CN111523509A - 融合物理和深度表达特征的设备故障诊断及健康监测方法 - Google Patents

融合物理和深度表达特征的设备故障诊断及健康监测方法 Download PDF

Info

Publication number
CN111523509A
CN111523509A CN202010381517.5A CN202010381517A CN111523509A CN 111523509 A CN111523509 A CN 111523509A CN 202010381517 A CN202010381517 A CN 202010381517A CN 111523509 A CN111523509 A CN 111523509A
Authority
CN
China
Prior art keywords
deep
layer
feature
signal
compression
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
Application number
CN202010381517.5A
Other languages
English (en)
Other versions
CN111523509B (zh
Inventor
刘德洋
陈哲
高迅
冯国海
高�浩
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.)
Jiangsu Disaisi Automation Engineering Co ltd
Original Assignee
Jiangsu Disaisi Automation Engineering Co ltd
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 Jiangsu Disaisi Automation Engineering Co ltd filed Critical Jiangsu Disaisi Automation Engineering Co ltd
Priority to CN202010381517.5A priority Critical patent/CN111523509B/zh
Publication of CN111523509A publication Critical patent/CN111523509A/zh
Application granted granted Critical
Publication of CN111523509B publication Critical patent/CN111523509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种融合物理和深度表达特征的设备故障诊断及健康监测方法，通过双流深度网络框架，融合物理特征及深度表达特征，实现设备故障诊断及健康监测。所提出的双流深度网络框架上分支提取物理特征，采用的技术主要包括小波包分解和傅里叶变换，用于提取原始信号的频谱特征和时频特征；下分支提取深度表达特征，采用的技术主要为卷积神经网络。在特征融合阶段，公开了压缩‑链接‑激活模块（SCE模块），能够在双流特征并行输入的条件下实现多特征综合敏感性分析及加权融合。所公开的物理特征和深度表达特征融合方法能够更加全面、准确的刻画设备故障类型，监测设备健康状态。

Description

融合物理和深度表达特征的设备故障诊断及健康监测方法
技术领域
本发明涉及一种融合物理和深度表达特征的设备故障诊断及健康监测方法，具体是通过双流深度网络框架提取并加权融合物理特征和深度表达特征，对设备故障进行诊断并监测设备健康状态。
背景技术
故障诊断是估计滚动轴承健康状态，预测瞬时事故的一种重要方法。通过对轴承传感数据的分析计算，故障诊断方法能够及时检测滚动轴承故障，并对故障的类型进行识别及预警，以便于实时应对。轴承振动产生于能量和动量的转化过程中，振动状态与轴承故障的发生和属性强耦合，是用于轴承类故障诊断的最鲁棒特征之一。总体上，采用振动信号的故障诊断方法包括前端特征提取和后端特征分类两个部分。在振动特征提取上，传统方法多提取具有明确物理含义的振动信号特征(物理特征)以表征与故障最相关的物理属性，常用方法包括时-频域统计特征分析、快速傅里叶变换、小波变换、时频图分析、经验模式分解以及信号统计学特征，等。该类方法能够解析故障产生的本因，有利于构建因果耦合关系模型，在研究之初受到了广大研究者的推崇。然而，该类技术的不足在于特征信息的冗余度过大、噪声强，且难以准确表征非平稳过程。为了解决这一问题，多种降维技术被推广应用到故障特征提取后处理过程中，常采用的方法包括主成分分析法，独立分量分析法，流形学习等算法。这些方法在一定程度上能够实现冗余压缩，但是仍难以解决物理特征故障表征能力较弱的本质性问题。为了提高振动特征对故障的表达能力，近年来，深度学习相关方法被广泛的应用于轴承故障诊断。该类技术能够通过多层的样本映射，能够提取出高度抽象化且对故障对象具有极强表征性的深度表达特征，有助于提高故障诊断的准确性，例如基于受限玻尔兹曼机、多级映射的故障特征提取方法、基于堆叠自编码器的故障诊断方法、基于去噪自编码器的故障诊断方法、卷积神经网络模型，等。然而，该类方法最大的弊端在于所提取得到的故障特征缺乏明确的物理含义，难以有效的解析，特征的稳定性和推广型不足。此外，对于网络的设计，易受困于网络结构和深度的设计。
发明内容
发明目的：针对现有技术中，采用单特征提取及识别方法(基于物理特征或深度表达特征方法)，难以完整准确的表征故障类别，故障诊断性能的准确性和稳定性不足。考虑到振动信号物理特征和深度表达特征各自的优缺点和互补性，本发明公开了一种一种融合物理和深度表达特征的设备故障诊断及健康监测方法，融合信号物理特征及深度表达特征用于轴承故障诊断及健康监测，综合利用可解析的物理特征和高度抽象化的深度表达特征，对轴承故障的种类进行识别，以提高故障诊断及健康监测的准确性。
技术方案：一种融合物理和深度表达特征的设备故障诊断及健康监测方法，依托双流深度网络框架，包括上分支信号处理流和下分支深度学习流。框架上分支信号处理流主要包括傅里叶变换和小波包分解模块，用于提取频率域和时频域的物理特征。下分支深度学习流由CB-CNN网络组成，通过多级映射提取深度表达特征。在特征融合阶段，多流特征加权融合采用压缩-链接-激活模块，能够对多流特征进行加权处理。后端分类器采用两个全连接层和一个softmax计算层相组合的方式，对设备故障进行诊断及健康监测。
(1)时频域特征提取
采用小波包分解提取振动信号中的时频域特征。小波包分解的主要优势在于能够同时对低、高频成分进行分解，能够反映原始振动信号随时间变化的局部频谱特性，选择三层小波包分解框架，共得到8个子频带，用
Figure BDA0002482170100000021
表示为每个子频带的重构信号，每个子频带信号的能量可表示为：
Figure BDA0002482170100000022
其中n＝3,j＝0,1,...,7，Ni为重构信号的长度，
Figure BDA0002482170100000023
为第j个重构信号在第k个点上的幅值；信号的能量均方根值可表示为：
Figure BDA0002482170100000024
信号的时频域特征可表示为：
Figure BDA0002482170100000025
(2)频域特征提取
采用傅里叶变化提取振动信号中的频域特征；不同于时频域特征，频域特征能够反映振动信号的全局频谱变化特性；
对于离散的振动信号x(n)，其离散傅立叶变换可表示为：
Figure BDA0002482170100000026
其中N为离散序列的长度。
(3)深度表达特征提取
采用CB-CNN(全称为：Cascade block Convolutional Neural Network)提取深度表达特征，用于提取高度抽象化的深度表达特征。不同于上分支所提取的物理特征，该类特征无明确的物理含义且难以解析，但同具体的故障类别间常具有强相关性。
对于一维振动信号，在CB-CNN网络框架的第一层卷积层，采用64×1的大尺度卷积核，通过增大感受野以更好地保存原始信号的空间相关性。此外，大卷积核有助于提取短时特征。通过第一层卷积后经过正则化、激活、以及最大池化层处理，输入到后续的两级级联块。
在CB-CNN网络框架中，设计了两条桥接支路以保存浅层特征，保持原始序列的空间相关性。级联模块由八层操作组成，包括3层卷积、2层ReLU、1层批量归一化、1层上采样和1层concatenate(连接)。其中，第一条桥接支路通过concatenate操作(连接操作)将第一层卷积结果与上采样层的输出特征进行直接连接，以保存原始振动信号时间相关性；第二条桥接支路将前两个激活层的输出进行特征相加，实现潜层特征信息传递。
基于压缩-链接-激活模块(简称SCE模块)的物理特征和深度表达特征加权融合方法；针对设备故障诊断及健康监测方法的压缩-链接-激活模块(SCE模块)模块主要有两个输入，一个是下分支CB-CNN深度学习流提取的维度为L×C1的二维特征矩阵
Figure BDA0002482170100000031
一个是上分支信号处理流提取的1×C2的一维特征向量
Figure BDA0002482170100000032
压缩-链接-激活模块(SCE模块)模块主要包括压缩、链接、激活的先后顺序计算：
压缩：对于特征矩阵X根据维度L来进行特征压缩，将每个一维的特征通道(特征向量)变成一个实数，这个实数某种程度上具有全局的感受野，这样就可以得到一维特征向量m来代表二维特征矩阵X。在实际操作中采用全局平均池化操作来实现压缩操作，获得全局感受野。
Figure BDA0002482170100000033
Figure BDA0002482170100000034
链接：经过压缩计算后可以得到两个一维特征。对其拼接得到组合特征向量。
Figure BDA0002482170100000041
其中C＝C1+C2
激活：W1p为全连接操作，实际操作中W1的维度设置为C/16(将特征维度降低到输入的1/16)，然后经过ReLU激活函数保持维度不变。随后，与W2相乘也为全连接操作，W2的维度为C，最后，通过一个Sigmoid激活函数获得0～1之间的归一化权重q。q是由两个全连接层和激活函数学习得到的，刻画了C个特征通道的各自权重。
q＝Fex(p,W)＝σ(g(p,W))＝σ(W2δ(W1p)) (8)
将激活的输出的权重q作为每个特征通道的权重对组合特征向量p进行加权，得到加权特征f：
f＝Fscale(p,q)＝p*q (9)
网络训练：分级训练策略。
对于双流深度网络框架，进行分级训练策略；在第一级训练过程中对下分支的CB-CNN进行单独训练，生成一个预训练模型。随后，第二级训练时，将上下分支组合成完整网络进行训练，更新网络模型参数，最终实现网络完全优化。
附图说明
图1是本发明双流网络框架图；
图2是本发明的CB-CNN整体架构图；
图3是本发明的级联块详细组成图；
图4是训练集和验证集准确率曲线图；
图5是训练集和验证集损失函数曲线。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
融合物理和深度表达特征的设备故障诊断及健康监测方法，如图1所示，依托双流深度网络框架，包括上分支信号处理流和下分支深度学习流。框架上分支信号处理流主要包括傅里叶变换和小波包分解模块，用于提取频率域和时频域的物理特征。下分支深度学习流由CB-CNN网络组成，通过多级映射提取深度表达特征。在特征融合阶段，多流特征加权融合采用压缩-链接-激活模块，能够对多流特征进行加权处理，提高融合特征对轴承故障的表达能力。后端分类器采用两个全连接层和一个softmax计算层相组合的方式，对设备故障进行诊断及健康监测。
互补性是多特征融合的基础，本发明所公开的多流特征融合策略在多特征间具有明确的互补关系。在信号处理流中频域特征和时频域特征二者间具有较好的互补性。其中，傅里叶变换后的频谱特征能够反映振动信号的全局频谱变化特征，而小波包分解后所得到的时频特征能够反映出频谱随时间变化的局部特征，二者间的融合能够从全局和局部细节上综合反映出振动信号的频谱特性。CB-CNN网络能够通过多层映射挖掘原始振动信号中对故障的强表达特征，抽象刻画故障类别，同信号处理流所提取得到的物理特征具有明确的互补性。此外，发明的双流结构也可解释为一种联合模型驱动和数据驱动策略的故障诊断方法。这种方法及策略上的互补性，保证了多流特征融合的可行性和鲁棒性。
一，特征提取阶段
双流特征提取：主要包括时频域特征、频域特征及深度表达特征提取。
(1)时频域特征提取
采用小波包分解提取振动信号中的时频域特征。小波包分解的主要优势在于能够同时对低、高频成分进行分解，能够反映原始振动信号随时间变化的局部频谱特性，选择三层小波包分解框架，共得到8个子频带，用
Figure BDA0002482170100000051
表示为每个子频带的重构信号，每个子频带信号的能量可表示为：
Figure BDA0002482170100000052
其中n＝3,j＝0,1,...,7，Ni为重构信号的长度，
Figure BDA0002482170100000053
为第j个重构信号在第k个点上的幅值；信号的能量均方根值可表示为：
Figure BDA0002482170100000054
信号的时频域特征可表示为：
Figure BDA0002482170100000061
(2)频域特征提取
采用傅里叶变化提取振动信号中的频域特征；不同于时频域特征，频域特征能够反映振动信号的全局频谱变化特性；
对于离散的振动信号x(n)，其离散傅立叶变换可表示为：
Figure BDA0002482170100000062
其中N为离散序列的长度。
(3)深度表达特征提取
采用CB-CNN提取深度表达特征，用于提取高度抽象化的深度表达特征。不同于上分支所提取的物理特征，该类特征无明确的物理含义且难以解析，但同具体的故障类别间常具有强相关性。
总体上，CB-CNN网络框架如图2所示。对于一维振动信号，在CB-CNN网络框架的第一层卷积层，采用64×1的大尺度卷积核，通过增大感受野以更好地保存原始信号的空间相关性。此外，大卷积核有助于提取短时特征。通过第一层卷积后经过正则化、激活、以及最大池化层处理，输入到后续的两级级联块。
级联块的详细结构如图3所示。设计了两条桥接支路以保存浅层特征，保持原始序列的空间相关性。级联模块由八层操作组成，包括3层卷积、2层ReLU、1层批量归一化、1层上采样和1层concatenate(连接)。其中，第一条桥接支路通过concatenate操作(连接操作)将第一层卷积结果与上采样层的输出特征进行直接连接，以保存原始振动信号时间相关性；第二条桥接支路将前两个激活层的输出进行特征相加，实现潜层特征信息传递。
二，特征融合阶段
基于压缩-链接-激活模块(简称SCE模块)的物理特征和深度表达特征加权融合方法；针对设备故障诊断及健康监测方法的压缩-链接-激活模块(SCE模块)模块主要有两个输入，一个是下分支CB-CNN深度学习流提取的维度为L×C1的二维特征矩阵
Figure BDA0002482170100000071
一个是上分支信号处理流提取的1×C2的一维特征向量
Figure BDA0002482170100000072
压缩-链接-激活模块(SCE模块)模块主要包括压缩、链接、激活的先后顺序计算：
压缩：对于特征矩阵X根据维度L来进行特征压缩，将每个一维的特征通道(特征向量)变成一个实数，这个实数某种程度上具有全局的感受野，这样就可以得到一维特征向量m来代表二维特征矩阵X。在实际操作中采用全局平均池化操作来实现压缩操作，获得全局感受野。
Figure BDA0002482170100000073
Figure BDA0002482170100000074
链接：经过压缩计算后可以得到两个一维特征。对其拼接得到组合特征向量。
Figure BDA0002482170100000075
其中C＝C1+C2
激活：W1p为全连接操作，实际操作中W1的维度设置为C/16(将特征维度降低到输入的1/16)，然后经过ReLU激活函数保持维度不变。随后，与W2相乘也为全连接操作，W2的维度为C，最后，通过一个Sigmoid激活函数获得0～1之间的归一化权重q。q是由两个全连接层和激活函数学习得到的，刻画了C个特征通道的各自权重。
q＝Fex(p,W)＝σ(g(p,W))＝σ(W2δ(W1p)) (8)
将激活的输出的权重q作为每个特征通道的权重对组合特征向量p进行加权，得到加权特征f：
f＝Fscale(p,q)＝p*q (9)
三，网络训练阶段：分级训练策略。
对于双流深度网络框架，进行分级训练策略；在第一级训练过程中对下分支的CB-CNN进行单独训练，生成一个预训练模型。随后，第二级训练时，将上下分支组合成完整网络进行训练，更新网络模型参数，最终实现网络完全优化。
四，网络测试阶段
将设备振动信号输入到网络，通过物理特征和深度表达特征提取及加权融合得到融合特征，输入到后端分类器中，实现对设备故障诊断及健康状态的监测。
采用凯斯西储大学轴承数据中心的数据集进行实验验证。凯斯西储大学轴承数据中心的轴承系统平台包括一个2hp电机、一个扭矩传感器、一个功率计和一个负载电机。振动信号由加速度计以12kHz的采样频率采集。该数据集一共包括10种轴承状态，除正常状态外，还包括9类故障状态数据:内圈(IR)、外圈(OR)、滚动件(RE)上尺寸分别为0.007、0.014、0.021的单点故障。每个状态随机抽取1000个样本，共10000个样本，其中网络训练7000个样本，验证2000个样本，测试1000个样本。图4和图5为在网络在两种指标下的训练收敛结果，当迭代次数为10时，模型在两项指标上都达到收敛。本发明所公开方法对于故障检测的结果是令人满意的，仅一例RE0.014样本误判为RE0.021状态。表1为本发明公开方法与现有方法的比较，可以看到在故障诊断的准确率上要优于其他方法。
表1多种诊断方法平均实验结果
Figure BDA0002482170100000081

Claims (6)

1.一种融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，依托双流深度网络框架，包括上分支信号处理流和下分支深度学习流；框架上分支信号处理流主要包括傅里叶变换和小波包分解模块，用于提取频率域和时频域的物理特征。下分支深度学习流由CB-CNN网络组成，通过多级映射提取深度表达特征；在特征融合阶段，多流特征加权融合采用压缩-链接-激活模块，能够对多流特征进行加权处理；后端分类器采用两个全连接层和一个softmax计算层相组合的方式，对设备故障进行诊断及健康监测。
2.根据权利要求1所述的融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，采用小波包分解提取振动信号中的时频域特征；小波包分解的主要优势在于能够同时对低、高频成分进行分解，能够反映原始振动信号随时间变化的局部频谱特性，选择三层小波包分解框架，共得到8个子频带，用
Figure FDA0002482170090000011
表示为每个子频带的重构信号，每个子频带信号的能量表示为：
Figure FDA0002482170090000012
其中n＝3,j＝0,1,...,7，Ni为重构信号的长度，
Figure FDA0002482170090000013
为第j个重构信号在第k个点上的幅值；信号的能量均方根值表示为：
Figure FDA0002482170090000014
信号的时频域特征表示为：
Figure FDA0002482170090000015
3.根据权利要求1所述的融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，采用傅里叶变化提取振动信号中的频域特征；不同于时频域特征，频域特征能够反映振动信号的全局频谱变化特性；
对于离散的振动信号x(n)，其离散傅立叶变换表示为：
Figure FDA0002482170090000016
其中N为离散序列的长度。
4.根据权利要求1所述的融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，采用CB-CNN提取深度表达特征，用于提取高度抽象化的深度表达特征；对于一维振动信号，在CB-CNN网络框架的第一层卷积层，采用64×1的大尺度卷积核；通过第一层卷积后经过正则化、激活、以及最大池化层处理，输入到后续的两级级联块；
在CB-CNN网络框架中，设计了两条桥接支路以保存浅层特征，保持原始序列的空间相关性；级联模块由八层操作组成，包括3层卷积、2层ReLU、1层批量归一化、1层上采样和1层concatenate；其中，第一条桥接支路通过concatenate操作将第一层卷积结果与上采样层的输出特征进行直接连接，以保存原始振动信号时间相关性；第二条桥接支路将前两个激活层的输出进行特征相加，实现潜层特征信息传递。
5.根据权利要求4所述的融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，针对设备故障诊断及健康监测方法的压缩-链接-激活模块模块主要有两个输入，一个是下分支CB-CNN深度学习流提取的维度为L×C1的二维特征矩阵
Figure FDA0002482170090000021
一个是上分支信号处理流提取的1×C2的一维特征向量
Figure FDA0002482170090000022
压缩-链接-激活模块模块主要包括压缩、链接、激活的先后顺序计算：
压缩：对于特征矩阵X根据维度L来进行特征压缩，将每个一维的特征向量变成一个实数，得到一维特征向量m来代表二维特征矩阵X；采用全局平均池化操作来实现压缩操作，获得全局感受野；
Figure FDA0002482170090000023
Figure FDA0002482170090000024
链接：经过压缩计算后可以得到两个一维特征；对其拼接得到组合特征向量；
Figure FDA0002482170090000025
其中C＝C1+C2；
激活：W1p为全连接操作，实际操作中W1的维度设置为C/16，然后经过ReLU激活函数保持维度不变；随后，与W2相乘也为全连接操作，W2的维度为C，最后，通过一个Sigmoid激活函数获得0～1之间的归一化权重q；q是由两个全连接层和激活函数学习得到的，刻画了C个特征通道的各自权重；
q＝Fex(p,W)＝σ(g(p,W))＝σ(W2δ(W1p)) (8)
将激活的输出的权重q作为每个特征通道的权重对组合特征向量p进行加权，得到加权特征f：
f＝Fscale(p,q)＝p*q (9)。
6.根据权利要求1所述的融合物理和深度表达特征的设备故障诊断及健康监测方法，其特征在于，对于双流深度网络框架，进行分级训练策略；在第一级训练过程中对下分支的CB-CNN进行单独训练，生成一个预训练模型；随后，第二级训练时，将上下分支组合成完整网络进行训练，更新网络模型参数，最终实现网络完全优化。
CN202010381517.5A 2020-05-08 2020-05-08 融合物理和深度表达特征的设备故障诊断及健康监测方法 Active CN111523509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381517.5A CN111523509B (zh) 2020-05-08 2020-05-08 融合物理和深度表达特征的设备故障诊断及健康监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010381517.5A CN111523509B (zh) 2020-05-08 2020-05-08 融合物理和深度表达特征的设备故障诊断及健康监测方法

Publications (2)

Publication Number Publication Date
CN111523509A true CN111523509A (zh) 2020-08-11
CN111523509B CN111523509B (zh) 2023-08-29

Family

ID=71906124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381517.5A Active CN111523509B (zh) 2020-05-08 2020-05-08 融合物理和深度表达特征的设备故障诊断及健康监测方法

Country Status (1)

Country Link
CN (1) CN111523509B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112115863A (zh) * 2020-09-18 2020-12-22 成都理工大学 基于多普勒雷达时频图像序列与交叉卷积神经网络人体动作重构方法及系统
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 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
CN112710969A (zh) * 2020-12-18 2021-04-27 武汉大学 一种单相半桥五电平逆变器开关管开路故障诊断方法
CN112729529A (zh) * 2020-12-17 2021-04-30 苏州大学 电机缺陷的检测方法
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN113255777A (zh) * 2021-05-28 2021-08-13 郑州轻工业大学 基于多模态敏感特征选取融合的设备故障预警方法及系统
CN113723486A (zh) * 2021-08-23 2021-11-30 水利部交通运输部国家能源局南京水利科学研究院 一种离心泵多模态监测数据清洗及建模方法
CN114048682A (zh) * 2021-11-22 2022-02-15 昆明理工大学 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及系统
CN116028893A (zh) * 2023-03-28 2023-04-28 北京电信易通信息技术股份有限公司 一种智能化数据监测方法、系统及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109519340A (zh) * 2018-12-27 2019-03-26 中国船舶重工集团海装风电股份有限公司 一种风电机组传动系统故障诊断方法
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN110059601A (zh) * 2019-04-10 2019-07-26 西安交通大学 一种多特征提取与融合的智能故障诊断方法
CN110246510A (zh) * 2019-06-24 2019-09-17 电子科技大学 一种基于RefineNet的端到端语音增强方法
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109519340A (zh) * 2018-12-27 2019-03-26 中国船舶重工集团海装风电股份有限公司 一种风电机组传动系统故障诊断方法
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN110059601A (zh) * 2019-04-10 2019-07-26 西安交通大学 一种多特征提取与融合的智能故障诊断方法
CN110246510A (zh) * 2019-06-24 2019-09-17 电子科技大学 一种基于RefineNet的端到端语音增强方法
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QUANLONG FENG等: "Integrating Multitemporal Sentinel-1/2 Data for Coastal Land Cover Classification Using a Multibranch Convolutional Neural Network: A Caseof the Yellow River Delta" *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016473B (zh) * 2020-08-31 2022-09-13 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 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
CN112115863A (zh) * 2020-09-18 2020-12-22 成都理工大学 基于多普勒雷达时频图像序列与交叉卷积神经网络人体动作重构方法及系统
CN112729529A (zh) * 2020-12-17 2021-04-30 苏州大学 电机缺陷的检测方法
CN112729529B (zh) * 2020-12-17 2023-02-03 苏州大学 电机缺陷的检测方法
CN112710969A (zh) * 2020-12-18 2021-04-27 武汉大学 一种单相半桥五电平逆变器开关管开路故障诊断方法
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN113255777A (zh) * 2021-05-28 2021-08-13 郑州轻工业大学 基于多模态敏感特征选取融合的设备故障预警方法及系统
CN113723486A (zh) * 2021-08-23 2021-11-30 水利部交通运输部国家能源局南京水利科学研究院 一种离心泵多模态监测数据清洗及建模方法
CN114048682A (zh) * 2021-11-22 2022-02-15 昆明理工大学 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN114048682B (zh) * 2021-11-22 2024-05-03 昆明理工大学 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及系统
CN114279728B (zh) * 2021-12-07 2023-07-25 郑州大学 一种振动筛机体的故障诊断方法及系统
CN116028893A (zh) * 2023-03-28 2023-04-28 北京电信易通信息技术股份有限公司 一种智能化数据监测方法、系统及电子设备

Also Published As

Publication number Publication date
CN111523509B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111523509A (zh) 融合物理和深度表达特征的设备故障诊断及健康监测方法
Adam et al. Evaluation of fingerprint liveness detection by machine learning approach-a systematic view
CN112284736B (zh) 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN110705525A (zh) 一种诊断滚动轴承故障的方法及装置
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及系统
CN113869286B (zh) 一种自适应多任务智能故障诊断系统及故障诊断方法
CN113158984A (zh) 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
Wang et al. Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample
CN115798516A (zh) 一种可迁移的端到端声信号诊断方法及系统
CN111967361A (zh) 一种基于婴儿表情识别与哭声的情绪检测方法
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
Hashempour et al. A novel method for fault diagnosis in rolling bearings based on bispectrum signals and combined feature extraction algorithms
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN105823634A (zh) 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统
CN116524273A (zh) 一种发电站尾水管检测方法、装置、设备及存储介质
CN116361723A (zh) 一种基于多尺度特征和注意力的轴承故障诊断分类方法
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
CN113295410B (zh) 变转速工况下的轴承故障诊断方法
CN114264626A (zh) 一种基于时间序列残差网络的织物无损定量分析方法
CN113569989A (zh) 用于舞台装备故障诊断的ti-tsdcn模型构建方法
CN114707551A (zh) 面向工业互联网设备故障诊断的多模态数据融合方法
CN114781427A (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断系统
CN116594061B (zh) 一种基于多尺度u形注意网络的地震数据去噪方法
Liu et al. A Fault Diagnosis Method Based on Wavelet Denoising and 2DCNN under Background Noise

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