CN109489946A - 一种旋转机械的故障诊断方法及系统 - Google Patents
一种旋转机械的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN109489946A CN109489946A CN201811104967.9A CN201811104967A CN109489946A CN 109489946 A CN109489946 A CN 109489946A CN 201811104967 A CN201811104967 A CN 201811104967A CN 109489946 A CN109489946 A CN 109489946A
- Authority
- CN
- China
- Prior art keywords
- rotating machinery
- semi
- fault diagnosis
- test
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于机械设备状态监测与故障诊断相关技术领域,其公开了一种旋转机械的故障诊断方法及系统,该方法包括以下步骤:(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段,并计算得到每个数据段对应的小波时频图像;(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试,并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,且输出故障诊断结果。本发明提高了诊断准确率,极大地降低了人工成本,稳定性较好。
Description
技术领域
本发明属于机械设备状态监测与故障诊断相关技术领域,更具体地,涉及一种旋转机械的故障诊断方法及系统。
背景技术
旋转机械被广泛应用于汽车、飞机、风机等各种现代工业机械之中,是很多现代机械中必不可少的关键部件。由于旋转机械所处的外部环境、发生故障的原因、故障模式及其特征较为复杂和多样,因此,现有的旋转机械的故障诊断方法还难以满足实际需要。
随着大数据技术的快速发展,以卷积神经网络为代表的深度学习技术在旋转机械的故障诊断领域的应用受到广泛重视,这种方法首先对原始振动信号进行特征提取,然后再利用卷积神经网络的分类能力进行故障诊断,其故障诊断的准确率较高。但是,由于传统的神经网络属于监督训练范畴,为了准备卷积神经网络训练和测试时使用的数据集,必须由人工对提取到的海量特征手动添加标签。在故障诊断领域,添加数据标签常常必须由专业人士才能完成,这不仅增加了故障诊断的成本,还降低了故障诊断的效率,还可能由于人为失误造成准确率下降。相应地,本领域存在着发展一种准确率较好的旋转机械的故障诊断方法及系统的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种旋转机械的故障诊断方法及系统,其基于现有旋转机械的故障诊断特点,研究及设计了一种旋转机械的故障诊断方法及系统。所述故障诊断方法将半监督生成对抗网络引入到旋转机械的故障诊断中,实现了小波变换和半监督生成对抗网络算法的结合。具体地,通过小波变换将振动信号转换成时频图像,既提取了故障特征,又能得到适应半监督生成对抗网络的数据格式,充分利用了小波变换优秀的特征提取能力和半监督生成对抗网络出色的模式识别能力及半监督特性,如此高效地实现了旋转机械的故障诊断,解决了卷积神经网络引起的人工标注成本过高的问题,为解决旋转机械的故障诊断问题提供了一种新的有效途径。
为实现上述目的,按照本发明的一个方面,提供了一种旋转机械的故障诊断方法,该故障诊断方法包括以下步骤:
(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段,并计算得到每个数据段对应的小波时频图像;
(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;
(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试,并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,且输出故障诊断结果。
进一步地,计算得到每个数据段对应的小波时频图像时使用的小波基函数为Morlet小波,中心频率及带宽为3。
进一步地,所述测试指标包括测试准确率及人工标注成本。
进一步地,所述半监督生成对抗网络的建立包括以下步骤:
(a)基于卷积神经网络模型设计生成器及判别器的网络结构;
(b)对所述生成器及所述判别器进行训练以得到所述半监督生成对抗网络。
进一步地,所述生成器采用反卷积形式,卷积核的大小为5×5。
进一步地,所述判别器采用卷积形式,卷积核的大小为3×3。
进一步地,所述半监督生成对抗网络的训练和测试主要包括以下步骤:
S1,采用所述训练集对预先建立的所述半监督生成对抗网络进行训练;
S2,采用所述测试集对训练后的所述半监督生成对抗网络进行测试,以得到测试过的半监督生成对抗网络模型及实际的测试指标值;
S3,判断实际的测试指标值是否达到预定的测试指标值,若达到,则输出所述半监督生成对抗网络模型;否则,重新确定所述训练集中标记样本的个数,或者重新设计所述半监督生成对抗网络。
