CN111337256A - 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 - Google Patents
域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 Download PDFInfo
- Publication number
- CN111337256A CN111337256A CN202010226934.2A CN202010226934A CN111337256A CN 111337256 A CN111337256 A CN 111337256A CN 202010226934 A CN202010226934 A CN 202010226934A CN 111337256 A CN111337256 A CN 111337256A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- network
- sample
- domain
- health
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 103
- 238000013508 migration Methods 0.000 title claims abstract description 54
- 230000005012 migration Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 53
- 230000036541 health Effects 0.000 claims abstract description 53
- 230000006978 adaptation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 9
- 238000002513 implantation Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract 1
- 230000003137 locomotive effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004901 spalling 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
-
- 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
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，首先利用深度残差网络提取源滚动轴承与目标滚动轴承监测数据中的深度迁移故障特征；其次利用深度迁移故障特征训练领域混淆网络，并计算域不对称因子；再次计算深度残差网络适配层故障特征的多核最大均值差异，并利用域不对称因子加权抑制源滚动轴承中无效故障特征的贡献度；最后利用加权的多核最大均值差异构建目标函数，训练深度残差网络；训练所得的由领域混淆网络和深度残差网络构成的局部迁移诊断模型能够有效克服域不对称因素对迁移诊断的不利影响，实现了运用源滚动轴承局部诊断知识识别目标滚动轴承的不平衡健康状态，显著提高了迁移诊断模型的诊断精度。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域，具体涉及一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法。
背景技术
滚动轴承是大型旋转机械的核心零部件之一，一旦发生故障，轻则造成巨大经济损失，重则危及人员生命安全，因此其健康服役至关重要。故障智能诊断利用先进的机器学习技术构建了轴承监测数据与健康状态之间的映射关系，极大地降低了诊断过程对专家先验知识的过分依赖，尤其近年来伴随着深度学习技术的蓬勃发展，故障智能诊断的智能化水平与诊断精度显著提高，成为保障轴承安全运行的重要手段。故障智能诊断需要利用大量的含标记样本充分训练诊断模型，然而工程实际中，含标记样本稀缺，严重制约了故障智能诊断的实际应用。迁移学习通过建立迁移诊断模型，能够利用源滚动轴承的故障诊断知识解决目标滚动轴承的故障诊断问题，推动了滚动轴承故障智能诊断的“落地”应用。
现有的滚动轴承迁移诊断技术存在显著的局限性：源轴承与目标轴承的诊断知识域对称，即要求①目标轴承的数据须均匀分布在每一种健康状态上；②源轴承监测数据的标记空间大小与目标轴承数据的标记空间大小相等。然而，在工程实际中，这两点往往无法成立：目标轴承在服役过程中，长期处于正常状态，故障状态出现频率明显小于正常状态，此外，源轴承产生的故障状态或在目标轴承上未发生，因此，目标轴承的数据分布严重不平衡(包含大量正常信息、少量故障信息)，且源滚动轴承数据的标记空间往往覆盖目标轴承的标记空间，最终形成了不对称的源轴承与目标轴承诊断知识域。
受诊断知识域不对称因素的影响，现有迁移诊断技术难以有效地利用源轴承的诊断知识识别目标轴承的不平衡健康状态。
发明内容
为了克服上述现有技术的缺陷，本发明的目的在于提出一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，提高域不对称约束下轴承迁移诊断的精度，推动智能诊断技术的实际应用。
为达到上述目的，本发明采取的技术方案为：
域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
其中，
为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为
Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集
其中，
为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；
