处理， 得到待测数据对应 的频域数据； 将频域数据输入至预先训练完成的 故障诊断模 型， 得到待测数据对应的故障诊断结 果； 其中， 故障诊断模型是基于训练样本集训练 获得的， 故障诊断模型包括： 多任务学习模块， 用 于对频域数据进行特征提取， 得到若干共享特 征， 并对共享特征进行加权求和， 得到不同任务 对应的输出结果； 故障诊断模块， 用于对输出结 果进行特征提取和故障分类， 得到故障诊断结 果。 本发明的方法可 以在多种工况下， 对变速箱 内轴承和齿轮不同故障进行准确诊断。 权利要求书2页 说明书8页 附图3页 CN 114491828 A 2022.05.13 CN 114491828 A 1.一种基于多门控混合专 家多任务学习的复合故障诊断方法， 其特 征在于， 包括： 获取待测数据； 对所述待测数据进行 预处理， 得到所述待测数据对应的频域数据； 将所述频域数据输入至预先训练完成的故障诊断模型， 得到所述待测数据对应的故障 诊断结果； 其中， 所述故障诊断模型 是基于训练样本集训练获得的， 所述故障诊断模型包括： 多任务学习模块， 用于对所述频域数据进行特征提取， 得到若干共享特征， 并对所述共 享特征进行加权求和， 得到不同任务对应的输出 结果； 故障诊断模块， 用于对所述输出 结果进行 特征提取和故障分类， 得到故障诊断结果。 2.根据权利要求1所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述待测数据为变速箱的振动信号。 3.根据权利要求1所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述故障诊断结果包括齿轮故障诊断结果和轴承故障诊断结果， 其中， 所述齿轮故障诊断结果的种类包括 正常、 断齿、 裂纹、 偏心、 缺齿和过渡磨损； 所述轴承故障诊断结果的种类包括正常、 滚动体故障、 内圈故障、 外圈故障和复合故 障。 4.根据权利要求1所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述多任务学习模块为ML ‑MMoE网络， 包括数据输入单元、 专家单元、 第一门控单 元、 第二门控单 元、 第一任务单 元和第二任务单 元， 其中， 所述数据输入单元， 用于接收所述频域数据， 并将其传输至所述专家单元、 所述第一门 控单元和所述第二门控单 元； 所述专家单元， 用于对所述频域数据进行 特征提取， 得到若干共享特 征； 所述第一门控单元， 用于根据学习得到的第一权重值， 对所述共享特征进行加权求和 得到第一融合数据， 并将其传输 至所述第一任务单 元； 所述第二门控单元， 用于根据学习得到的第二权重值， 对所述共享特征进行加权求和 得到第二融合数据， 并将其传输 至所述第二任务单 元； 所述第一任务单元和所述第 二任务单元， 分别将所述第 一融合数据和所述第 二融合数 据传输至所述故障诊断模块。 5.根据权利要求4所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述故障诊断模块包括齿轮故障诊断单 元和轴承故障诊断单 元， 其中， 所述齿轮故障诊断单元， 用于对所述第一融合数据进行特征提取和故障分类， 得到齿 轮故障诊断结果； 所述轴承故障诊断单元， 用于对所述第二融合数据进行特征提取和故障分类， 得到轴 承故障诊断结果。 6.根据权利要求5所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述齿轮故障诊断单元和所述轴承故障诊断单元均包括依次连接的卷积网络和分 类网络， 其中， 所述卷积网络为一维卷积神经网络， 包括级联的第 一卷积层、 第一最大池化层、 第二卷 积层和第二 最大池化层；权　利　要　求　书 1/2 页 2 CN 114491828 A 2所述分类网络包括依次连接的全连接层和softmax层。 7.根据权利要求1所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述故障诊断模型训练时采用联合训练的方法， 训练的损失函数为每个任务的损 失函数相加求平均。 8.根据权利要求1所述的基于多门控混合专家多任务学习的复合故障诊断方法， 其特 征在于， 所述训练样本集包括若干具有轴承和齿轮故障分类标签的变速箱振动信号。权　利　要　求　书 2/2 页 3 CN 114491828 A 3