CN111060318A - 一种基于深度对抗迁移网络的轴承故障诊断方法 - Google Patents
一种基于深度对抗迁移网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111060318A CN111060318A CN202010019989.6A CN202010019989A CN111060318A CN 111060318 A CN111060318 A CN 111060318A CN 202010019989 A CN202010019989 A CN 202010019989A CN 111060318 A CN111060318 A CN 111060318A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- domain
- adopting
- discriminator
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013508 migration Methods 0.000 title claims abstract description 33
- 230000005012 migration Effects 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 22
- 230000036541 health Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度对抗迁移网络的轴承故障诊断方法,涉及旋转机械振动信号的故障诊断技术领域。该诊断方法首先获取轴承在不同工况下(不同转速、载荷)的振动频谱信号,以某一工况下有标签的数据为源域数据,其它工况下无标签的数据为目标域数据;然后建立基于生成对抗神经网络的深度对抗迁移模型进行数据训练,采用两个生成器作为源域与目标域的特征提取网络,Softmax交叉熵作为故障分类器,另外采用判别器为域判别网络,添加梯度反转层进行域判别训练;最后,采用剩余的目标域数据进行网络测试。本发明通过采用生成对抗神经网络的结构建立了深度对抗迁移模型,高效可靠的实现了不同工况下轴承的故障特征迁移学习和智能诊断。
Description
技术领域
本发明涉及旋转机械振动信号的故障诊断技术领域,具体涉及一种基于深度对抗迁移网络的轴承故障诊断方法。
背景技术
在航空航天、轨道交通、海洋工程以及高档数控机床等领域广泛使用的机械设备都在向着高速率、自动化、多功能和精密化方向发展,使得机械设备结构日趋复杂,产生故障的隐患也随之持续上涨。现已发布的《机械工程学科发展战略报告(2011-2020)》也早已将复杂机械系统的健康状态监测与故障诊断列为重要研究方向。轴承作为机械动力传递的关键部件,一直是机械故障诊断的重要对象。为了对运行的轴承进行在线故障监测,各种精确高效的故障诊断方法层出不穷。
传统的轴承故障诊断方法大都遵循一个特定假设:训练和测试数据来自相同的特征分布。然而在实际工程中,由于转速、负载等工况的不同导致采集的监测数据的特征分布产生较大差别。例如:高铁轮对轴承的运行工况受运行时速及列车启停的影响,风力发电机齿轮箱的轴承工况会随着风力和风向的改变而不断变,在大型军舰、歼击机和直升机等军用机械中传动系统的轴承工况也会随着机动动作和巡航速度的改变而改变。致使其与故障类型间的映射也不再同常用工况下一致,传统的深度学习方法已经难以训练并获得对这种不同工况下健康状态识别精度高的智能诊断模型。研究和利用先进的新理论和新技术解决上述问题,是机械故障智能诊断的研究成果向工程应用转化的关键所在。
随着迁移学习的迅速发展,在故障诊断领域也逐渐开始受到研究人员的关注。然而现有研究均局限于要求不同分布数据间差异尽可能小,且在某一工况下获取的可用数据充足,这与工程实际装备的监测数据特点不符,难以适应和满足机械故障智能诊断的工程应用需求。在上述不同工况下更难实现故障的准确识别,同时对新获得的工况数据进行标注也是非常困难的。
发明内容
本发明的目的是针对上述不足,提出了一种通过生成对抗神经网络结构建立深度对抗迁移模型,通过生成器与判别器之间的对抗训练完成目标域数据到源域数据的特征迁移过程,实现轴承在不同工况下的域不变特征提取和智能故障诊断的轴承故障诊断方法。
本发明具体采用如下技术方案:
一种基于深度对抗迁移网络的轴承故障诊断方法,包括以下步骤:
步骤1,设置轴承不同的转速和负载工况,并采集不同故障轴承在各个工况下的振动信号,获取频谱样本;
步骤2,基于生成对抗神经网络建立深度对抗迁移模型,以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练,通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断。
优选地,步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤:
步骤2.1,根据源域和目标域样本数据建立两个相同结构的生成器网络,并采用GELU为网络的激活函数,实现输入数据的逐层特征提取;
步骤2.2,采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络,实现源域数据的特征提取和分类,并通过权值共享结构调节目标域生成器的网络权值,即如式(1)所示,
步骤2.3,采用生成对抗神经网络里的判别器建立域判别网络,接收来自两个生成器产生的信号,以源域信号为真,目标域信号为假;目标域生成器根据判别器的指示去学习源域信号特征,起到以假乱真的效果来骗过判别器,使其无法区分真假;由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的,目标函数如式(2)所示:
其中,pr为生成器G用于优化生成的真实数据分布,pg为模型分布,D(x)表示判别器D判断数据是否真实的概率,D(G(y))是D判断G生成的数据的是否真实的概率;
步骤2.4,网络最终的目标函数由两个损失函数组合而成,如式(3),
L=LC+λ LD (3)
其中惩罚参数λ表示域对抗的强度大小;
步骤2.5,采用Adam算法根据标签信号微调生成器网络参数,最小化分类误差;
步骤2.6,采用梯度反转算法实现域判别器网络微调,最大化域间距离。
本发明具有如下有益效果:
本发明根据生成对抗神经网络结构建立深度对抗迁移模型,通过生成器与判别器之间的对抗训练完成目标域数据到源域数据的特征迁移过程,实现轴承在不同工况下的域不变特征提取和智能故障诊断,有效的解决了对不同工况下轴承故障难以有效诊断的问题。
附图说明
图1为基于深度对抗迁移网络的轴承故障诊断方法流程图;
图2为生成对抗神经网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
一种基于深度对抗迁移网络的轴承故障诊断方法,包括以下步骤:
步骤1,采集样本,设置轴承不同的转速和负载工况,并采集不同故障轴承在各个工况下的振动信号,获取频谱样本;
步骤2,建立基于生成器的特征提取网络:如图2所示为生成对抗神经网络的基本结构。基于生成对抗神经网络建立深度对抗迁移模型,以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练,通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断;其中有标签是指不同的故障类型均有不同的标注,无标签是指不同的故障类型没有做标注,即无法区分故障类型。
步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤:
步骤2.1,根据源域和目标域样本数据建立两个相同结构的生成器网络,建立基于生成器的特征提取网络:如图2所示为生成对抗神经网络的基本结构,在此以其为基础,以某一工况数据为源域数据,其它工况数据为目标域数据,建立两个基于生成器的特征提取模型,并采用GELU为网络的激活函数,实现输入数据的逐层特征提取;
步骤2.2,采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络,实现源域数据的特征提取和分类,并通过权值共享结构调节目标域生成器的网络权值,在神经网络后面添加Softmax,真实的标签就相当于真实的分布,经过Softmax得出的值就是预测的结果,交叉熵则是用来判定实际的输出与期望的输出的接近程度,因此可以使用Softmax交叉熵函数来作为损失函数,即如式(1)所示,
步骤2.3,采用生成对抗神经网络里的判别器建立域判别网络,接收来自两个生成器产生的信号,以源域信号为真,目标域信号为假;目标域生成器根据判别器的指示去学习源域信号特征,起到以假乱真的效果来骗过判别器,使其无法区分真假;由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的,目标函数如式(2)所示:
其中,pr为生成器G用于优化生成的真实数据分布,pg为模型分布,D(x)表示判别器D判断数据是否真实的概率,D(G(y))是D判断G生成的数据的是否真实的概率;
步骤2.4,建立最终的目标函数,网络最终的目标函数由两个损失函数组合而成,如式(3),
L=LC+λ LD (3)
其中惩罚参数λ表示域对抗的强度大小;
步骤2.5,采用Adam算法根据标签信号微调生成器网络参数,最小化分类误差;
步骤2.6,采用梯度反转算法实现域判别器网络微调,最大化域间距离。
选取目标域其余样本与标签数据结合输入到深度对抗迁移网络中,通过softmax输出测试准确率,验证本发明方法的有效性。下面通过对一个特殊设计的轴承故障试验台进行不同转速和负载工况下的振动信号采集和智能诊断,对本发明作进一步描述。
共设置5种不同的轴承健康状况:正常、内圈故障、外圈故障、滚柱故障、滚柱与外圈复合故障。针对不同转速工况,设置三种转速并采集相应数据集:1100r/min(数据集A)、1300r/min(数据集B)、1500r/min(数据集C),由此可以进行6组迁移学习实验,即A→B,B→A,B→C,C→B,A→C,C→A。针对不同负载工况,同样设置三种负载并采集相应数据集:20N(数据集D)、40N(数据集E)、60N(数据集F),同样做6组实验。每个轴承健康状况下采集200个样本,每个样本2400个数据点,经快速傅里叶变换后得到1200个傅里叶系数。类别预测模块网络结构为[1200,600,200,100,5],域对抗模块的网络结构为[1200,600,200,100,1]。学习率设置为0.002,惩罚参数λ设为0.005,训练迭代次数为50次。每一训练批次包含500个带标签的源域数据样本和500个无标签的目标域样本,剩余500个目标域样本作为测试样本,每次试验进行15次。另外采用无迁移学习策略的叠加自动编码器(方法1)、基于最大均值差异的迁移学习方法:迁移成分分析(方法2)和深度域混合方法(方法3)进行对比,得到平均准确率结果如表1和表2所示。
表1
表2
从表1和表2的对比结果可以看出,本发明方法在所有的实验中均能达到最高的准确率,对不同转速和负载的迁移准确率分别为95.44%和92.65%,均远远超出其余方法。未加迁移策略的方法1表现最差,由此说明了迁移学习在应对不同工况下故障诊断的有效性;基于最大均值差异的迁移学习方法2和方法3虽然优于方法1,但仍无法与本发明方法相比,由此也说明了本发明所提出的域对抗迁移学习可以更好地用于处理不同转速和负载工况下的轴承故障诊断问题。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (2)
1.一种基于深度对抗迁移网络的轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1,设置轴承不同的转速和负载工况,并采集不同故障轴承在各个工况下的振动信号,获取频谱样本;
步骤2,基于生成对抗神经网络建立深度对抗迁移模型,以某一工况下有标签的数据为源域数据、其它工况下无标签的数据为目标域数据进行模型训练,通过生成器与判别器的对抗训练实现目标域信号特征向源域信号特征的迁移学习和故障诊断。
2.如权利要求1所述的一种基于深度对抗迁移网络的轴承故障诊断方法,其特征在于,步骤2中基于生成对抗神经网络建立深度对抗迁移模型的过程包括以下步骤:
步骤2.1,根据源域和目标域样本数据建立两个相同结构的生成器网络,并采用GELU为网络的激活函数,实现输入数据的逐层特征提取;
步骤2.2,采用Softmax交叉熵为目标函数并结合源域数据标签建立类别预测网络,实现源域数据的特征提取和分类,并通过权值共享结构调节目标域生成器的网络权值,即如式(1)所示,
步骤2.3,采用生成对抗神经网络里的判别器建立域判别网络,接收来自两个生成器产生的信号,以源域信号为真,目标域信号为假;目标域生成器根据判别器的指示去学习源域信号特征,起到以假乱真的效果来骗过判别器,使其无法区分真假;由此建立起来的深度对抗迁移网络来实现目标域信号特征向源域信号特征迁移的目的,目标函数如式(2)所示:
其中,pr为生成器G用于优化生成的真实数据分布,pg为模型分布,D(x)表示判别器D判断数据是否真实的概率,D(G(y))是D判断G生成的数据的是否真实的概率;
步骤2.4,网络最终的目标函数由两个损失函数组合而成,如式(3),
L=LC+λLD (3)
其中惩罚参数λ表示域对抗的强度大小;
步骤2.5,采用Adam算法根据标签信号微调生成器网络参数,最小化分类误差;
步骤2.6,采用梯度反转算法实现域判别器网络微调,最大化域间距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019989.6A CN111060318B (zh) | 2020-01-09 | 2020-01-09 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019989.6A CN111060318B (zh) | 2020-01-09 | 2020-01-09 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060318A true CN111060318A (zh) | 2020-04-24 |
CN111060318B CN111060318B (zh) | 2021-12-28 |
Family
ID=70307279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010019989.6A Active CN111060318B (zh) | 2020-01-09 | 2020-01-09 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060318B (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN111814396A (zh) * | 2020-07-02 | 2020-10-23 | 重庆大学 | 一种基于迁移学习的离心风机故障预警方法 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
CN112149726A (zh) * | 2020-09-21 | 2020-12-29 | 浙江工业大学 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN112329329A (zh) * | 2020-09-22 | 2021-02-05 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
CN112418175A (zh) * | 2020-12-09 | 2021-02-26 | 北京信息科技大学 | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 |
CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
CN112784872A (zh) * | 2020-12-25 | 2021-05-11 | 北京航空航天大学 | 一种基于开放集联合迁移学习的跨工况故障诊断方法 |
CN112949097A (zh) * | 2021-04-19 | 2021-06-11 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN112966345A (zh) * | 2021-03-03 | 2021-06-15 | 北京航空航天大学 | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 |
CN113010675A (zh) * | 2021-03-12 | 2021-06-22 | 出门问问信息科技有限公司 | 一种动基于gan的文本信息分类方法、装置及存储介质 |
CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
CN113669246A (zh) * | 2021-08-23 | 2021-11-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种跨工况条件下水泵故障智能诊断方法 |
CN113884300A (zh) * | 2021-09-24 | 2022-01-04 | 郑州恩普特科技股份有限公司 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114104328A (zh) * | 2020-08-31 | 2022-03-01 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
CN115659224A (zh) * | 2022-11-07 | 2023-01-31 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN115933531A (zh) * | 2023-01-09 | 2023-04-07 | 广东工业大学 | 一种基于深度域对抗迁移的机床热误差建模方法及系统 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
CN116127279A (zh) * | 2023-02-24 | 2023-05-16 | 上海师范大学 | 一种小样本液压泵气蚀诊断方法及装置 |
CN116541713A (zh) * | 2023-06-27 | 2023-08-04 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009180898A (ja) * | 2008-01-30 | 2009-08-13 | Ntt Electornics Corp | 分極反転構造形成方法及び分極反転構造形成装置 |
CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 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 |
CN110246145A (zh) * | 2019-06-21 | 2019-09-17 | 福州大学 | 一种腹部ct图像的分割方法 |
CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
CN110458844A (zh) * | 2019-07-22 | 2019-11-15 | 大连理工大学 | 一种低光照场景的语义分割方法 |
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 |
-
2020
- 2020-01-09 CN CN202010019989.6A patent/CN111060318B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009180898A (ja) * | 2008-01-30 | 2009-08-13 | Ntt Electornics Corp | 分極反転構造形成方法及び分極反転構造形成装置 |
CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 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 |
CN110246145A (zh) * | 2019-06-21 | 2019-09-17 | 福州大学 | 一种腹部ct图像的分割方法 |
CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
CN110458844A (zh) * | 2019-07-22 | 2019-11-15 | 大连理工大学 | 一种低光照场景的语义分割方法 |
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 |
Non-Patent Citations (3)
Title |
---|
TE HAN: "A novel adversarial learning framework in deep convolutional neural network for intelligent diagnosis of mechanical faults", 《KNOWLEDGE-BASED SYSTEMS》 * |
YAROSLAV GANIN: "Domain-Adversarial Training of Neural Networks", 《JOURNAL OF MACHINE LEARNING RESEARCH》 * |
邹秀芳 等: "生成对抗网络研究综述", 《计算机系统应用》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
CN111814396A (zh) * | 2020-07-02 | 2020-10-23 | 重庆大学 | 一种基于迁移学习的离心风机故障预警方法 |
CN111814396B (zh) * | 2020-07-02 | 2024-02-20 | 重庆大学 | 一种基于迁移学习的离心风机故障预警方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111898095B (zh) * | 2020-07-10 | 2024-04-19 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN111829782B (zh) * | 2020-07-16 | 2021-12-07 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
CN112101085B (zh) * | 2020-07-22 | 2022-05-20 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
CN111860677B (zh) * | 2020-07-29 | 2023-11-21 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
CN114104328B (zh) * | 2020-08-31 | 2023-10-17 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN114104328A (zh) * | 2020-08-31 | 2022-03-01 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
CN112101220B (zh) * | 2020-09-15 | 2023-03-03 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
CN112149726A (zh) * | 2020-09-21 | 2020-12-29 | 浙江工业大学 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
CN112149726B (zh) * | 2020-09-21 | 2024-02-09 | 浙江工业大学 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
CN112329329B (zh) * | 2020-09-22 | 2024-02-20 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
CN112329329A (zh) * | 2020-09-22 | 2021-02-05 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
CN112329520B (zh) * | 2020-09-23 | 2023-01-31 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
CN112418175A (zh) * | 2020-12-09 | 2021-02-26 | 北京信息科技大学 | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 |
CN112784872B (zh) * | 2020-12-25 | 2023-06-30 | 北京航空航天大学 | 一种基于开放集联合迁移学习的跨工况故障诊断方法 |
CN112784872A (zh) * | 2020-12-25 | 2021-05-11 | 北京航空航天大学 | 一种基于开放集联合迁移学习的跨工况故障诊断方法 |
CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
CN112729835B (zh) * | 2021-01-30 | 2022-06-03 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
CN112966345A (zh) * | 2021-03-03 | 2021-06-15 | 北京航空航天大学 | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 |
CN112966345B (zh) * | 2021-03-03 | 2022-06-07 | 北京航空航天大学 | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 |
CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
CN113010675A (zh) * | 2021-03-12 | 2021-06-22 | 出门问问信息科技有限公司 | 一种动基于gan的文本信息分类方法、装置及存储介质 |