步骤2：构建领域共享的深度残差网络，网络的待训练参数为θResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征
其中，
为第m个源滚动轴承健康状态样本的深度迁移故障特征，
为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表深度残差网络的F1层；
步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络的输入为深度迁移故障特征
输出为领域混淆特征
其中，
为第m个源滚动轴承健康状态样本的领域混淆特征，
为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络，最大化如下目标函数更新领域混淆网络的参数θadv，即：
每次迭代更新后，将领域混淆网络的待训练参数θadv截断在范围{-ξ,ξ}内；
步骤4：执行步骤3迭代更新nadv次领域混淆网络参数θadv后，计算第m个源滚动轴承深度迁移特征的域不对称因子
步骤5：提取深度残差网络F2层的适配层故障特征
其中，
为第m个源滚动轴承健康状态样本的适配层故障特征，
为第n个目标滚动轴承健康状态样本的适配层故障特征，F2代表深度残差网络的特征适配层F2层；然后利用步骤4获得的域不对称因子加权计算适配层特征的多核植入最大均值差异D(Xs,Xt)，即：
式中，k(·,·)为多项式核函数；au为第u个多项式核函数的斜率；U为植入的多项式核函数的个数；βu为第u个多项式核植入的最大均值差异的权重系数，且βu∈β*，其中β*为最优权重系数，通过求解如下优化问题获得：
其中，
且βu≥0；
步骤6：利用Softmax激活函数预测深度残差网络F3层特征属于源滚动轴承健康状态的概率分布
其中，
为预测的第m个源滚动轴承振动样本的健康状态概率分布，
为预测的第n个目标滚动轴承振动样本的健康状态概率分布，F3代表深度残差网络的输出层F3层；然后结合步骤5所得的多核植入最大均值差异，最小化如下目标函数更新深度残差网络的待训练参数θResNet，即：
式中，λ为深度残差网络训练的正则项惩罚系数；
步骤7：重复依次执行步骤3～步骤6训练领域混淆网络与深度残差网络组成的局部迁移诊断模型，待局部迁移诊断模型训练完成后，将目标滚动轴承的第n个无标记健康样本
输入局部迁移诊断模型的深度残差网络中，取深度残差网络输出的目标滚动轴承振动样本健康状态概率分布
中最大概率值所对应的健康标记作为目标滚动轴承第n个无标记健康样本
的健康状态。
本发明的有益效果为：本发明提出了一种域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，该方法构建领域混淆网络自适应学习域不对称因子，并利用该因子加权抑制源滚动轴承的无效深度迁移故障特征对特征分布适配的影响，实现了运用源滚动轴承中局部诊断知识识别目标滚动轴承的不平衡健康状态，克服了工程实际中域不对称因素对现有迁移诊断技术的限制，提高了域不对称约束下滚动轴承故障的迁移诊断精度。
附图说明
图1为本发明的流程图。
图2为本发明局部迁移诊断模型的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步详细描述。
如图1所示，域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
其中，
为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为
Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集
其中，
为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；
步骤2：参照图2，构建领域共享的深度残差网络，深度残差网络的待训练参数为θResNet，深度残差网络依次堆叠卷积层、池化层与残差块，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征
其中，
为第m个源滚动轴承健康状态样本的深度迁移故障特征，
为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表如图2所示的深度残差网络的F1层；
步骤3：参照图2，构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络为多隐层神经网络结构，输入为步骤2获得的深度迁移故障特征
输出为领域混淆特征
其中，
为第m个源滚动轴承健康状态样本的领域混淆特征，
为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θadv，即：
每次迭代更新后，将领域混淆网络的待训练参数θadv截断在范围{-ξ,ξ}内；
步骤4：执行步骤3迭代更新nadv次领域混淆网络参数θadv后，计算第m个源滚动轴承深度迁移特征的域不对称因子
式中，
为Sigmoid函数；
步骤5：参照图2，依次堆叠F2层、F3层建立步骤2中获得的深度迁移故障特征与源轴承健康状态标记之间的映射关系，图中F2层为深度残差网络的特征适配层，提取适配层的故障特征
其中，
为第m个源滚动轴承健康状态样本的适配层故障特征，
为第n个目标滚动轴承健康状态样本的适配层故障特征，F2代表深度残差网络的特征适配层F2层；然后利用步骤4获得的域不对称因子加权计算适配层特征的多核植入最大均值差异D(Xs,Xt)，即：
式中，k(·,·)为多项式核函数；au为第u个多项式核函数的斜率；U为植入的多项式核函数的个数；βu为第u个多项式核植入的最大均值差异的权重系数，且βu∈β*，其中β*为最优权重系数，通过求解如下优化问题获得：
其中，
且βu≥0；
步骤6：参照图2，图中F3层为深度残差网络的输出层，利用Softmax激活函数预测深度残差网络F3层特征属于源滚动轴承健康状态的概率分布
其中，
为预测的第m个源滚动轴承振动样本的健康状态概率分布，
为预测的第n个目标滚动轴承振动样本的健康状态概率分布，F3代表深度残差网络的输出层F3层；然后结合步骤5所得的多核植入最大均值差异，最小化如下目标函数更新深度残差网络的待训练参数θResNet，即：
式中，λ为深度残差网络训练的正则项惩罚系数；
步骤7：重复依次执行步骤3～步骤6训练领域混淆网络与深度残差网络组成的局部迁移诊断模型，待局部迁移诊断模型训练完成后，将目标滚动轴承的第n个无标记健康样本
输入局部迁移诊断模型的深度残差网络中，取深度残差网络输出的目标滚动轴承振动样本健康状态概率分布
中最大概率值所对应的健康标记作为目标滚动轴承第n个无标记健康样本
的健康状态。
实施例：以机车轮对轴承的健康状态识别为例，验证本发明的可行性。
获得的源滚动轴承振动信号样本集A来自德国帕德博恩大学，如表1所示，该数据中包含3种轴承的健康状态：正常、内圈故障、外圈故障。振动信号样本在4种不同的工况(900r/min，0.7N·m，1kN；1500r/min，0.1N·m，1kN；1500r/min，0.7N·m，1kN；1500r/min，0.7N·m，0.4kN)下获取，在测试过程中，振动信号的采样频率为64kHz，测试结束后，共获得样本2559个，每种健康状态的样本数为853，每个样本中包含1200个采样点。
获得的目标滚动轴承振动信号样本集B来自机车轮对轴承，如表1所示，该数据集中包含2种轴承的健康状态：正常、外圈表面剥落。振动信号样本在轴承外圈转速(内圈固定)500r/min、径向载荷680kg的工况下采集，采样频率为76.8kH，数据集中共有正常状态的样本832个，外圈故障样本147个，每个样本中包含1200个采样点。
表1源滚动轴承与目标滚动轴承的振动信号样本集
基于表1所示的数据集A、B，构建迁移诊断任务A→B验证本发明的可行性，旨在利用运用实验室环境中积累的滚动轴承故障诊断知识识别机车轮对轴承的健康状态。考虑到目标滚动轴承振动信号样本集B中样本不平衡分布，除诊断精度外，选用F-scroe与AUC两种不平衡分类指标量化本发明在迁移诊断任务上的效果。重复实验10次，计算诊断结果的统计值，如表2所示，本发明利用源滚动轴承中局部的诊断知识在目标机车轴承振动样本集上获得了97.48％的诊断精度，统计标准差为2.03％，此外，本发明获得的F-score与AUC指标分别为0.949与0.973，指标接近于1，说明方法的诊断准确性高，验证了本发明在解决工程实际中域不平衡迁移诊断问题中的可行性。
表2不同方法的诊断效果对比
另选取MPK-ResNet与普通ResNet方法对比本方法的效果。MPK-ResNet直接最小化源滚动轴承与目标滚动轴承适配层故障特征的分布差异，然后利用源轴承的诊断模型识别目标轴承的健康状态，由于未采用本发明中的域不对称因子加权，MPK-ResNet的诊断精度受域不对称因素的影响仅有30.58％，诊断标准差为4.89％，F-score明显低于本发明，AUC接近0.5，说明传统MPK-ResNet方法的性能接近随机诊断模型。普通ResNet方法利用源轴承振动信号样本集训练深度残差网络后，直接识别目标轴承的健康状态，这种方法的诊断精度仅有15.79％，且标准差较高，为9.83％，F-score与AUC指标明显低于本发明。
通过对比本发明与普通迁移诊断方法(MPK-ResNet)和普通深度智能诊断方法(ResNet)，表明本发明有效地克服域不对称因素对诊断知识迁移的影响，提高了迁移诊断模型的性能。
Claims (1)
1.域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，其特征在于，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
其中，
为第m个源滚动轴承的健康状态样本，由N个振动数据点组成，其样本标签为
Ms为源滚动轴承振动信号样本总数，s代表源滚动轴承；获取目标滚动轴承的振动信号样本集
其中，
为第n个目标滚动轴承的无标记健康状态样本，由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，t代表目标滚动轴承；
步骤2：构建领域共享的深度残差网络，网络的待训练参数为θResNet，同时从源滚动轴承与目标滚动轴承的振动信号样本集中提取深度迁移故障特征
其中，
为第m个源滚动轴承健康状态样本的深度迁移故障特征，
为第n个目标滚动轴承健康状态样本的深度迁移故障特征，F1代表深度残差网络的F1层；
步骤3：构建参数共享的领域混淆网络，领域混淆网络的待训练参数为θadv，领域混淆网络的输入为深度迁移故障特征
输出为领域混淆特征
其中，
为第m个源滚动轴承健康状态样本的领域混淆特征，
为第n个目标滚动轴承健康状态样本的领域混淆特征，adv代表领域混淆网络；最大化如下目标函数更新领域混淆网络的参数θadv，即：
每次迭代更新后，将领域混淆网络的待训练参数θadv截断在范围{-ξ,ξ}内；
步骤4：执行步骤3迭代更新nadv次领域混淆网络参数θadv后，计算第m个源滚动轴承深度迁移特征的域不对称因子
步骤5：提取深度残差网络F2层的适配层故障特征
其中，
为第m个源滚动轴承健康状态样本的适配层故障特征，
为第n个目标滚动轴承健康状态样本的适配层故障特征，F2代表深度残差网络的特征适配层F2层；然后利用步骤4获得的域不对称因子加权计算适配层特征的多核植入最大均值差异D(Xs,Xt)，即：
式中，k(·,·)为多项式核函数；au为第u个多项式核函数的斜率；U为植入的多项式核函数的个数；βu为第u个多项式核植入的最大均值差异的权重系数，且βu∈β*，其中β*为最优权重系数，通过求解如下优化问题获得：
其中，
且βu≥0；
步骤6：利用Softmax激活函数预测深度残差网络F3层特征属于源滚动轴承健康状态的概率分布
其中，
为预测的第m个源滚动轴承振动样本的健康状态概率分布，
为预测的第n个目标滚动轴承振动样本的健康状态概率分布，F3代表深度残差网络的输出层F3层；然后结合步骤5所得的多核植入最大均值差异，最小化如下目标函数更新深度残差网络的待训练参数θResNet，即：
式中，λ为深度残差网络训练的正则项惩罚系数；
步骤7：重复依次执行步骤3～步骤6训练领域混淆网络与深度残差网络组成的局部迁移诊断模型，待局部迁移诊断模型训练完成后，将目标滚动轴承的第n个无标记健康样本
输入局部迁移诊断模型的深度残差网络中，取深度残差网络输出的目标滚动轴承振动样本健康状态概率分布
中最大概率值所对应的健康标记作为目标滚动轴承第n个无标记健康样本
的健康状态。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226934.2A CN111337256B (zh) | 2020-03-27 | 2020-03-27 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
| US16/908,755 US20210303995A1 (en) | 2020-03-27 | 2020-06-23 | Deep partial transfer method weighted by domain asymmetry factors for rolling bearing fault diagnosis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226934.2A CN111337256B (zh) | 2020-03-27 | 2020-03-27 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337256A true CN111337256A (zh) | 2020-06-26 |
| CN111337256B CN111337256B (zh) | 2020-12-29 |
Family
ID=71184518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010226934.2A Active CN111337256B (zh) | 2020-03-27 | 2020-03-27 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210303995A1 (zh) |
| CN (1) | CN111337256B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191245A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种多源滚动轴承健康状态融合的迁移智能诊断方法 |
| CN113435375A (zh) * | 2021-07-05 | 2021-09-24 | 西安交通大学 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
| CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
| CN113591625A (zh) * | 2021-07-16 | 2021-11-02 | 西安交通大学 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
| 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 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869451B (zh) * | 2021-10-12 | 2024-05-24 | 中国民航大学 | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 |
| CN113984389B (zh) * | 2021-12-01 | 2023-09-01 | 广西大学 | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 |
| CN114429150B (zh) * | 2021-12-30 | 2024-08-23 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| CN114739673B (zh) * | 2022-03-18 | 2023-05-26 | 河北工业大学 | 一种轴承振动信号特征可解释性降维与故障诊断方法 |
| CN116894190B (zh) * | 2023-09-11 | 2023-11-28 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
| CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
| CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
| CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
| US20190272375A1 (en) * | 2019-03-28 | 2019-09-05 | Intel Corporation | Trust model for malware classification |
| CN110231165A (zh) * | 2019-05-31 | 2019-09-13 | 西安交通大学 | 一种基于期望差异约束置信网络的机械设备故障诊断方法 |
| CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
-
2020
- 2020-03-27 CN CN202010226934.2A patent/CN111337256B/zh active Active
- 2020-06-23 US US16/908,755 patent/US20210303995A1/en not_active Abandoned
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
| CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
| CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
| CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
| US20190272375A1 (en) * | 2019-03-28 | 2019-09-05 | Intel Corporation | Trust model for malware classification |
| CN110231165A (zh) * | 2019-05-31 | 2019-09-13 | 西安交通大学 | 一种基于期望差异约束置信网络的机械设备故障诊断方法 |
| CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEIWEI QIAN: "Deep transfer network for rotating machine fault analysis", 《PATTERN RECOGNITION》 * |
| 宋浏阳: "基于动态统计滤波与深度学习的智能故障诊断方法", 《仪器仪表学报》 * |
| 雷亚国等: "大数据下机械装备故障的深度迁移诊断方法", 《机械工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113191245A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种多源滚动轴承健康状态融合的迁移智能诊断方法 |
| CN113435375A (zh) * | 2021-07-05 | 2021-09-24 | 西安交通大学 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
| CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
| CN113591625A (zh) * | 2021-07-16 | 2021-11-02 | 西安交通大学 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111337256B (zh) | 2020-12-29 |
| US20210303995A1 (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337256B (zh) | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 | |
| CN110285969B (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| CN110633792B (zh) | 端到端基于卷积循环神经网络的轴承健康指标构建方法 | |
| CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
| CN113792758B (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
| CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
| CN116186641A (zh) | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN117332367A (zh) | 基于机理数据融合的小样本旋转机械智能诊断方法 | |
| CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
| CN118094342A (zh) | 旋转机械无监督域自适应故障诊断方法及系统 | |
| CN113094996B (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
| CN116106012A (zh) | 一种基于注意力机制的滚动轴承域适应故障诊断方法 | |
| CN117191396A (zh) | 一种基于两阶段迁移的齿轮箱故障诊断方法 | |
| CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
| CN115962944A (zh) | 基于vmd的群智能采煤机截割部轴承故障实时诊断方法 | |
| CN113591625B (zh) | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 | |
| CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
| CN113469066A (zh) | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 | |
| CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 |
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 |