CN110940523B - 一种无监督域适应故障诊断方法 - Google Patents
一种无监督域适应故障诊断方法 Download PDFInfo
- Publication number
- CN110940523B CN110940523B CN201911202330.8A CN201911202330A CN110940523B CN 110940523 B CN110940523 B CN 110940523B CN 201911202330 A CN201911202330 A CN 201911202330A CN 110940523 B CN110940523 B CN 110940523B
- Authority
- CN
- China
- Prior art keywords
- domain
- model
- source
- training
- data
- 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.)
- Active
Links
Images
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种无监督域适应故障诊断方法,包括,获取轴承源振动数据,并将其划分训练样本和测试样本;构建CACD‑1DCNN模型,训练模型,确定模型参数;故障诊断;其中,所述源振动数据包括无标签的目标数据和有标签的源域数据;所述获取轴承源振动数据通过传感器获取;本发明提出模型的目标函数包括源域的交叉熵分类损失,基于中心的判别损失和基于源域和目标域特征的相关对齐损失,后两个损失在最后一个全连接层执行,模型训练后不仅能将源域中学到的表示应用于目标域,而且能保证提取的域不变特征具有更好的类内紧致性和类间可分性,同时提取的特征可以有效地提高跨域测试的性能。
Description
技术领域
本发明涉及的故障诊断技术领域,尤其涉及一种无监督域适应故障诊断方法。
背景技术
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助;它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据;深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
深入学习技术在故障诊断中得到了广泛的应用,取得了良好的效果。然而,在许多实际的故障诊断应用中,由于工作条件的频繁变化,标记的训练数据(源域)和未标记的测试数据(目标域)具有不同的分布,从而导致性能下降。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有无监督域适应故障诊断方法存在故障诊断的性能下降的问题,提出了本发明。
因此,本发明目的是提供一种无监督域适应故障诊断方法。
为解决上述技术问题,本发明提供如下技术方案:一种无监督域适应故障诊断方法,包括,
获取轴承源振动数据,并将其划分训练样本和测试样本;
构建CACD-1DCNN模型,训练模型,确定模型参数;
故障诊断;
其中,所述源振动数据包括无标签的目标数据和有标签的源域数据,所述CACD-1DCNN模型的目标函数定义如下:
L=LS+αLCA+βLCD;
式中,LCA表示相关对齐损失,LCD表示基于中心的判别损失,LS表示softmax损失,α和β是平衡域差异损失和判别损失的权衡参数;
所述相关对齐损失LCA为:
其中,所述源特征和目标特征的协方差矩阵CS和CT公式为:
CS=ASJAS T
CT=ATJAT T
式中,AS和AT分别表示源域和目标域中按列存放的d维激活特征,J表示中心矩阵;
所述基于中心的判别损失LCD为:
式中,表示二范数的平方,β表示一个权衡参数,m1和m2分别表示两个约束边界;fi s∈Rn表示全连接层第i个训练样本的深度特征,n表示全连接层神经元的数量,表示第yi个样本对应深度特征的类中心,yi∈{1,2,…,c},c表示类的数量。
作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:所述获取轴承源振动数据通过传感器获取;
其中,所述传感器为加速传感器。
作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:所述获取轴承源振动数据,并将其划分训练样本和测试样本包括步骤:
通过传感器采集轴承振动信号;
将采集的振动信号转化为源振动数据,并将其分为无标签的目标数据和有标签的源域数据;
其无标签目标数据的目标域测试数据作为测试样本;
将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。
作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:所述构建CACD-1DCNN模型,训练模型,确定模型参数的包括步骤:
构建CACD-1DCNN模型;
初始化参数;
将训练样本带入模型进行训练,并完成训练,确定模型参数;
其中,所述参数包括模型权值和偏置。
作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:将训练样本带入模型进行训练,并完成训练,确定模型参数:
将训练样本带入模型,分别计算源域分成层交叉熵损失、基于中心的判别损失和两个域间最后一个全连接层相关对齐损失;
优化损失函数,并更新每个参数;
是否满足迭代条件;
若否,继续计算;
若是,完成训练,确定模型参数;
其中,所述损失函数的优化基于优化算法实现。
深度特征作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:所述故障诊断的包括步骤:
将测试样本输入到训练完成的CACD-1DCNN模型;
输出目标域故障诊断结果。
作为本发明所述无监督域适应故障诊断方法的一种优选方案,其中:所述训练样本采用部分重叠的方式分割训练样本,获取增加训练样本数。
本发明的有益效果:本发明提出模型的目标函数包括源域的交叉熵分类损失,基于中心的判别损失和基于源域和目标域特征的相关对齐损失,后两个损失在最后一个全连接层执行,模型训练后不仅能将源域中学到的表示应用于目标域,而且能保证提取的域不变特征具有更好的类内紧致性和类间可分性,同时提取的特征可以有效地提高跨域测试的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明无监督域适应故障诊断方法的训练样本叠采样示意图。
图2为本发明无监督域适应故障诊断方法的CACD-1DCNN架构示意图。
图3为本发明无监督域适应故障诊断方法的不同算法对六种域转移场景中准确率结果示意图。
图4为本发明无监督域适应故障诊断方法的流程示意图。
图5为本发明无监督域适应故障诊断方法的源域和目标域测试集在所有卷积层与全连接层表达经过t-SNE可视化之后的分布图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1,提供了一种无监督域适应故障诊断方法的整体结构示意图,如图4,一种无监督域适应故障诊断方法包括,
本发明提出模型的目标函数包括源域的交叉熵分类损失,基于中心的判别损失和基于源域和目标域特征的相关对齐损失,后两个损失在最后一个全连接层执行,模型训练后不仅能将源域中学到的表示应用于目标域,而且能保证提取的域不变特征具有更好的类内紧致性和类间可分性,同时提取的特征可以有效地提高跨域测试的性能。
具体的,本发明主体结构包括,S1:获取轴承源振动数据,并将其划分训练样本和测试样本;其中,源振动数据包括无标签的目标数据和有标签的源域数据,需说明的是,获取轴承源振动数据通过传感器获取,本实施例,传感器为加速传感器;
进一步的,获取轴承源振动数据,并将其划分训练样本和测试样本包括步骤,
S11:通过传感器采集轴承振动信号;
S12:将采集的振动信号转化为源振动数据,并将其分为无标签的目标数据和有标签的源域数据;
S13:其无标签目标数据的目标域测试数据作为测试样本,将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本;
较好的,为了增加训练样本数来提高网络的泛化性能,考虑到振动信号的一维性,训练样本采用部分重叠的方式分割训练样本,获取增加训练样本数,如图1所示,采用连续的2048个点作为一个样本,将其偏移一定数量作为第二个样本
S2:构建CACD-1DCNN模型,训练模型,确定模型参数;
进一步的,构建CACD-1DCNN模型,训练模型,确定模型参数的包括步骤,
S21:构建CACD-1DCNN模型;针对轴承故障诊断领域的跨域学习问题,提出了CACD-1DCNN算法,如图2所示,以DCNN为主要结构,采用了共享权值的双流CNN结构,模型在分类器前采用了一个联合相关对齐损失和中心损失的域自适应层;
考虑加速度传感器采集到的轴承振动信号通常是一维的,可采用一维卷积神经网络处理振动信号,本模型采用一维卷积神经网络来处理轴承故障诊断,网络结构由卷积层、池化层、两个全连接层和一个Softmax分类层组成;其中第一层卷积核采用宽核,获得更大的接受域,进行特征提取和高频噪声抑制;其余卷积核采用小核,有利于加深网络并防止过拟合;其参数设置如表1所示。池化类型为max pooling,激活函数为ReLU,采用Adam随机优化算法对模型进行训练,学习率设为1e-4。
表1 1DCNN结构的详细信息
号码 | 网络层 | 核大小 | 步长 | 核数目 | 输出大小 | 零补 |
1 | 卷积层1 | 32×1 | 8×1 | 32 | 256×32 | Yes |
2 | 池化层1 | 2×1 | 2×1 | 32 | 128×32 | No |
3 | 池化层2 | 3×1 | 2×1 | 64 | 124×64 | Yes |
4 | 池化层2 | 2×1 | 2×1 | 64 | 62×64 | No |
5 | 卷积层3 | 3×1 | 2×1 | 64 | 60×64 | Yes |
6 | 池化层3 | 2×1 | 2×1 | 64 | 30×64 | No |