进一步地,所述训练集内的训练样本的数量大于所述测试集内的测试样本的数量;其中,所述标记样本的数量为所述训练集内的训练样本数量的0.4%、0.8%、2.5%或者4%。
按照本发明的另一个方面,提供了一种旋转机械的故障诊断系统,所述故障诊断系统采用如上所述的旋转机械的故障诊断方法对旋转机械进行故障诊断。
进一步地,所述故障诊断系统包括采集单元、转换单元、训练单元及诊断单元,所述采集单元用于采集待诊断旋转机械的振动信号,并将所述振动信号传输给所述转换单元;所述转换单元用于将接收到的所述振动信号划分为前后衔接的多个数据段,并计算每个数据段对应的小波时频图像,同时还将得到的小波时频图像传输给所述训练单元;所述训练单元用于对接收到的所述小波时频图像进行处理以得到训练集和测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;所述训练单元还用于依序采用所述训练集及所述测试集对预先创建的半监督生成对抗网络进行训练及测试以得到训练好的半监督生成对抗网络;所述诊断单元用于采用所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,并输出故障诊断结果。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的旋转机械的故障诊断方法及系统主要具有以下有益效果:
1.通过小波变换将振动信号转换成小波时频图像,提取信号的故障特征并得到适应半监督生成对抗网络的样本格式;在大量的样本数据中,取其中一小部分打上标签,利用大量的无标记样本和少量的标记样本训练模型,既可以实现高精度的故障诊断,又极大地减少了人工手动标记样本造成的故障诊断人力和经济成本。
2.根据预定的测试指标来确定训练集中标记样本的个数,便于针对不同种类的旋转机械以及同种旋转机械的不同应用需要,灵活确定测试指标及标记样本的个数,应用范围广泛。
3.基于半监督生成对抗网络和小波变换的旋转机械故障诊断方法,与传统故障诊断方法相比,本发明只使用一种特征提取技术,降低了对先验知识、特征筛选和诊断工程经验的依赖,使得本发明的故障诊断能力具有很强的泛化性。
4.与卷积神经网络技术必须对全部的训练样本标注标签相比,本发明使用的是半监督生成对抗网络算法,只需要对极小的一部分训练样本标注标签,在生成网络和判别网络的对抗学习过程中,判别网络能够自动从大量的无标签样本学习所需要的信息,极大地减少了因手动给提取到的海量特征数据标注标签所带来的人工成本,为解决旋转机械的故障诊断问题提供了一种新的有效途径,具有很强的工业实际应用意义。
附图说明
图1是本发明第一实施方式提供的旋转机械的故障诊断方法的流程示意图。
图2是本发明第二实施方式提供的旋转机械的故障诊断方法的流程图。
图3是图2中的旋转机械的故障诊断方法涉及的生成器的网络模型结构示意图。
图4是图2中的旋转机械的诊断方法涉及的判别器的网络模型结构示意图。
图5是采用图2中的旋转机械的诊断方法获取的每种故障模式的测试准确率的混淆矩阵图。
图6是采用图2中的旋转机械的诊断方法与其他现有的故障诊断方法获取的平均测试准确率稳定性的对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本发明第一实施方式提供的旋转机械的故障诊断方法,所述故障诊断方法包括以下步骤:
步骤一,将采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段,并计算得到每个数据段对应的小波时频图像。具体地,计算得到每个数据段对应的小波时频图像时使用的小波基函数为Morlet小波,中心频率及带宽为3。
步骤二,对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数。具体地,所述测试指标包括测试准确率及人工标注成本;当实际测试指标值没有达到预定的测试指标值时,重新确定所述训练集中标记样本的个数,或者重新设计所述半监督生成对抗网络。
步骤三,依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试,并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,且输出故障诊断结果。
所述半监督生成对抗网络的建立包括以下步骤:
(1)基于卷积神经网络模型设计生成器及判别器的网络结构。
(2)对所述生成器及所述判别器进行训练以得到所述半监督生成对抗网络。
本实施方式中,所述生成器采用反卷积形式,卷积核的大小为5×5;所述判别器采用卷积形式,卷积核的大小为3×3;
所述半监督生成对抗网络的训练和测试主要包括以下步骤:
(1)采用所述训练集对预先建立的所述半监督生成对抗网络进行训练。
(2)采用所述测试集对训练后的所述半监督生成对抗网络进行测试,以得到测试过的半监督生成对抗网络模型及实际的测试指标值。
(3)判断实际的测试指标值是否达到预定的测试指标值,若达到,则输出所述半监督生成对抗网络模型;否则,重新确定所述训练集中标记样本的个数,或者重新设计所述半监督生成对抗网络。
本发明第一实施方式还提供一种旋转机械的故障诊断系统,所述故障诊断系统采用如上所述的旋转机械的故障诊断方法对待诊断旋转机械进行故障诊断。
所述故障诊断系统包括采集单元、转换单元、训练单元及诊断单元,所述采集单元用于采集待诊断旋转机械的振动信号,并将所述振动信号传输给所述转换单元。所述转换单元用于将接收到的所述振动信号划分为前后衔接的多个数据段,并计算每个数据段对应的小波时频图像,同时还将得到的小波时频图像传输给所述训练单元。所述训练单元用于对接收到的所述小波时频图像进行随机划分及归一化处理以得到训练集和测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数。所述训练单元还用于依序采用所述训练集及所述测试集对预先创建的半监督生成对抗网络进行训练及测试以得到训练好的半监督生成对抗网络模型。所述诊断单元用于采用训练好的所述半监督生成对抗网络模型对待诊断旋转机械进行故障诊断,并输出故障诊断结果。
请参阅图2,本发明第二实施方式提供的旋转机械的故障诊断方法主要包括以下步骤:
S110,采集待诊断旋转机械的振动信号。
具体地,待诊断旋转机械包括实验平台,所述实验平台主要包括一个2马力的电机、一个矩形传感器、一个功率计及电子控制设备。其中,被测轴承支撑电机轴,使用电火花加工技术在轴承中布置单点故障,故障直径分别为0.007、0.014、0.021和0.028英寸(1英尺=2.54厘米),故障位置分别处于内圈、外圈和滚动体上,即总共12种故障模式,分别是:正常、滚动体0.007、滚动体0.014、滚动体0.021、滚动体0.028、内圈0.007、内圈0.014、内圈0.021、内圈0.028、外圈0.007、外圈0.014和外圈0.021。
在旋转机械的运动过程中,可以使用加速度传感器采集加速度信号,且加速度传感器沿旋转机械的旋转轴的轴向或者径向设置。例如,每秒钟采集12000个采样点,对每种故障模式均采集4次,每种故障模式共采集得到48000个采样点。在不同的旋转机械中,需要采集的振动信号可以是振动加速度,也可以是振动位移和振动速度。
S120,按照设定的分段长度将采集到的振动信号划分为前后衔接的多个数据段,分别对每个数据段进行小波转换以得到对应的小波时频图像。
具体地,以300个采样点为分段长度,将每种故障模式的采样点切分为1600个数据段,即每个数据段均包含300个连续的采样点,并利用小波变换将其转换成小波时频图像。
通过以下小波变换公式(1)将采集到的振动信号转换为小波时频图像:
式中,WTx(a,τ)为小波变换系数;x(t)为采集到的振动信号;ψa,τ(t)为小波基函数;a为尺度因子;τ为平移量;t为时间。具体的,小波基函数可以是Morlet小波,且中心频率和带宽均为3。
通过小波变换将振动信号转换成小波时频图像,以减少背景噪声的影响,提取出振动信号的故障特征,并得到半监督生成对抗网络的输入样本格式。
S130,将所有小波时频图像进行随机划分和归一化处理以得到训练集和测试集。
具体地,按照设定的划分比例将多个小波时频图像作为样本随机划分为训练集和测试集,并分别进行归一化处理。例如,以3:1的划分比例将每种故障模式的小波时频图像随机划分为训练集和测试集两部分,并将它们都归一化到[-1,1],即对于每种故障模式,训练集包括1200个小波时频图像(训练样本数),测试集包括400个小波时频图像(测试样本数),每个小波时频图像均为一个样本,详细数据如表1所示。
表1:每种故障模式的小波时频图像的训练集和样本集
S140,根据预定的测试指标来确定所述训练集中标记样本的个数,所述测试指标包括测试准确率。测试准确率的定义为:测试样本中所有被正确诊断的个数占所有测试样本个数的比例。
所述测试指标还可以包括人工标注成本等参数。可以理解的是,标记样本的个数越多,测试样本的精确度越高,且故障诊断精确度越高,但是人工标注的成本也相应增加。根据表1,总的训练集样本数为14400个,则标记样本的个数可以设为60、120、360或者600个。
S150,采用所述训练集对预先创建的半监督生成对抗网络进行训练以得到训练过的半监督生成对抗网络模型。
具体地,所述训练集中包括了步骤S130所确定的标记样本,将所述训练集中的样本输入预先创建的半监督生成对抗网络中并交替训练生成器和判别器,以得到训练过的半监督生成对抗网络模型。
当所述生成器和所述判别器达到纳什平衡时,输出生成器和判别器,并得到训练过的半监督生成对抗网络模型;否则,继续训练生成器和判别器。
创建半监督生成对抗网络的步骤包括:基于神经网络模型来设计半监督生成对抗网络的生成器和判别器网络结构。具体地,根据需求选择合适的神经网络模型来设计半监督生成对抗网络的生成器和判别器网络结构。例如,基于深度卷积神经网络模型设计半监督生成对抗网络所使用的生成器和判别器的网络结构,生成器采用反卷积形式,卷积核的大小为5×5,判别器采用卷积形式,卷积核的大小为3×3。
如图3所示,生成器的网络模型的输入层是一个100维的随机噪声,输出层是一个32×32×3的图片,中间有三个反卷积层,卷积核的大小为5×5。如图4所示,判别器的网络模型的输入层为32×32×3的图片,后面跟着5个卷积层,卷积核的大小为3×3,输出层为全连接。
S160,将所述测试集中的样本输入到训练过的所述半监督生成对抗网络模型,以得到测试后的半监督生成对抗网络模型及实际的测试指标值。
S170,判断实际的测试指标值是否达到预定的测试指标值,若是,则转到步骤S180,否则转至步骤S200。
具体地,判断实际的测试准确率是否达到预定的测试准确率,根据测试准确率判断训练后的半监督生成对抗网络模型是否满足实际要求,如不满足要求,则跳到步骤S140调整标记样本的个数。
S180,输出测试过的半监督生成对抗网络模型。
S190,将测试过的半监督生成对抗网络模型用于旋转机械的故障诊断以得到故障诊断结果,故障诊断结束。