CN112949097B (zh) * | 2021-04-19 | 2022-09-16 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN112949097A (zh) * | 2021-04-19 | 2021-06-11 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
CN113669246A (zh) * | 2021-08-23 | 2021-11-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种跨工况条件下水泵故障智能诊断方法 |
CN113884300A (zh) * | 2021-09-24 | 2022-01-04 | 郑州恩普特科技股份有限公司 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
CN115169543A (zh) * | 2022-09-05 | 2022-10-11 | 广东工业大学 | 一种基于迁移学习的短期光伏功率预测方法及系统 |
CN115659224B (zh) * | 2022-11-07 | 2023-08-25 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN115659224A (zh) * | 2022-11-07 | 2023-01-31 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN115933531B (zh) * | 2023-01-09 | 2024-04-05 | 广东工业大学 | 一种基于深度域对抗迁移的机床热误差建模方法及系统 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
CN115933531A (zh) * | 2023-01-09 | 2023-04-07 | 广东工业大学 | 一种基于深度域对抗迁移的机床热误差建模方法及系统 |
CN116127279A (zh) * | 2023-02-24 | 2023-05-16 | 上海师范大学 | 一种小样本液压泵气蚀诊断方法及装置 |
CN116127279B (zh) * | 2023-02-24 | 2024-04-19 | 上海师范大学 | 一种小样本液压泵气蚀诊断方法及装置 |
CN116541713B (zh) * | 2023-06-27 | 2023-12-12 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
CN116541713A (zh) * | 2023-06-27 | 2023-08-04 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111060318B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060318B (zh) | 一种基于深度对抗迁移网络的轴承故障诊断方法 | |
Shao et al. | Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN110375987B (zh) | 一种基于深度森林机械轴承故障检测方法 | |
CN108647786B (zh) | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
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 | |
CN104459388A (zh) | 一种永磁直驱风力发电系统一体化故障诊断方法 | |
CN111089720A (zh) | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN111812507A (zh) | 一种基于图卷积的电机故障诊断方法 | |
CN111597996A (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
Yao et al. | Power curve modeling for wind turbine using hybrid-driven outlier detection method | |
CN112347944A (zh) | 一种基于零值比例频谱特征的机械传动故障检测方法 | |
CN116383739A (zh) | 基于域自适应的多模态数据融合的智能故障诊断方法 | |
Mukane et al. | Labview based implementation of fuzzy logic for vibration analysis to identify machinery faults | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
Xie et al. | Marine Current Turbine Multi-Fault Diagnosis based on Optimization Resampled Modulus Feature and 1D-CNN | |
CN108958221A (zh) | 基于工业物联网与支持向量机多分类算法的设备故障诊断方法 | |
CN114199570A (zh) | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 | |
CN107798205A (zh) | 双馈感应风力发电机组轴系模型参数的单独辨识方法 | |
He et al. | Fault Identification of Rotating Machinery Based on Dynamic Feature Reconstruction Signal Graph |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240430 Address after: 272000 Wangyin Industrial Park, high tech Zone, Jining City, Shandong Province Patentee after: SHANDONG KEDA ELECTROMECHANICAL TECHNOLOGY CO.,LTD. Country or region after: China Address before: 579 qianwangang Road, Huangdao District, Qingdao City, Shandong Province Patentee before: SHANDONG University OF SCIENCE AND TECHNOLOGY Country or region before: China |