7 | 卷积层4 | 3×1 | 1×1 | 64 | 28×64 | Yes |
8 | 池化层4 | 2×1 | 2×1 | 64 | 14×64 | No |
9 | 全连接层1 | 100 | 1 | 100×64 | ||
10 | 全连接层2 | 64 | 1 | 64×1 | ||
11 | 分类层 | 10 | 1 | 10 |
在训练过程中,源域样本和目标域样本作为两个流的输入,标记源域样本和未标记目标域样本被输入到CACD-1DCNN模型中,然后通过多个卷积层和池化层,提取对原始振动信号更具鉴别能力的域不变特征;在全连接层进行分布差异的最小化,相关对齐可以并行地在多层上进行,经验证据表明,即使仅进行一次对齐,也能获得可靠的性能,通常,在最后一个全连接层之后进行相关对齐损失;CACD-1DCNN模型中相关对齐损失LCA和基于中心的判别损失LCD都是基于最后一个全连接层提取的特征来训练的,因此,加上基于源域的传统的softmax损失LS,CACD-1DCNN模型的目标函数定义如下:
L=LS+αLCA+βLCD
式中,LCA表示相关对齐损失,LCD表示基于中心的判别损失,表示softmax损失,α和β是平衡域差异损失和判别损失的权衡参数。
S22:初始化参数,其中,参数包括模型权值和偏置;
S23:将训练样本带入模型进行训练,并完成训练,确定模型参数;
进一步的,将训练样本带入模型进行训练,并完成训练,确定模型参数:
S231:将训练样本带入模型,分别计算源域分成层交叉熵损失、基于中心的判别损失和两个域间最后一个全连接层相关对齐损失;
S232:优化损失函数,并更新每个参数;
S233:是否满足迭代条件;
若否,继续计算;
若是,完成训练,确定模型参数;
需说明的是,损失函数的优化基于优化算法实现,作为优选方案,采用Adam优化算法实现;
进一步的,假定代表源域数据集合,样本数为Ns,表示样本标签值集合,y∈{1,…,L},目标域数据样本数为Nt,S代表源域,其每个样本用s表示,T代表目标域,其每个样本用t表示;在计算CACD-1DCNN网络特定层的激活时,AS和AT分别是源域和目标域中按列存放的d维激活特征,CS和CT分别是源特征和目标特征的协方差矩阵;
其中,源特征和目标特征的协方差矩阵CS和CT公式为:
CS=ASJAS T
CT=ATJAT T
式中,AS和AT分别表示源域和目标域中按列存放的d维激活特征,J表示中心矩阵,T代表目标域。
以源域为例,J是Ns×Ns的矩阵,第i,j个元素的值为:
其中,为了最小化源特征和目标特征的二阶统计量(协方差)之间的距离,定义深度相关对齐损失LCA为:
式中,表示矩阵F范数的平方,CS和CT分别表示源特征和目标特征的协方差矩阵,训练过程通过mini-batch SGD(Stochastic GradientDescent,随机梯度下降)实现,因此,一次迭代只有对齐一批源域和目标域训练样本;
其中,为了使模型学习到的深层特征更具有判别性,引入基于中心的判别损失LCD,基于中心的判别损失同时考虑了类内和类间两种情况,其基于中心的判别损失LCD为:
式中,表示二范数的平方,β表示一个权衡参数,m1和m2分别表示两个约束边界;fi s∈Rn表示全连接层第i个训练样本的深度特征,n表示全连接层神经元的数量,表示第yi个样本对应深度特征的类中心,yi∈{1,2,…,c},c表示类的数量;从上式可以看出,基于中心的判别损失会使类内样本之间的距离不大于m1,类间样本之间的距离不小于m2,显然,这种惩罚将使深层特性更加具有判别性。
实际应用中,通过mini-batch训练样本来更新中心点,每次迭代中,通过平均相应类的特征来计算中心点,每次迭代时更新的公式如式(1)(2)所示:
当condition为真时,δ(condition)=1,否则为0,b表示批大小,λ表示学习率;“全局类中心”在第一次迭代中被初始化为“批类中心”,并在每次迭代中针对下一批样本根据式(1)(2)来更新类中心。
S3:故障诊断;
故障诊断的包括步骤:
将测试样本输入到训练完成的CACD-1DCNN模型;
输出目标域故障诊断结果,其中,诊断结果为故障类别。
实施例2
为了验证所提方法的有效性和可行性,轴承试验装置包括一台电机、一个扭矩传感器、一个功率测试计和电子控制器,电机驱动端和风扇端的轴承座上各放置一个加速度传感器,试验采用的数据是通过在电机驱动端轴承座上方放置的加速度传感器采集得到,采样频率包括12KHz和48KHz两种,分别在4种不同的负荷(0-3HP)下采集得到;此轴承试验系统模拟了轴承的正常状态(N)、外圈故障(OF)、内圈故障(IF)和滚动体故障(RF)4种类型,且每种故障类型都有3种故障程度,包含损伤直径0.007inch、0.014inch、0.021inch,即可得到10种健康状态。
本实例选用滚动轴承驱动端采样频率为12kHz的不同故障位置及不同健康状态振动信号进行试验研究,数据集的详细描述如表2所示,其中,三个数据集是在1、2、3HP的三种负荷下获得的;每个数据集包含训练样本和测试样本,每个样本包含2048个数据点,采用叠采样技术来增加训练的数量,但测试集样本没有重叠,故每个数据集包含10个类别的6600个训练样本和250个测试样本。
表2 12kHz驱动端轴承数据集的参数
为了测试本发明的域适应性能,在仿真平台上进行实验,美国凯斯西储大学轴承数据集,A->B表示数据集A为源域,数据集B为目标域,其余以此类推,故对于数据集A、B、C来说,共有6种域适应问题。
将本发明提出的算法和SVM、Multi-Layer Perceptron(MLP)、Deep NeuralNetwork(DNN),Deep Convolutional Neural Networks with Wide Firstlayer Kernels(WDCNN)、WDCNN+Adaptive Batch Normalization(AdaBN)、Adversarial Adaptive modelbased on 1-D CNN(A2CNN)进行对比实验,最终所得的准确率的实验结果如图3所示,实际应用中,可以根据需要而将上述方法运用于不同的场景进行实验分析。
可以看出,RMCA-1DCNN方法的平均性能优于A2CNN和他6种基线方法,在所有的域转移场景中都达到了最高的域适应准确率。
实验结果表明了本发明所提方法学到的特征不仅具有足够的判别性来训练强分类器,而且对源域样本和目标域样本之间的差异保持不变;值得注意的是,在域转移场景A->B,A-C,B->C,C->B中,CACD-1DCNN方法故障诊断精度达到了最高准确率100%,在域转移场景C->A、B->A时,所提方法和A2CNN方法接近,分别比A2CNN低0.13%和0.38%,远优于SVM、MLP、DNN等方法。结果表明,CACD-1DCNN方法在解决轴承数据不同负载导致的域适应问题中效果显著。
实施例3
针对每种故障检测类型,为了进一步分析所提出的CACD-1DCNN模型的灵敏度,本方法又引入了三个新的评价指标,分别是Precision(精度)、Recall(召回率)和F值,精度也称为查准率,召回率也称为查全率。
在故障诊断多分类问题中,针对每种故障类别c其定义分别为:
精度(c)=TP/TP+FP
召回率(c)=TP/TP+FN
其中,真阳性(TP)表示正确标识为故障类别c的数量,假阳性(FP)表示错误标识为故障类别c的数量,假阴性(FN)表示错误标识为不属于c的故障数量,即没有被正确标签的故障数量。
故障类别c精度为1,表示每个样本标记为属于某个故障类c时,确实属于某个类,即没有假警报,但其不能告诉我们关于故障类别c没有分类正确的样本的数量(如丢失多少失败?)。
故障类别c召回率为1表示属于故障类别c的每一项都被预测为属于类f(即没有失踪报警),但没有给出有多少其余样.3本被错误分类为类f(即有多少假警报?)。
定义F值作为诊断情况分析的参考,F值的计算方法如下:
F值表示精度与召回率的几何加权平均,α为权重,将α置为1,表示精度与召回率一样重要;当α>1时表示精度比较重要,当α<1时表示召回率比较重要;本文将α置为1,F值越接近1代表故障检测效果越好;这种评价方法考虑了精度和召回率,解决了非同量级数值相加时代数与数值较大的数接近的影响。
表3为RMCA-1DCNN方法中每种故障类型的精度、召回率和F值
表3中,针对第一类和第四类故障类型(即当滚动体故障尺0.007inch和内圈故障尺寸0.007inch时),CACD-1DCNN方法在域转移场景B->A中精度较低,分别为89%和93%,这意味着大约有10%的此类故障警报是不可靠的。
对于第三类故障(即滚动体故障尺寸0.021inch),CACD-1DCNN方法在域转移场景B->A、C->A中召回率较低,分别为88%和80%,这意味着在C->A中,有12%的故障未被检测到,在B->A中,有20%的故障未被检测到。
对于第一类故障,域转移场景C->A、B->A的F值均为0.9434;对于第三类故障,域转移场景C->A、B->A的F值分别为0.9362和0.8889;第四类故障在B->A中的F值为0.9615,其余F值全为1。
总的来说,MECA方法的精度、召回率和F值都较高,说明其虚报率和漏报率较低;除了第一类故障和第三类故障类型外,CA方法将所有类别都划分为正确的类;结果表明,经过相关对齐和熵最小化,分类器的分类性能都有了显著的提高。
总之,CACD-1DCNN方法的精度、召回率和F值都很高;CACD-1DCNN方法将域转移场景B->A中的一些第三故障类型错误地划分为第一和第四故障类型,将域转移场景C->A中的一些第三故障类型错误地划分为第一故障类型,除此之外,将所有类别划分为正确的类;结果表明,联合域对齐和判别特征学习的无监督域适应故障诊断模型训练后,模型的分类性能得到了显著的提高。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种无监督域适应故障诊断方法,其特征在于:包括,
获取轴承源振动数据,并将其划分训练样本和测试样本;
构建CACD-1DCNN模型,训练模型,确定模型参数;
故障诊断;
其中,所述源振动数据包括无标签的目标数据和有标签的源域数据,
所述CACD-1DCNN模型的目标函数定义如下:
L=LS+αLCA+βLCD;
式中,LCA表示相关对齐损失,LCD表示基于中心的判别损失,LS表示softmax损失,α和β是平衡域差异损失和判别损失的权衡参数;
所述相关对齐损失LCA为:
其中,所述源特征和目标特征的协方差矩阵CS和CT公式为:
CS=ASJAS T
CT=ATJAT T
式中,AS和AT分别表示源域和目标域中按列存放的d维激活特征,J表示中心矩阵;
所述基于中心的判别损失LCD为:
2.如权利要求1所述的无监督域适应故障诊断方法,其特征在于:所述获取轴承源振动数据通过传感器获取;
其中,所述传感器为加速传感器。
3.如权利要求2所述的无监督域适应故障诊断方法,其特征在于:所述获取轴承源振动数据,并将其划分训练样本和测试样本包括步骤:
通过传感器采集轴承振动信号;
将采集的振动信号转化为源振动数据,并将其分为无标签的目标数据和有标签的源域数据;
其无标签目标数据的目标域测试数据作为测试样本;
将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。
4.如权利要求1~3任一所述的无监督域适应故障诊断方法,其特征在于:所述构建CACD-1DCNN模型,训练模型,确定模型参数的包括步骤:
构建CACD-1DCNN模型;
初始化参数;
将训练样本带入模型进行训练,并完成训练,确定模型参数;
其中,所述参数包括模型权值和偏置。
5.如权利要求4所述的无监督域适应故障诊断方法,其特征在于:将训练样本带入模型进行训练,并完成训练,确定模型参数:
将训练样本带入模型,分别计算源域分成层交叉熵损失、基于中心的判别损失和两个域间最后一个全连接层相关对齐损失;
优化损失函数,并更新每个参数;
是否满足迭代条件;
若否,继续计算;
若是,完成训练,确定模型参数;
其中,所述损失函数的优化基于优化算法实现。
6.如权利要求1所述的无监督域适应故障诊断方法,其特征在于:所述故障诊断的包括步骤:
将测试样本输入到训练完成的CACD-1DCNN模型;
输出目标域故障诊断结果。
7.如权利要求5所述的无监督域适应故障诊断方法,其特征在于:所述训练样本采用部分重叠的方式分割训练样本,获取增加训练样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202330.8A CN110940523B (zh) | 2019-11-29 | 2019-11-29 | 一种无监督域适应故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202330.8A CN110940523B (zh) | 2019-11-29 | 2019-11-29 | 一种无监督域适应故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940523A CN110940523A (zh) | 2020-03-31 |
CN110940523B true CN110940523B (zh) | 2021-09-03 |
Family
ID=69908769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202330.8A Active CN110940523B (zh) | 2019-11-29 | 2019-11-29 | 一种无监督域适应故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940523B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595584B (zh) * | 2020-06-11 | 2022-04-22 | 河海大学常州校区 | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 |
CN112763213B (zh) * | 2020-12-21 | 2022-08-19 | 核工业烟台同兴实业集团有限公司 | 一种过滤机水环真空泵轴承故障诊断方法 |
CN113240022A (zh) * | 2021-05-19 | 2021-08-10 | 燕山大学 | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 |
CN114659785A (zh) * | 2021-12-27 | 2022-06-24 | 三一重能股份有限公司 | 一种风力发电机传动链的故障检测方法及装置 |
CN114355850B (zh) * | 2021-12-28 | 2023-06-20 | 汉谷云智(武汉)科技有限公司 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
CN115470830B (zh) * | 2022-10-28 | 2023-04-07 | 电子科技大学 | 一种基于多源域适应的脑电信号跨用户警觉性监测方法 |
CN115791174B (zh) * | 2022-12-29 | 2023-11-21 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN116385813B (zh) * | 2023-06-07 | 2023-08-29 | 南京隼眼电子科技有限公司 | 基于无监督对比学习的isar图像空间目标分类方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944493A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种基于卷积神经网络的第一导联心电图心拍分类方法 |
CN110210381B (zh) * | 2019-05-30 | 2023-08-25 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN110186680B (zh) * | 2019-05-30 | 2022-05-24 | 盐城工学院 | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 |
CN110188822B (zh) * | 2019-05-30 | 2023-07-25 | 盐城工学院 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
CN110221200B (zh) * | 2019-06-10 | 2021-06-29 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
-
2019
- 2019-11-29 CN CN201911202330.8A patent/CN110940523B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110940523A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110940523B (zh) | 一种无监督域适应故障诊断方法 | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN111353373B (zh) | 一种相关对齐域适应故障诊断方法 | |
CN110210381A (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
CN109582003B (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN111368920B (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
CN109491338B (zh) | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 | |
CN108877947B (zh) | 基于迭代均值聚类的深度样本学习方法 | |
CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
CN110097096B (zh) | 一种基于tf-idf矩阵和胶囊网络的文本分类方法 | |
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN112115922A (zh) | 一种增强深度特征学习的旋转机械故障诊断方法 | |
Huang et al. | An intelligent compound fault diagnosis method using one-dimensional deep convolutional neural network with multi-label classifier | |
CN113988177A (zh) | 一种水质传感器异常数据检测与故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN110717602B (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN113674862A (zh) | 一种基于机器学习的急性肾功能损伤发病预测方法 | |
US20230148955A1 (en) | Method of providing diagnostic information on alzheimer's disease using brain network | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN111259916A (zh) | 一种标签缺失情况下的低秩投影特征提取方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |