CN111504644B - 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 - Google Patents

基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 Download PDF

Info

Publication number
CN111504644B
CN111504644B CN202010248112.4A CN202010248112A CN111504644B CN 111504644 B CN111504644 B CN 111504644B CN 202010248112 A CN202010248112 A CN 202010248112A CN 111504644 B CN111504644 B CN 111504644B
Authority
CN
China
Prior art keywords
domain
label
sample
class
representing
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
Application number
CN202010248112.4A
Other languages
English (en)
Other versions
CN111504644A (zh
Inventor
张兴武
于晓蕾
赵志斌
孙闯
刘一龙
陈雪峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010248112.4A priority Critical patent/CN111504644B/zh
Publication of CN111504644A publication Critical patent/CN111504644A/zh
Application granted granted Critical
Publication of CN111504644B publication Critical patent/CN111504644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本公开揭示了一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括：分别采集在不同工况下运行的高铁牵引电机轴承的第一和第二振动信号，将第一振动信号作为源域数据，将第二振动信号作为目标域数据；建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；同时输入有标签的源域数据和无标签的目标域数据对该网络进行训练；训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。本公开能够有效提高模型在目标域数据上的诊断准确率、减小了域间差异以及增强了特征分布的区分性从而提高了模型的鲁棒性。

Description

基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法
技术领域
本公开属于机械故障诊断领域，尤其涉及一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法。
背景技术
近年来，由于强大的特征提取能力与处理大数据的能力，深度学习被广泛应用于智能故障诊断。但由于高铁牵引电机工况频繁变化，打破了深度学习的训练样本与测试样本服从独立同分布的假设，导致深度学习在应用于高铁牵引电机故障诊断时的诊断准确率大大下降。现有的深度域自适应方法由于没有利用标签信息，导致不能充分减小域间差异，并且，高铁牵引电机需承受机车轮轨动力作用产生的冲击和振动，导致采集到的振动信号中噪声和干扰成分较多，因此需要一种具有较强鲁棒性的模型。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，通过将特征与标签预测值的张量积代替特征输入到域分类器中，并在优化目标中加入区分性损失函数，从而进一步减小域间差异及增强特征分布的区分性以提高模型的鲁棒性。
为实现上述目的，本公开提供以下技术方案：
一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括如下步骤：
S100：通过加速度传感器分别采集在不同工况下运行的高铁牵引电机轴承的第一振动信号和第二振动信号，将所述第一振动信号作为源域数据，其所包含的故障类型是已知的，将所述第二振动信号作为目标域数据，其所包含的故障类型的未知的；
S200：建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；
S300：同时输入有标签的源域数据和无标签的目标域数据对所述条件对抗域自适应网络进行训练；
S400：训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。
优选的，步骤S100中，所述振动信号的源域数据表示为：
Figure BDA0002435337770000021
其中，
Figure BDA0002435337770000022
表示第i个源域样本，
Figure BDA0002435337770000023
表示与源域样本相对应的故障类别标签，ns表示源域的样本数目。
优选的，步骤S100中，所述振动信号的目标域数据表示为：
Figure BDA0002435337770000024
其中，
Figure BDA0002435337770000025
表示第i个目标域样本，
Figure BDA0002435337770000026
表示与目标域样本相对应的故障类别标签，nt表示目标域的样本数目。
优选的，步骤S200中，所述特征提取器有卷积层和全连接层构成，用于从输入数据中提取特征；所述标签预测器由全连接层构成，用于对输入特征进行分类；所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。
优选的，步骤S300中，对所述条件对抗域自适应网络进行训练包括以下步骤：
S301：将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播，提取源域数据和目标域数据的特征，记为f＝F(x)；
S302：将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；
S303：将所提取的源域数据和目标域数据的特征及类别标签预测值的张量积经域分类器进行前向传播，获得域标签预测值，记为0或1；
S304：根据所述类别标签预测值和域标签预测值，计算得到标签预测器以及域分类器的损失函数，再结合区分性损失函数构造目标函数，目标函数构造完成后，进行反向传播；
S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，条件对抗域自适应网络训练完成。
优选的，步骤S302中，获得源域数据的类别标签预测值后，根据源域数据的真实标签，可计算获得标签预测器的损失，标签预测器的损失表示为：
Figure BDA0002435337770000031
其中，
Figure BDA0002435337770000041
表示期望，
Figure BDA0002435337770000042
表示第i个源域样本，
Figure BDA0002435337770000043
表示与源域样本相对应的故障类别标签，
Figure BDA0002435337770000044
表示所有源域样本及故障类别标签，nc表示类别数目，Gc(fi s)表示将第i个源域特征预测为第c类的概率，fi s表示第i个源域样本的特征。
优选的，步骤S303中，获得域标签预测值后，根据真实的域标签，可计算得到域分类器的损失，域分类器的损失表示为：
Figure BDA0002435337770000045
其中，
Figure BDA0002435337770000046
表示期望，
Figure BDA0002435337770000047
表示所有源域样本，
Figure BDA0002435337770000048
表示所有目标域样本，
Figure BDA0002435337770000049
表示用于降低难迁移源域样本的权重，
Figure BDA00024353377700000410
表示第i个源域样本的类别标签预测值，
Figure BDA00024353377700000411
表示属于第c类的源域样本的类别标签预测值，
Figure BDA00024353377700000412
表示用于降低难迁移目标域样本的权重，
Figure BDA00024353377700000413
表示第j个目标域样本的类别标签预测值，
Figure BDA00024353377700000414
表示属于第c类的目标域样本的类别标签预测值，
Figure BDA00024353377700000415
表示第i个源域样本的特征fi s与类别标签预测值
Figure BDA00024353377700000416
的张量积，
Figure BDA00024353377700000417
表示第j个目标域样本
Figure BDA00024353377700000418
的特征与类别标签预测值
Figure BDA00024353377700000419
的张量积，
Figure BDA00024353377700000420
为张量积，
Figure BDA00024353377700000421
为第i个源域样本的域标签预测值，
Figure BDA0002435337770000051
为第j个目标域样本的域标签预测值。
优选的，步骤S304中，所述区分性损失函数表示为：
Figure BDA0002435337770000052
其中，nbs表示每次迭代训练使用的样本数，β表示权衡两项的系数，max(·，·)表示取括号中数值最大的一项，yi表示第i个源域样本的标签，
Figure BDA0002435337770000053
表示第i个源域样本所属类别的全局类别中心，
Figure BDA0002435337770000054
表示二范数的平方，ci和cj表示当前批次的第i类和第j类样本的特征中心，通过平均属于同一类的特征获得，m1和m2表示两个约束因子；
所述全局类别中心
Figure BDA0002435337770000055
按照下式更新：
Figure BDA0002435337770000056
Figure BDA0002435337770000057
其中，ck为第k类样本特征中心，Δck为第k类样本特征中心的更新值，t为迭代次数，δ为指示函数，
Figure BDA0002435337770000058
和
Figure BDA0002435337770000059
分别为第t次和t+1次迭代时的第k类样本特征中心，
Figure BDA00024353377700000510
为第t次迭代时的第k类样本特征中心的更新值，nc为类别数目，γ是用于更新
Figure BDA00024353377700000511
的学习率。
优选的，步骤S304中，所述目标函数表示为：
Figure BDA0002435337770000061
Figure BDA0002435337770000062
其中，λ1和λ2表示权衡系数。
优选的，步骤S400中，所述高铁牵引电机轴承故障包括如下任一：内圈故障、外圈故障、滚动体故障和保持架故障。
与现有技术相比，本公开带来的有益效果为：能够提高模型在目标域数据上的诊断准确率、减小了域间差异以及增强了特征分布的区分性从而提高了模型的鲁棒性。
附图说明
图1是本公开一个实施例提供的基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法流程图；
图2是本公开一个实施例提供的基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法的模型框架示意图；
图3是本公开一个实施例提供的基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法的对比方法DANN在不同功率的高斯白噪声干扰下的分类准确率；
图4是本公开一个实施例提供的基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法的对比方法条件对抗域自适应方法在不同功率的高斯白噪声干扰下的分类准确率；
图5是本公开一个实施例提供的基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法在不同功率的高斯白噪声干扰下的分类准确率。
具体实施方式
下面将参照附图1至附图5详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提供一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括如下步骤：
S100：通过加速度传感器分别采集在不同工况下运行的高铁牵引电机轴承的第一振动信号和第二振动信号，将所述第一振动信号作为源域数据，其所包含的故障类型是已知的，将所述第二振动信号作为目标域数据，其所包含的故障类型的未知的；
该步骤中，所述源域数据表示为：
Figure BDA0002435337770000081
所述目标域数据表示为：
Figure BDA0002435337770000082
其中，
Figure BDA0002435337770000083
表示第i个源域样本，
Figure BDA0002435337770000084
表示与源域样本相对应的故障类别标签，ns表示源域的样本数目，
Figure BDA0002435337770000085
表示第i个目标域样本，
Figure BDA0002435337770000086
表示与目标域样本相对应的故障类别标签，nt表示目标域的样本数目；
能够理解，在采集振动信号前，需要对高铁牵引电机的不同轴承预制不同类型和不同程度的故障。
示例性的，所述第一振动信号和所述第二振动信号可以是高铁牵引电机轴承随时间变化的振动加速度信号，其能够对应轴承的故障类型和故障程度信息。
此外，对于本领域技术人员而言，源域和目标域是迁移学习中的两个基本概念，通常将已有的知识称为源域，需要学习的新知识称为目标域，通过迁移学习可以将源域的知识迁移到目标域上，具体到本实施例，源域数据可以是在某种工况下采集的、具有标签的数据，包含了牵引电机轴承的故障信息，目标域则可以是在另一种工况下采集的、没有标签的数据，通过本实施例提供的方法，能够将源域数据中包含的某一种工况下的故障信息迁移到目标域数据中，从而完成牵引电机轴承在另一种工况下的故障诊断。
S200：建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；
该步骤中，特征提取器有卷积层和全连接层构成，用于从输入数据中提取特征；所述标签预测器由全连接层构成，用于对输入特征进行分类；所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。
S300：同时输入有标签的源域数据和无标签的目标域数据对所述条件对抗域自适应网络进行训练；
S400：训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。
本实施例通过将所采集的高铁牵引电机轴承的振动信号中的源域数据和目标域数据输入所构建的条件对抗域自适应网络对该网络进行训练，通过将所提取的源域数据和目标域数据中的特征和标签预测值的张量积代替特征输入到域分类器中，并在优化目标中加入区分性损失函数，从而能够进一步减小域间差异和增强特征分布的区分性，以提高模型的鲁棒性。
另一个实施例中，步骤S300中，对所述条件对抗域自适应网络进行训练包括以下步骤：
S301：将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播，提取源域数据和目标域数据的特征，记为f＝F(x)；
S302：将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；
该步骤中，获得源域数据的类别标签预测值后，根据源域数据的真实标签，可计算获得标签预测器的损失，标签预测器的损失表示为：
Figure BDA0002435337770000101
其中，
Figure BDA00024353377700001012
表示期望，
Figure BDA0002435337770000102
表示第i个源域样本，
Figure BDA0002435337770000103
表示与源域样本相对应的故障类别标签，
Figure BDA0002435337770000104
表示所有源域样本及故障类别标签，nc表示类别数目，Gc(fi s)表示将第i个源域特征预测为第c类的概率，fi s表示第i个源域样本的特征。
S303：将所提取的源域数据和目标域数据的特征及类别标签预测值的张量积经域分类器进行前向传播，获得域标签预测值，记为0或1：
该步骤中，获得域标签预测值后，根据真实的域标签，可计算得到域分类器的损失，域分类器的损失表示为：
Figure BDA0002435337770000105
其中，
Figure BDA0002435337770000106
表示期望，
Figure BDA0002435337770000107
表示所有源域样本，
Figure BDA0002435337770000108
表示所有目标域样本，
Figure BDA0002435337770000109
表示用于降低难迁移源域样本的权重，
Figure BDA00024353377700001010
表示第i个源域样本的类别标签预测值，
Figure BDA00024353377700001011
表示属于第c类的源域样本的类别标签预测值，
Figure BDA0002435337770000111
表示用于降低难迁移目标域样本的权重，
Figure BDA0002435337770000112
表示第j个目标域样本的类别标签预测值，
Figure BDA0002435337770000113
表示属于第c类的目标域样本的类别标签预测值，
Figure BDA0002435337770000114
表示第i个源域样本的特征fi s与类别标签预测值
Figure BDA0002435337770000115
的张量积，
Figure BDA0002435337770000116
表示第j个目标域样本
Figure BDA0002435337770000117
的特征与类别标签预测值
Figure BDA0002435337770000118
的张量积，
Figure BDA0002435337770000119
为张量积，
Figure BDA00024353377700001110
为第i个源域样本的域标签预测值，
Figure BDA00024353377700001111
为第j个目标域样本的域标签预测值。
S304：根据所述类别标签预测值和域标签预测值，计算得到标签预测器以及域分类器的损失函数，再结合区分性损失函数构造目标函数，目标函数构造完成后，进行反向传播；
该步骤中，所述区分性损失函数表示为：
Figure BDA00024353377700001112
其中，nbs表示每次迭代训练使用的样本数，β表示权衡两项的系数，max(·，·)表示取括号中数值最大的一项，yi表示第i个源域样本的标签，
Figure BDA00024353377700001113
表示第i个源域样本所属类别的全局类别中心，
Figure BDA00024353377700001114
表示二范数的平方，ci和cj表示当前批次的第i类和第j类样本的特征中心，通过平均属于同一类的特征获得，m1和m2表示两个约束因子；
所述全局类别中心
Figure BDA00024353377700001210
按照下式更新：
Figure BDA0002435337770000121
Figure BDA0002435337770000122
其中，ck为第k类样本特征中心，Δck为第k类样本特征中心的更新值，t为迭代次数，δ为指示函数，
Figure BDA0002435337770000123
和
Figure BDA0002435337770000124
分别为第t次和t+1次迭代时的第k类样本特征中心，
Figure BDA0002435337770000125
为第t次迭代时的第k类样本特征中心的更新值，nc为类别数目，γ是用于更新
Figure BDA00024353377700001211
的学习率。
特征提取器、标签预测器和域分类器的参数θf，θg，θd利用基于BP的带动量的随机梯度下降法(SGD)来更新。
Figure BDA0002435337770000127
Figure BDA0002435337770000128
Figure BDA0002435337770000129
其中，η表示学习率，λ1和λ2表示权衡系数。
由于式中-λ1的存在，无法直接实现梯度下降过程，因此在特征提取器和域分类器间引入梯度反转层。在梯度反向传播的过程中，经过梯度反转层，域分类器的梯度乘-λ1后传递给特征提取器，即
Figure BDA0002435337770000131
变为
Figure BDA0002435337770000132
所述目标函数表示为：
Figure BDA0002435337770000133
Figure BDA0002435337770000134
其中，λ1和λ2表示权衡系数。
S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，条件对抗域自适应网络训练完成。
针对上述训练步骤，结合前文所述，源域数据和目标域数据可以是在不同的工况下采集获得，因此它们具有不同的特征分布，通过采用本实施例的训练方法，可以减小源域和目标域特征分布的差异，从而可以利用由源域数据训练获得的分类器对目标域数据进行准确地分类。另外，在实际工业应用中，采集到的振动信号中噪声和干扰成分较多，通过本实施例的训练方法，可以增强源域特征和目标域特征分布的区分性，即具有更好的类内聚集性和类间分离性，从而提高模型的鲁棒性。
图2是基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法的模型结构示意图，如图2所示，一方面，通过对特征提取器进行训练，使其生成的特征令域分类器无法分辨特征来自源域还是目标域；另一方面，通过对域分类器进行训练，使其尽可能能够分辨特征来自源域还是目标域。在这一对抗过程中，深度网络可以学习到域不变特征。此外，通过最小化标签分类损失，使得标签预测器能够正确预测样本的类别标签。通过最小化区分性损失函数，使得特征具有更强的区分性。下面，通过与一维卷积神经网络(1DCNN)、多核最大均值差异(MK-MMD)、对抗域自适应(DANN)和条件对抗域自适应(CADA)进行对比实验，进一步说明本公开的技术方案。
具体的，本次对比实验采用的主要评价指标是准确率、A-距离和轮廓系数。其中，准确率定义为：准确率＝模型预测正确的样本数/总样本数。A-距离是评价分布差异的指标，定义为：DistA＝2(1-2∈)，其中，
Figure BDA0002435337770000142
为被训练用于分辨源域样本和目标域样本的分类器的测试误差，具体实现方法是，从源域和目标域的其中一类中随机取100个样本的特征，一半用于训练一个线性支持向量机正确分辨源域样本和目标域样本，另一半用于测试训练好的支持向量机，遍历每一类，平均测试误差即为
Figure BDA0002435337770000143
。A-距离越小，分布差异越小。轮廓系数是用于评价聚类的紧密性和分离性的指标，定义为：
Figure BDA0002435337770000141
其中，a(i)为第i个样本所属类的平均类内距离，b(i)为第i个样本与其最近类别中所有样本点的平均距离。s(i)越接近1，同类样本间分布更紧密，不同类样本间分布更分散。具体实现方法是，从源域数据或目标域数据中随机取2000个样本，计算每一类样本的特征的轮廓系数，平均值即为最终的结果。
实验使用的第一组数据是高铁牵引电机的轴承数据，是在3种不同的转速下(422rpm，1804rpm和2606rpm)采集获得的，令0，1，2代表不同转速下采集的数据集的编号，可组成6个迁移任务：T01，T02，T10，T12，T20，T21，例如，T01代表源域数据是在422rpm的转速下采集获得，目标域数据是在1804rpm的转速下采集获得。轴承有4种故障类型(内圈故障、外圈故障、滚动体故障、保持架故障)，每种故障类型都有轻微和中度两种故障程度，共有8种故障状态。振动信号由高铁牵引电机驱动端轴承座上的加速度传感器采集得到，采样频率为12500Hz。将振动信号中每1024个点作为一个样本，每种故障状态构造400个样本，因此每种转速下可得3200个样本。数据集的故障类别信息如表1所示。
表1
Figure BDA0002435337770000151
422rpm的转速下，表1中各故障信息的具体数据如表2所示：
表2
Figure BDA0002435337770000152
Figure BDA0002435337770000161
Figure BDA0002435337770000171
Figure BDA0002435337770000181
为确保实验的公平性，所有方法的超参数设置设为相同，所有方法的诊断准确率如表3所示，为验证DANN与CADA的A-距离如表4所示，CADA与CADA+D的轮廓系数如表5所示。其中，CADA是条件对抗域自适应方法，CADA+D为本发明所提方法。可以看出本发明所提方法在大多数迁移任务上的准确率都优于其他对比方法；在大多数迁移任务上，CADA的A-距离小于DANN，验证了条件对抗域自适应方法有效地减小了域间差异；对于源域特征，在所有迁移任务上，所提方法CADA+D的轮廓系数相较于CADA更接近于1，对于目标域特征，在大多数迁移任务上，CADA+D的轮廓系数相较于CADA更接近于1，验证了区分性损失函数有效地提高了源域和目标域特征的区分性。
表3
Figure BDA0002435337770000191
表4
Method DANN CADA
T<sub>01</sub> 1.974 1.983
T<sub>02</sub> 1.968 1.954
T<sub>10</sub> 1.967 1.963
T<sub>12</sub> 1.590 1.461
T<sub>20</sub> 1.933 1.949
T<sub>21</sub> 1.636 1.556
平均值 1.844 1.811
表5
Figure BDA0002435337770000201
为进一步验证所提方法能提高模型的鲁棒性，向原始振动信号中添加不同功率的高斯白噪声(-25dBW、-20dBW、-15dBW)，观察DANN、CADA和CADA+D诊断准确率的变化，DANN的诊断准确率如图3所示，CADA的诊断准确率如图4所示，CADA+D的诊断准确率如图5所示。可以看出在大多数迁移任务上，CADA+D的准确率下降速度比DANN、CADA慢，从而说明所提方法成功提高了模型的鲁棒性。
上述结果验证了本公开所述方法在处理高铁牵引电机轴承的故障诊断问题时的优越性。
实验使用第二组数据是美国凯斯西储大学轴承数据集，其是在4种不同的负载下(0马力，1马力，2马力和3马力)采集获得的，令0，1，2，3代表不同负载下采集的数据集的编号，可组成12个迁移任务：C01，C02，C03，C10，C12，C13，C20，C21，C23。例如，C01代表源域数据是在0马力的负载下采集获得，目标域数据是在1马力的负载下采集获得。数据集包括了轴承正常状态(N)、外圈故障(OF)、内圈故障(IF)和滚动体故障(RF)4种故障类型，且每种故障类型都有3种故障程度，包含损伤直径7mils、14mils和21mils，于是共得到10种状态，如表6所示。振动信号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，采样频率为12KHz。将振动信号中每1024个点作为一个样本，每种故障状态构造400个样本，因此每种转速下可得4000个样本。
表6
Figure BDA0002435337770000211
1马力的负载下表6中各故障信息的具体数据如表7所示：
表7
Figure BDA0002435337770000212
Figure BDA0002435337770000221
Figure BDA0002435337770000231
Figure BDA0002435337770000241
Figure BDA0002435337770000251
为确保实验的公平性，所有方法的超参数设置设为相同，所有方法的诊断准确率如表8所示，可以看出本发明所提方法在大多数迁移任务上的准确率都优于其他对比方法。
表8
方法 1DCNN MK-MMD DANN CADA CADA+D
C<sub>01</sub> 94.7 97.6 99.4 99.9 100.0
C<sub>02</sub> 99.5 99.3 99.9 100.0 100.0
C<sub>03</sub> 91.5 96.0 99.7 99.8 99.9
C<sub>10</sub> 99.0 99.2 99.7 99.8 99.8
C<sub>12</sub> 99.9 99.9 100.0 100.0 100.0
C<sub>13</sub> 96.1 99.0 99.2 99.6 99.7
C<sub>20</sub> 97.5 98.3 98.5 99.2 99.1
C<sub>21</sub> 94.6 96.8 97.5 98.9 99.2
C<sub>23</sub> 97.7 99.4 99.4 99.6 99.6
C<sub>30</sub> 79.7 89.1 93.9 96.9 99.4
C<sub>31</sub> 78.7 87.3 95.5 98.9 98.1
C<sub>32</sub> 84.1 98.2 99.5 100.0 100.0
平均值 92.7 96.7 98.5 99.4 99.6
尽管以上结合附图对本公开的实施方案进行了描述，但本公开的技术方案不局限于不同转速和不同负载两种工况，也包括其他种类的工况。上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本公开保护之列。

Claims (8)

1.一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括如下步骤：
S100：通过加速度传感器分别采集在不同工况下运行的高铁牵引电机轴承的第一振动信号和第二振动信号，将所述第一振动信号作为源域数据，其所包含的故障类型是已知的，将所述第二振动信号作为目标域数据，其所包含的故障类型的未知的；
S200：建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；
S300：同时输入有标签的源域数据和无标签的目标域数据对所述条件对抗域自适应网络进行训练，步骤S300具体包括；
S301：将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播，提取源域数据和目标域数据的特征，记为f＝F(x)；
S302：将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播，获得类别标签预测值，记为g＝G(f)；
S303：将所提取的源域数据和目标域数据的特征及类别标签预测值的张量积经域分类器进行前向传播，获得域标签预测值，记为0或1；获得域标签预测值后，根据真实的域标签，可计算得到域分类器的损失，域分类器的损失表示为：
Figure FDA0002887474560000011
其中，
Figure FDA0002887474560000012
表示期望，
Figure FDA0002887474560000013
表示所有源域样本，
Figure FDA0002887474560000014
表示所有目标域样本，
Figure FDA0002887474560000021
表示用于降低难迁移源域样本的权重，
Figure FDA0002887474560000022
表示第i个源域样本的类别标签预测值，
Figure FDA0002887474560000023
表示属于第c类的源域样本的类别标签预测值，
Figure FDA0002887474560000024
表示用于降低难迁移目标域样本的权重，
Figure FDA0002887474560000025
表示第j个目标域样本的类别标签预测值，
Figure FDA0002887474560000026
表示属于第c类的目标域样本的类别标签预测值，
Figure FDA0002887474560000027
表示第i个源域样本的特征fi s与类别标签预测值
Figure FDA0002887474560000028
的张量积，
Figure FDA0002887474560000029
表示第j个目标域样本
Figure FDA00028874745600000210
的特征与类别标签预测值
Figure FDA00028874745600000211
的张量积，
Figure FDA00028874745600000212
为张量积，
Figure FDA00028874745600000213
为第i个源域样本的域标签预测值，
Figure FDA00028874745600000214
为第j个目标域样本的域标签预测值。
S304：根据所述类别标签预测值和域标签预测值，计算得到标签预测器以及域分类器的损失函数，再结合区分性损失函数构造目标函数，目标函数构造完成后，进行反向传播；
S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，条件对抗域自适应网络训练完成；
S400：训练完成后，将无标签的目标域数据输入训练好的条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。
2.根据权利要求1所述的方法，其中，步骤S100中，所述振动信号的源域数据表示为：
Figure FDA0002887474560000031
其中，
Figure FDA0002887474560000032
表示第i个源域样本，
Figure FDA0002887474560000033
表示与源域样本相对应的故障类别标签，ns表示源域的样本数目。
3.根据权利要求1所述的方法，其中，步骤S100中，所述振动信号的目标域数据表示为：
Figure FDA0002887474560000034
其中，
Figure FDA0002887474560000035
表示第i个目标域样本，
Figure FDA0002887474560000036
表示与目标域样本相对应的故障类别标签，nt表示目标域的样本数目。
4.根据权利要求1所述的方法，其中，步骤S200中，所述特征提取器有卷积层和全连接层构成，用于从输入数据中提取特征；所述标签预测器由全连接层构成，用于对输入特征进行分类；所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。
5.根据权利要求1所述的方法，其中，步骤S302中，获得源域数据的类别标签预测值后，根据源域数据的真实标签，可计算获得标签预测器的损失，标签预测器的损失表示为：
Figure FDA0002887474560000041
其中，
Figure FDA0002887474560000042
表示期望，
Figure FDA0002887474560000043
表示第i个源域样本，
Figure FDA0002887474560000044
表示与源域样本相对应的故障类别标签，
Figure FDA0002887474560000045
表示所有源域样本及故障类别标签，nc表示类别数目，
Figure FDA0002887474560000046
表示将第i个源域特征预测为第c类的概率，fi s表示第i个源域样本的特征。
6.根据权利要求1所述的方法，其中，步骤S304中，所述区分性损失函数表示为：
Figure FDA0002887474560000047
其中，nbs表示每次迭代训练使用的样本数，β表示权衡两项的系数，max(·，·)表示取括号中数值最大的一项，yi表示第i个源域样本的标签，fi s表示第i个源域样本的特征，
Figure FDA0002887474560000048
表示第i个源域样本所属类别的全局类别中心，
Figure FDA0002887474560000049
表示二范数的平方，Ci和cj表示当前批次的第i类和第j类样本的特征中心，通过平均属于同一类的特征获得，m1和m2表示两个约束因子；
所述全局类别中心
Figure FDA0002887474560000051
按照下式更新：
Figure FDA0002887474560000052
Figure FDA0002887474560000053
其中，ck为第k类样本特征中心，Δck为第k类样本特征中心的更新值，t为迭代次数，δ为指示函数，
Figure FDA0002887474560000054
和
Figure FDA0002887474560000055
分别为第t次和t+1次迭代时的第k类样本特征中心，
Figure FDA0002887474560000056
为第t次迭代时的第k类样本特征中心的更新值，nc为类别数目，γ是用于更新
Figure FDA0002887474560000057
的学习率。
7.根据权利要求1所述的方法，其中，步骤S304中，所述目标函数表示为：
Figure FDA0002887474560000058
Figure FDA0002887474560000059
其中，λ1和λ2表示权衡系数，Ld表示域分类器的损失，Lg表示标签预测器的损失，Lc表示区分性损失函数。
8.根据权利要求1所述的方法，其中，步骤S400中，所述高铁牵引电机轴承故障包括如下任一：内圈故障、外圈故障、滚动体故障和保持架故障。
CN202010248112.4A 2020-04-01 2020-04-01 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 Active CN111504644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010248112.4A CN111504644B (zh) 2020-04-01 2020-04-01 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010248112.4A CN111504644B (zh) 2020-04-01 2020-04-01 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111504644A CN111504644A (zh) 2020-08-07
CN111504644B true CN111504644B (zh) 2021-04-09

Family

ID=71871933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010248112.4A Active CN111504644B (zh) 2020-04-01 2020-04-01 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111504644B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434602B (zh) * 2020-11-23 2023-08-29 西安交通大学 一种基于可迁移共特征空间挖掘的故障诊断方法
CN112683532B (zh) * 2020-11-25 2022-04-05 西安交通大学 轴承的跨工况条件对抗诊断方法
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
CN113375941B (zh) * 2021-06-08 2023-08-25 西安交通大学 高速动车组轴承的开集故障诊断方法
CN113435321A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种主轴轴承状态评估方法、系统、设备及可读存储介质
CN113505664B (zh) * 2021-06-28 2022-10-18 上海电力大学 一种风电机组行星齿轮箱故障诊断方法
CN113554075A (zh) * 2021-07-12 2021-10-26 安徽容知日新科技股份有限公司 生成故障分类模型的方法及确定旋转设备故障类型的方法
CN114462820A (zh) * 2022-01-14 2022-05-10 西安交通大学 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
CN114781264B (zh) * 2022-04-22 2024-10-01 西安交通大学 基于特征解耦和趋势保持的锂电池跨域容量估计方法
CN117367777B (zh) * 2023-11-15 2024-06-14 苏州大学 一种scara机器人滚珠丝杠故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110751207A (zh) * 2019-10-18 2020-02-04 四川大学 基于深度卷积域对抗迁移学习的故障诊断方法
CN110907176A (zh) * 2019-09-30 2020-03-24 合肥工业大学 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110907176A (zh) * 2019-09-30 2020-03-24 合肥工业大学 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法
CN110751207A (zh) * 2019-10-18 2020-02-04 四川大学 基于深度卷积域对抗迁移学习的故障诊断方法

Also Published As

Publication number Publication date
CN111504644A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111504644B (zh) 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法
CN113375941B (zh) 高速动车组轴承的开集故障诊断方法
CN106682688B (zh) 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN110057584B (zh) 一种机车牵引电机轴承退化监测方法
CN110186680B (zh) 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
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
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
CN113567130A (zh) 基于设备多工况的轴承故障诊断方法
CN112763214A (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
CN113639999A (zh) 变转速下滚动轴承的故障诊断方法、系统、介质及设备
CN110232415B (zh) 一种基于生物信息特征的列车转向架故障识别方法
CN110188822A (zh) 一种域对抗自适应一维卷积神经网络智能故障诊断方法
CN110647830A (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN116244657A (zh) 基于生成对抗网络和集成学习的列车轴温异常识别方法
Hu et al. Intelligent fault diagnosis approach based on composite multi-scale dimensionless indicators and affinity propagation clustering
CN114997218A (zh) 一种针对轨道车辆车轮多边形磨耗的识别检测方法
CN110797084A (zh) 基于深层神经网络的脑脊液蛋白质的预测方法
CN117312962A (zh) 基于迁移学习和数据驱动的长期服役电梯导轨故障诊断方法
CN113239610A (zh) 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
CN116702076A (zh) 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
CN116975718A (zh) 基于自监督学习的滚动轴承跨域故障诊断方法
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
CN113312719B (zh) 基于类别不平衡权重交叉熵的旋转机械故障诊断方法

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
GR01 Patent grant
GR01 Patent grant