S200,重新确定所述训练集中标记样本的个数,并返回至步骤S140。
通过调整标记样本的个数来达到所需要的故障诊断精确度,当标记样本的个数为600个时,即可取得非常理想的准确率。在另一个实施方式中,步骤S200还可以包括重新设计并创建半监督生成对抗网络来达到所需要的故障诊断精确度。
为了验证本发明具有很强的泛化性,即本发明故障诊断时的准确率具有很强的稳定性,做了10次重复实验,其详细结果如表2所示。
表2 10次试验的测试准确率
以第一次试验(标记样本数量为600个)为例,给出了每一类模式故障诊断的测试准确率,其混淆矩阵如图5所示。其中,纵坐标表示真实类型,横坐标表示诊断类型(即基于本发明的诊断结果),对角线上的元素表示每一类模式被正确诊断的概率。
为了更清楚地说明本发明,以轴承试验数据为基础,从平均测试准确率、每一类的测试准确率以及平均测试准确率的稳定性三个角度,将采用本发明实施例的旋转机械的故障诊断方法得到的结果与分别采用BP神经网络(BP)、支持向量机(SVM)以及卷积神经网络(CNN)得到的结果做了对比,对比结果参见表3。
表3本发明平均准确率与其他方法的对比结果
从表3中可以看出,当训练集中包括60个标记样本时,平均测试准确率已经超过了使用全部标签的BP、SVM和CNN的平均测试准确率;当训练集中的标记样本数量为600个时(相对于14400个样本的训练集仍是极其少的),平均准确率已达到了98.32%,这个测试准确率在实际故障诊断中是相当高的。表4给出了在每种故障模式下,本发明实施例与卷积神经网络的对比结果,其中,0,1,…,11表示表1中的故障模式序号,从表4中我们可以看出,本发明实施例在每种故障模式的准确率上相对于卷积神经网络所具有的优势非常明显,不仅有10个准确率超过了卷积神经网络的准确率,而且最低准确率也比卷积神经网络的准确率要高的多。
表4本发明每一类的准确率和卷积神经网络的对比结果
请参阅图6,自本发明和BP、SVM以及CNN方法在平均测试准确率稳定性上的对比结果可以看出,本发明所提出的方法10次的准确率十分接近,比其余3种方法的波动性要小的多,稳定性较好,准确率较高,即本发明所提出的故障诊断方法的故障诊断的稳定性比传统方法要好很多。
本实施方式基于半监督生成对抗网络和小波变换的旋转机械的故障诊断方法,利用小波变换完成故障诊断所需的时频特征提取,不仅挖掘出隐藏在原始诊断信号中的丰富信息,而且减少了对诊断经验和特征选择的依赖。其中,小波变换和半监督生成对抗网络的巧妙结合更是克服了传统神经网络技术对标签严重依赖的特点,将人从繁重的手动标注劳动中解放出来,极大地节省了人工成本,而且在故障诊断的准确度和有效性方面都有明显的提高。本发明为解决旋转机械故障诊断问题提供了一种新的切实可行的有效途径,可广泛应用于机械、化工和航天航空领域的故障诊断中。
本发明提供的旋转机械的故障诊断方法及系统使用少量的标记对旋转机械的故障特征进行识别,不仅实现了高精度的故障诊断,而且将专业人员从繁重的标签标注劳动中解放出来,极大地降低了故障诊断的成本,提高了故障诊断的效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种旋转机械的故障诊断方法,其特征在于,该方法包括以下步骤:
(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段,并计算得到每个数据段对应的小波时频图像;
(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;
(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试,并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,且输出故障诊断结果。
2.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:计算得到每个数据段对应的小波时频图像时使用的小波基函数为Morlet小波,中心频率及带宽为3。
3.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:所述测试指标包括测试准确率及人工标注成本。
4.如权利要求1所述的旋转机械的故障诊断方法,其特征在于:所述半监督生成对抗网络的建立包括以下步骤:
(a)基于卷积神经网络模型设计生成器及判别器的网络结构;
(b)对所述生成器及所述判别器进行训练以得到所述半监督生成对抗网络。
5.如权利要求4所述的旋转机械的故障诊断方法,其特征在于:所述生成器采用反卷积形式,卷积核的大小为5×5。
6.如权利要求4所述的旋转机械的故障诊断方法,其特征在于:所述判别器采用卷积形式,卷积核的大小为3×3。
7.如权利要求1-4任一项所述的旋转机械的故障诊断方法,其特征在于:所述半监督生成对抗网络的训练和测试主要包括以下步骤:
S1,采用所述训练集对预先建立的所述半监督生成对抗网络进行训练;
S2,采用所述测试集对训练后的所述半监督生成对抗网络进行测试,以得到测试过的半监督生成对抗网络模型及实际的测试指标值;
S3,判断实际的测试指标值是否达到预定的测试指标值,若达到,则输出所述半监督生成对抗网络模型;否则,重新确定所述训练集中标记样本的个数,或者重新设计所述半监督生成对抗网络。
8.如权利要求1-4任一项所述的旋转机械的故障诊断方法,其特征在于:所述训练集内的训练样本的数量大于所述测试集内的测试样本的数量;其中,所述标记样本的数量为所述训练集内的训练样本数量的0.4%、0.8%、2.5%或者4%。
9.一种旋转机械的故障诊断系统,其特征在于:所述故障诊断系统采用权利要求1-8任一项所述的旋转机械的故障诊断方法对旋转机械进行故障诊断。
10.如权利要求9所述的旋转机械的故障诊断系统,其特征在于:所述故障诊断系统包括采集单元、转换单元、训练单元及诊断单元,所述采集单元用于采集待诊断旋转机械的振动信号,并将所述振动信号传输给所述转换单元;所述转换单元用于将接收到的所述振动信号划分为前后衔接的多个数据段,并计算每个数据段对应的小波时频图像,同时还将得到的小波时频图像传输给所述训练单元;所述训练单元用于对接收到的所述小波时频图像进行处理以得到训练集和测试集,并根据预定的测试指标来确定所述训练集中标记样本的个数;所述训练单元还用于依序采用所述训练集及所述测试集对预先创建的半监督生成对抗网络进行训练及测试以得到训练好的半监督生成对抗网络;所述诊断单元用于采用所述半监督生成对抗网络对待诊断旋转机械进行故障诊断,并输出故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811104967.9A CN109489946A (zh) | 2018-09-21 | 2018-09-21 | 一种旋转机械的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811104967.9A CN109489946A (zh) | 2018-09-21 | 2018-09-21 | 一种旋转机械的故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109489946A true CN109489946A (zh) | 2019-03-19 |
Family
ID=65690645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811104967.9A Pending CN109489946A (zh) | 2018-09-21 | 2018-09-21 | 一种旋转机械的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109489946A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110553839A (zh) * | 2019-08-27 | 2019-12-10 | 华中科技大学 | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN110689068A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督svm的变压器故障类型诊断方法 |
CN110823576A (zh) * | 2019-11-18 | 2020-02-21 | 苏州大学 | 基于生成对抗网络的机械异常检测方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111517092A (zh) * | 2020-06-03 | 2020-08-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
CN111914703A (zh) * | 2020-07-20 | 2020-11-10 | 哈尔滨工业大学 | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112257694A (zh) * | 2020-12-22 | 2021-01-22 | 北京航空航天大学 | 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法 |
CN113269174A (zh) * | 2021-07-21 | 2021-08-17 | 北京航空航天大学 | 一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
-
2018
- 2018-09-21 CN CN201811104967.9A patent/CN109489946A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN107169532A (zh) * | 2017-06-14 | 2017-09-15 | 北京航空航天大学 | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
TIM SALIMANS 等: "Improved Techniques for Training GANs", 《AR-XIV PREPRINT ARXIV:1606.03498》 * |
陈伟: "深度学习在滚动轴承故障诊断中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110553839A (zh) * | 2019-08-27 | 2019-12-10 | 华中科技大学 | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 |
CN110555474B (zh) * | 2019-08-28 | 2023-06-02 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN110689068A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督svm的变压器故障类型诊断方法 |
CN110689068B (zh) * | 2019-09-25 | 2023-07-18 | 贵州电网有限责任公司 | 一种基于半监督svm的变压器故障类型诊断方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN110823576A (zh) * | 2019-11-18 | 2020-02-21 | 苏州大学 | 基于生成对抗网络的机械异常检测方法 |
CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
CN111259532B (zh) * | 2020-01-13 | 2022-05-27 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111517092B (zh) * | 2020-06-03 | 2021-06-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
CN111517092A (zh) * | 2020-06-03 | 2020-08-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
CN111914703A (zh) * | 2020-07-20 | 2020-11-10 | 哈尔滨工业大学 | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112257694A (zh) * | 2020-12-22 | 2021-01-22 | 北京航空航天大学 | 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法 |
CN113269174A (zh) * | 2021-07-21 | 2021-08-17 | 北京航空航天大学 | 一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法 |
CN113269174B (zh) * | 2021-07-21 | 2021-10-12 | 北京航空航天大学 | 一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489946A (zh) | 一种旋转机械的故障诊断方法及系统 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN106226074B (zh) | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN112257528B (zh) | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
CN107451340A (zh) | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 | |
CN114298267A (zh) | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 | |
CN109187023A (zh) | 一种汽车发电机轴承故障诊断方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN113052062A (zh) | 基于一维卷积神经网络的轴承故障诊断方法 | |
CN106706314A (zh) | 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN114241271B (zh) | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 | |
CN116358871A (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
CN107451624A (zh) | 基于正交化局部连接网络的机械装备健康状态识别方法 | |
CN114881071A (zh) | 基于多源信息的同步电机转子绕组匝间短路故障诊断方法 | |
WO2024045555A1 (zh) | 一种基于标准自学习数据增强的故障诊断方法及系统 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统 | |
Yuan et al. | Multi-sourced monitoring fusion diagnosis for rotating machinery faults | |
CN115808312A (zh) | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |