CN111651937A - 变工况下类内自适应轴承故障诊断方法 - Google Patents

变工况下类内自适应轴承故障诊断方法 Download PDF

Info

Publication number
CN111651937A
CN111651937A CN202010496380.8A CN202010496380A CN111651937A CN 111651937 A CN111651937 A CN 111651937A CN 202010496380 A CN202010496380 A CN 202010496380A CN 111651937 A CN111651937 A CN 111651937A
Authority
CN
China
Prior art keywords
sample
samples
domain
label
training
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
CN202010496380.8A
Other languages
English (en)
Other versions
CN111651937B (zh
Inventor
王旭
沈长青
谢靖
张爱文
王冬
商晓峰
宋冬淼
江星星
王俊
石娟娟
黄伟国
朱忠奎
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202010496380.8A priority Critical patent/CN111651937B/zh
Priority to US17/616,663 priority patent/US11886311B2/en
Priority to PCT/CN2020/106705 priority patent/WO2021243838A1/zh
Publication of CN111651937A publication Critical patent/CN111651937A/zh
Application granted granted Critical
Publication of CN111651937B publication Critical patent/CN111651937B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural 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
    • 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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/24—Marginal checking or other specified testing methods not covered by G06F11/26, e.g. race tests
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet‑50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。

Description

变工况下类内自适应轴承故障诊断方法
技术领域
本发明属于机械故障诊断和计算机人工智能技术领域，尤其涉及一种变工况下基于卷积神经网络和迁移学习的变工况下类内自适应轴承故障诊断方法。
背景技术
近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。滚动轴承作为旋转机械的关键部件之一，其健康状态直接影响着整个旋转机械的稳定性。但同时滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下，容易发生磨损、裂纹、断裂等故障，严重危害整个旋转系统的安全运行。因此研究滚动轴承的状态信息和相应的故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。
大量研究表明轴承振动数据是进行故障诊断的有效依据，传统的故障诊断方法有基于振动信号提取故障特征频率、短时傅里叶变换、经验模式分解、稀疏表示方法等。这些传统的故障诊断方法通常依赖于一定的先验知识，需要专业的信号处理技术和人为手动地提取合适的特征，并不适用于处理海量的振动数据时。针对传统故障诊断方法存在的不足，深度学习方法被广泛地应用于故诊诊断领域。基于人工智能的故障诊断框架一般包括数据采集、模型建立、模型训练和模型验证四个阶段。基于深度学习的故障诊断方法能够自动提取特征，加速计算速度，满足处理大数据时代背景下海量信息的需求。同时，深度学习模型不需要人工提取特征，深度学习模型能够自动学习特征而不需要大量的先验知识，计算机技术的发展也推动了基于深度学习故障诊断技术的迅猛发展。
传统的故障诊断技术假设训练数据跟测试数据服从相同的分布，并且取得了突出的成果。然而这一假设在实际的工业应用中很难成立，一方面由于旋转机械往往处于转速、负载复杂的工作环境下，训练模型所使用的历史数据与实际监测设备状态时采集的实时数据服从不同的分布，使得基于传统深度方法的模型的通用性和泛化性变差。另一方面，在实际应用中我们不可能获取所有工况下每种设备状态足够多的振动数据来训练特定的模型来满足诊断需求。
发明内容
为解决上述技术问题，本发明的目的是针对变工况下提供一种准确性和有效性较高的变工况下类内自适应轴承故障诊断方法，以提高变工况下滚动轴承故障诊断的准确性和有效性，包括以下步骤：
步骤1：采集不同工况下不同健康状态的轴承振动数据，每种工况下不同健康状态的轴承振动数据作为一个域，不同域的数据服从不同的分布，并对数据进行切割形成样本；
步骤2：对源域样本跟目标域样本做FFT，在训练阶段同时将源域有标签样本跟目标域无标签样本同时送入参数初始化的深度类内自适应卷积神经网络模型；
步骤3：深度类内自适应卷积神经网络模型中改进的ResNet-50提取样本的低层次特征，多尺度特征提取器在低层次特征的基础上进一步分析得到高层次特征作为分类器的输入，同时计算两个域样本高层次特征的之间的条件分布距离。
步骤4：将源域跟目标域条件分布距离和源域样本的标签误差结合在一起形成目标函数，利用随机梯度下降法对其进行优化，训练模型参数。
步骤5：将目标域样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小，并与事先标记但没有参与训练的标签做对比，得到诊断精度，验证本发明的通用性和泛化性。
在其中一个实施例中，所述步骤1具体包括以下步骤：
步骤1.1：建立不同工作负载(即不同工况)的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，每个数据集包含轴承正常状态、外圈故障、内圈故障、以及不同的故障尺寸；
步骤1.2：以连续N个采样点为一个样本长度切割样本制作数据集，本发明用
Figure BDA0002523025650000031
其中yis∈{0,1,2，…，C-1}表示C种不同标签的样本组成的源域，其中xis表示源域中第i个样本，yis表示源域中第i个样本的标签，ns为源域中样本总数；用
Figure BDA0002523025650000032
表示没有标签的样本组成的目标域，其中xj t表示目标域中第j个样本，nt为目标域中所有的样本数；源域数据在概率分布Ps下采集，目标域数据在概率分布Pt下采集，Ps≠Pt。
在其中一个实施例中，所述步骤2具体包括以下步骤：
对源域有标签样本跟目标域无标签样本做FFT(快速傅里叶变换)，将时域信号转换为频域信号，时间抽取算法的FFT转换公式如下所示：
Figure BDA0002523025650000041
其中x(n)表示原始样本时间序列中第n个采样点的值，X(k)表示频谱图中第k个值的大小。
在其中一个实施例中，所述步骤3具体包括以下步骤：
步骤3.1：修改ResNET-50的结构，移除模型的最后两层，即全局平局池化跟用于分类的完全连接层。深度类内自适应卷积神经网络模型利用改进的ResNet-50提取样本的低层次特征，其过程过下：
g(x)＝f(x) (2)
其中x表示经过FFT变换之后的频域样本，f()表示修改的ResNet-50，g(x)表示改进的ResNet-50对样本提取到的低层次特征。
步骤3.2：多尺度特征提取器的多路子结构进一步同时分析低层次特征得到高层次特征作为softmax分类器的输入，高层次特征的提取过程如下表示：
g(x)＝[g0(x),g1(x),…,gn-1(x)] (3)
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数。Softmax函数表示如下：
Figure BDA0002523025650000042
其中qi表示样本属于标签i的概率，C是标签类别总数，vi是sofamax函数输入的第i个位置上的值。
步骤3.3：计算源域和目标域高层次特征的条件分布距离，其中多尺度特征提取器的一路子结构提取的特征条件距离公式如下：
Figure BDA0002523025650000051
其中
Figure BDA0002523025650000052
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数。
Figure BDA0002523025650000053
表示源域中标签为c的样本的第i个样本，
Figure BDA0002523025650000054
等于源域中标签为c的所有样本的数量，
Figure BDA0002523025650000055
代表目标域中伪标签为c的样本的第j个样本，
Figure BDA0002523025650000056
等于目标域中伪标签为c的所有样本的数量。上式用于估计类内条件分布Ps(xs|ys＝c)和Pt(xt|yt＝c)之间的差异。通过最小化上式可以减小源域和目标域的条件分布差异。由于高层次特征是由多路子结构同时提取而来，所以总的条件分布距离如下：
Figure BDA0002523025650000057
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数。
在其中一个实施例中，所述步骤4具体包括以下步骤：
步骤4.1：计算源域样本的标签训练预测误差，其过程由如下公式所示：
Figure BDA0002523025650000058
其中X表示源域所有样本的集合，y表示源域所有样本真实标签的集合；n为参与训练的样本个数，yi为第i个样本的真实标签，F(xi)为神经网络对第i个样本的预测结果；J(·,·)表示交叉熵损失函数，定义如下：
Figure BDA0002523025650000059
其中，当i是该样本的真实标签时pi等于1，否则pi等于0；qi是经过softmax激活函数后输出的概率；C是标签类别总数。
步骤4.2：将条件分布距离与源域样本的标签训练预测误差结合在一起形成要优化的多尺度高层次特征对齐目标函数，目标函数公式如下所示：
Figure BDA0002523025650000061
其中
Figure BDA0002523025650000062
表示模型输出函数，g(·)表示多尺度特征提取器中一个子结构的输出，J(·,·)表示交叉熵损失函数，λ>0是一个超参数，nsub等于多尺度特征抽取器中的子结构数，
Figure BDA0002523025650000063
是条件分布距离。通过上式可以使训练所提出的网络
Figure BDA0002523025650000064
能够准确地预测来自目标域的样本的标签。上式中超参数λ设定如下：
Figure BDA0002523025650000065
其中epochs是训练总次数，epoch是当前训练步数。
步骤4.3：利用SGD(随机梯度下降法)最小化多尺度高层次特征对齐目标函数，更新模型参数，训练模型。
Figure BDA0002523025650000066
其中θ是模型内的所有参数，θi表示第i个参数；l(θ)表示关于参数θ的目标函数,α是学习速率，即步长。
在其中一个实施例中，所述步骤5具体包括以下步骤：
将目标域中无标签样本送入训练好的多尺度深度类内自适应卷积神经网络模型得到所有目标域样本的预测标签，并于事先人为标记但是没有参与训练过程的标签做对比，得到诊断精度，验证该模型的优越性。诊断精度计算公式如下：
Figure BDA0002523025650000067
其中sign()代表指示函数，yti是目标域中第i个样本的真实标签，
Figure BDA0002523025650000068
是模型对目标域中第i个样本的预测结果，nt是目标域中的样本总数。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
借由上述方案，本发明至少具有以下优点：
1、不需要大量的先验知识手动地提取特征，借助计算机硬件加速神经网络的训练，通过实时监测实现对设备健康状态的及时预测，达到在线诊断的效果，节省大量的人力物力，提高生产工作效率。
2、将卷积神经网络与迁移学习算法相结合，计算源域跟目标域样本的条件分布距离作为目标函数的一部分进行优化，能很好地突破传统深度学习训练集跟测试集数据服从相同分布的假设在实际工业应用中不成立阻碍了深度学习在故障诊断领域进一步发展的瓶颈，能使得模型能更好地处理变工况下的轴承振动数据，极大地增加模型的通用性跟泛化性，可广泛地应用于机械、冶金、电力、航空等复杂系统的多变工况下的故障诊断任务。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明变工况下基于卷积神经网络和迁移学习的滚动轴承故障诊断方法的步骤说明图。
图2是本发明对应的深度学习模型结构图。
图3为本发明深度学习模型中ResNet-50详细结构图。
图4为ResNet-50中残差块原理图。
图5为本发明对应的诊断方法流程图。
图6为本发明实施例中轴承不同健康状态的振动信号频域图。
图7为本发明实施例中轴承故障目标域(测试集)分类结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
下面结合实际的实验数据对本发明进行详细说明：
实验数据采用凯斯西储大学的轴承数据集，数据采集系统由电机、扭矩传感器和测功机三个主要部分组成，利用加速度计采集振动数据，采样频率是12KHz。通过电火花加工技术(EDM)在滚子、内圈和外圈引入故障，并设置不同的故障大小。
如图1所示，本发明包括以下步骤：
步骤1：采集不同工况下不同健康状态的轴承振动数据，每种工况下不同健康状态的轴承振动数据作为一个域，不同域的数据服从不同的分布，并对数据进行切割形成样本；
步骤2：对源域样本跟目标域样本做FFT，在训练阶段同时将源域有标签样本跟目标域无标签样本同时送入参数初始化的深度类内自适应卷积神经网络模型；
步骤3：深度类内自适应卷积神经网络模型中改进的ResNet-50提取样本的低层次特征，多尺度特征提取器在低层次特征的基础上进一步分析得到高层次特征作为分类器的输入，同时计算两个域样本高层次特征的之间的条件分布距离。
步骤4：将源域跟目标域条件分布距离和源域样本的标签误差结合在一起形成目标函数，利用随机梯度下降法对其进行优化，训练模型参数。
步骤5：将目标域样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小，并与事先标记但没有参与训练的标签做对比，得到诊断精度，验证本发明的通用性和泛化性。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1：建立不同工作负载(即不同工况)的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，每个数据集包含轴承正常状态、外圈故障、内圈故障、以及不同的故障尺寸；
本实施例建立了四种不同工况下的数据集(0、1、2和3hp)，即可变负载，来模拟滚动轴承变工况下的迁移学习任务。这些数据集以其工作负载命名。例如，数据集0hp表示样本来自于在0hp工作负载下采集的振动信号。因此，可变负载的四个数据集表示数据分布不同的四个域。通过电火花加工技术(EDM)在滚子、内圈和外圈设置单点故障，故障程度分别为0.007、0.014和0.021英寸。
步骤1.2：以连续N个采样点为一个样本长度切割样本制作数据集，本发明用
Figure BDA0002523025650000091
其中yi s∈{0,1,2，…，C-1}表示C种不同标签的样本组成的源域，其中xi s表示源域中第i个样本，yi s表示源域中第i个样本的标签，ns为源域中样本总数；用
Figure BDA0002523025650000092
表示没有标签的样本组成的目标域，其中xj t表示目标域中第j个样本，nt为目标域中所有的样本数；源域数据在概率分布Ps下采集，目标域数据在概率分布Pt下采集，Ps≠Pt。每个域中的样本具体类别可参考表一。
表一：每个域中10种样本的详细描述
Figure BDA0002523025650000101
变工况下的诊断任务由符号A hp→B hp表示，源域是A hp数据集，所有样本及其标签参与训练过程，B hp表示目标域，其真实标签不参与训练只用于测试验证过程。
进一步的，所述步骤2具体包括以下步骤：
对源域有标签样本跟目标域无标签样本做FFT(快速傅里叶变换)，将时域信号转换为频域信号，时间抽取算法的FFT转换公式如下所示：
Figure BDA0002523025650000111
其中x(n)表示原始样本时间序列中第n个采样点的值，X(k)表示频谱图中第k个值的大小。每种样本的频域信号如图6所示。
进一步的，所述步骤3具体包括以下步骤：
本实施例建立的深度学习模型如图2所示，故障诊断流程如图5所示。
步骤3.1：ResNet-50的详细结构如图3和图4所示，修改ResNet-50的结构，移除模型的最后两层，即全局平局池化跟用于分类的完全连接层。深度类内自适应卷积神经网络模型利用改进的ResNet-50提取样本的低层次特征，其过程过下：
g(x)＝f(x) (2)
其中x表示经过FFT变换之后的频域样本，f()表示修改的ResNet-50，g(x)表示改进的ResNet-50对样本提取到的低层次特征。
步骤3.2：多尺度特征提取器的多路子结构进一步同时分析低层次特征得到高层次特征作为softmax分类器的输入，高层次特征的提取过程如下表示：
g(x)＝[g0(x),g1(x),…,gn-1(x)] (3)
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数。Softmax函数表示如下：
Figure BDA0002523025650000112
其中qi表示样本属于标签i的概率，C是标签类别总数，vi是sofamax函数输入的第i个位置上的值。
步骤3.3：计算源域和目标域高层次特征的条件分布距离，其中多尺度特征提取器的一路子结构提取的特征条件距离公式如下：
Figure BDA0002523025650000121
其中
Figure BDA0002523025650000122
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数。
Figure BDA0002523025650000123
表示源域中标签为c的样本的第i个样本，
Figure BDA0002523025650000124
等于源域中标签为c的所有样本的数量，
Figure BDA0002523025650000125
代表目标域中伪标签为c的样本的第j个样本，
Figure BDA0002523025650000126
等于目标域中伪标签为c的所有样本的数量。上式用于估计类内条件分布Ps(xs|ys＝c)和Pt(xt|yt＝c)之间的差异。通过最小化上式可以减小源域和目标域的条件分布差异。由于高层次特征是由多路子结构同时提取而来，所以总的条件分布距离如下：
Figure BDA0002523025650000127
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数。
进一步的，所述步骤4具体包括以下步骤：
步骤4.1：计算源域样本的标签训练预测误差，其过程由如下公式所示：
Figure BDA0002523025650000128
其中X表示源域所有样本的集合，y表示源域所有样本真实标签的集合；n为参与训练的样本个数，yi为第i个样本的真实标签，F(xi)为神经网络对第i个样本的预测结果；J(·,·)表示交叉熵损失函数，定义如下：
Figure BDA0002523025650000129
其中，当i是该样本的真实标签时pi等于1，否则pi等于0；qi是经过softmax激活函数后输出的概率；C是标签类别总数。
步骤4.2：将条件分布距离与源域样本的标签训练预测误差结合在一起形成要优化的多尺度高层次特征对齐目标函数，目标函数公式如下所示：
Figure BDA0002523025650000131
其中
Figure BDA0002523025650000132
表示模型输出函数，g(·)表示多尺度特征提取器中一个子结构的输出，J(·,·)表示交叉熵损失函数，λ>0是一个超参数，nsub等于多尺度特征抽取器中的子结构数，
Figure BDA0002523025650000133
是条件分布距离。通过上式可以使训练所提出的网络
Figure BDA0002523025650000134
能够准确地预测来自目标域的样本的标签。上式中超参数λ设定如下：
Figure BDA0002523025650000135
其中epochs是训练总次数，epoch是当前训练步数。
步骤4.3：利用SGD(随机梯度下降法)最小化多尺度高层次特征对齐目标函数，更新模型参数，训练模型。
Figure BDA0002523025650000136
其中θ是模型内的所有参数，θi表示第i个参数；l(θ)表示关于参数θ的目标函数,α是学习速率，即步长。
进一步的，所述步骤5具体包括以下步骤：
将目标域中无标签样本送入训练好的多尺度深度类内自适应卷积神经网络模型得到所有目标域样本的预测标签，并于事先人为标记但是没有参与训练过程的标签做对比，得到诊断精度，验证该模型的优越性。诊断精度计算公式如下：
Figure BDA0002523025650000137
其中sign()代表指示函数，yti是目标域中第i个样本的真实标签，
Figure BDA0002523025650000138
是模型对目标域中第i个样本的预测结果，nt是目标域中的样本总数。12个变工况下的诊断结果如图7所示。由诊断结果可知，12个变工况下的诊断任务平均精度达到了99.10％，标准差为0.0080，说明本发明在取得较高诊断精度的基础上，极大地提高了深度学习模型的通用性和泛化性，能很好地处理变工况下域漂移对基于传统深度学习的故障诊断方法的影响。
综上所述，本发明基于卷积神经网络和迁移学习算法设计了一种名为多尺度卷积类内自适应的故障诊断模型，与传统的深度学习方法相比，本发明能更好地减轻域漂移对深度学习模型造成的负面影响，更合符工业应用的实际场景，满足变工况下故障诊断的需求。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于，包括：
步骤1：采集不同工况下不同健康状态的轴承振动数据，每种工况下不同健康状态的轴承振动数据作为一个域，不同域的数据服从不同的分布，并对数据进行切割形成样本；
步骤2：对源域样本跟目标域样本做FFT，在训练阶段同时将源域有标签样本跟目标域无标签样本同时送入参数初始化的深度类内自适应卷积神经网络模型；
步骤3：深度类内自适应卷积神经网络模型中改进的ResNet-50提取样本的低层次特征，多尺度特征提取器在低层次特征的基础上进一步分析得到高层次特征作为分类器的输入，同时计算两个域样本高层次特征的之间的条件分布距离；
步骤4：将源域跟目标域条件分布距离和源域样本的标签误差结合在一起形成目标函数，利用随机梯度下降法对其进行优化，训练模型参数；
步骤5：将目标域样本集输入到已训练好的深度神经网络诊断模型，通过实际的输出标签值来定性、定量化判断该测试样本所属的故障类型以及故障大小，并与事先标记但没有参与训练的标签做对比，得到诊断精度。
2.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤1包括：
步骤1.1：建立不同工作负载的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布；
步骤1.2：以连续N个采样点为一个样本长度切割样本制作数据集，用
Figure FDA0002523025640000011
Figure FDA0002523025640000012
其中yi s∈{0,1,2，…，C-1}表示C种不同标签的样本组成的源域，其中xi s表示源域中第i个样本，yi s表示源域中第i个样本的标签，ns为源域中样本总数；用
Figure FDA0002523025640000021
表示没有标签的样本组成的目标域，其中xj t表示目标域中第j个样本，nt为目标域中所有的样本数；源域数据在概率分布Ps下采集，目标域数据在概率分布Pt下采集，Ps≠Pt；源域和目标域数据服从不同的分布。
3.根据权利要求2所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：步骤1.2中，源域所有带标签的样本及其标签和目标域中无标签的样本用于训练，目标域中样本的标签只用于测试过程，并不参与训练。
4.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤3包括：
步骤3.1：修改ResNet-50的结构，移除模型的最后两层，即全局平局池化跟用于分类的完全连接层；深度类内自适应卷积神经网络模型利用改进的ResNet-50提取样本的低层次特征，其过程过下：
g(x)＝f(x)
其中x表示经过FFT变换之后的频域样本，f()表示修改的ResNet-50，g(x)表示改进的ResNet-50对样本提取到的低层次特征；
步骤3.2：多尺度特征提取器的多路子结构进一步同时分析低层次特征得到高层次特征作为softmax分类器的输入，高层次特征的提取过程如下表示：
g(x)＝[g0(x),g1(x),…,gn-1(x)]
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数；Softmax函数表示如下：
Figure FDA0002523025640000022
其中qi表示样本属于标签i的概率，C是标签类别总数，vi是sofamax函数输入的第i个位置上的值；
步骤3.3：计算源域和目标域高层次特征的条件分布距离，但是由于训练过程中目标域样本的标签是未知的，匹配源域跟目标域的条件分布距离似乎是无法实现的，利用训练迭代过程中深度学习模型对目标域样本的预判结果作为伪标签来计算源域跟目标域的条件分布距离，其中多尺度特征提取器的一路子结构提取的特征条件分布距离公式如下：
Figure FDA0002523025640000031
其中
Figure FDA0002523025640000033
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数；
Figure FDA0002523025640000036
表示源域中标签为c的样本的第i个样本，
Figure FDA0002523025640000034
等于源域中标签为c的所有样本的数量，
Figure FDA0002523025640000037
代表目标域中伪标签为c的样本的第j个样本，
Figure FDA0002523025640000035
等于目标域中伪标签为c的所有样本的数量；上式用于估计类内条件分布Ps(xs|ys＝c)和Pt(xt|yt＝c)之间的差异；通过最小化上式可以减小源域和目标域的条件分布差异；由于高层次特征是由多路子结构同时提取而来，所以总的条件分布距离如下：
Figure FDA0002523025640000032
其中gi(x)为一路子结构的输出，i∈{0,1,2,……,n-1},n为特征提取器中的子结构总数；尽管训练过程中使用的目标域样本的伪标签而非真实标签，但随着迭代次数的增加，训练误差越来越小，伪标签会越来越逼近真实的标签，达到尽可能正确地分类目标域中样本的目的。
5.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤4包括：
步骤4.1：计算源域样本的标签训练预测误差，其过程由如下公式所示：
Figure FDA0002523025640000041
其中X表示源域所有样本的集合，y表示源域所有样本真实标签的集合；n为参与训练的样本个数，yi为第i个样本的真实标签，F(xi)为神经网络对第i个样本的预测结果；J(·,·)表示交叉熵损失函数，定义如下：
Figure FDA0002523025640000042
其中，当i是该样本的真实标签时pi等于1，否则pi等于0；qi是经过softmax激活函数后输出的概率；C是标签类别总数；
步骤4.2：将条件分布距离与源域样本的标签训练预测误差结合在一起形成要优化的多尺度高层次特征对齐目标函数，目标函数公式如下所示：
Figure FDA0002523025640000043
其中
Figure FDA0002523025640000045
表示模型输出函数，g(·)表示多尺度特征提取器中一个子结构的输出，J(·,·)表示交叉熵损失函数，λ>0是一个超参数，nsub等于多尺度特征抽取器中的子结构数，
Figure FDA0002523025640000047
是条件分布距离；通过上式可以使训练所提出的网络
Figure FDA0002523025640000046
能够准确地预测来自目标域的样本的标签。
6.根据权利要求5所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：超参数λ设定如下：
Figure FDA0002523025640000044
其中epochs是训练总次数，epoch是当前训练步数。
7.根据权利要求1所述的基于卷积神经网络和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤5中：
将目标域中无标签样本送入训练好的多尺度深度类内自适应卷积神经网络模型得到所有目标域样本的预测标签，并与事先人为标记但是没有参与训练过程的标签做对比，得到诊断精度，验证该模型的优越性。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN202010496380.8A 2020-06-03 2020-06-03 变工况下类内自适应轴承故障诊断方法 Active CN111651937B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010496380.8A CN111651937B (zh) 2020-06-03 2020-06-03 变工况下类内自适应轴承故障诊断方法
US17/616,663 US11886311B2 (en) 2020-06-03 2020-08-04 Intra-class adaptation fault diagnosis method for bearing under variable working conditions
PCT/CN2020/106705 WO2021243838A1 (zh) 2020-06-03 2020-08-04 变工况下类内自适应轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010496380.8A CN111651937B (zh) 2020-06-03 2020-06-03 变工况下类内自适应轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111651937A true CN111651937A (zh) 2020-09-11
CN111651937B CN111651937B (zh) 2023-07-25

Family

ID=72344941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010496380.8A Active CN111651937B (zh) 2020-06-03 2020-06-03 变工况下类内自适应轴承故障诊断方法

Country Status (3)

Country Link
US (1) US11886311B2 (zh)
CN (1) CN111651937B (zh)
WO (1) WO2021243838A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112613481A (zh) * 2021-01-04 2021-04-06 上海明略人工智能(集团)有限公司 一种基于频谱的轴承磨耗预警方法与系统
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN113094996A (zh) * 2021-04-16 2021-07-09 重庆大学 基于dda域自适应机制的智能故障迁移诊断方法
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法
CN113239610A (zh) * 2021-01-19 2021-08-10 昆明理工大学 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
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
CN113505531A (zh) * 2021-07-06 2021-10-15 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113591945A (zh) * 2021-07-15 2021-11-02 哈尔滨工程大学 一种跨功率水平的核动力装置故障诊断方法及系统
CN113821012A (zh) * 2021-08-30 2021-12-21 南京航空航天大学 一种用于变工况卫星姿态控制系统的故障诊断方法
CN113933054A (zh) * 2021-09-23 2022-01-14 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN114004252A (zh) * 2021-10-13 2022-02-01 苏州大学 一种轴承故障诊断的方法、装置以及设备
CN114252725A (zh) * 2021-11-05 2022-03-29 国网河南省电力公司电力科学研究院 基于HHT和ResNet18的单相接地故障类型综合辨识方法
CN114429152A (zh) * 2021-12-31 2022-05-03 苏州大学 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114429153A (zh) * 2021-12-31 2022-05-03 苏州大学 基于终身学习的齿轮箱增量故障诊断方法及系统

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114383844B (zh) * 2021-12-15 2023-06-23 太原理工大学 一种基于分布式深度神经网络的滚动轴承故障诊断方法
CN114754988A (zh) * 2021-12-26 2022-07-15 中国船舶工业综合技术经济研究院 一种基于堆栈形态卷积网络的机械旋转部件故障诊断方法
CN114282579A (zh) * 2021-12-30 2022-04-05 浙大城市学院 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN114742122A (zh) * 2022-02-25 2022-07-12 中国科学院自动化研究所 设备故障诊断方法、装置、电子设备以及存储介质
CN114638060B (zh) * 2022-03-10 2023-02-17 重庆英科铸数网络科技有限公司 故障预测方法、系统、电子设备
CN114429009B (zh) * 2022-04-07 2022-07-29 中国石油大学(华东) 一种基于元迁移学习的小样本有杆泵井工况诊断方法
CN114444620B (zh) * 2022-04-08 2022-07-22 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN114863117A (zh) * 2022-04-17 2022-08-05 北京化工大学 一种基于数据增强和加权域适应的开集故障诊断方法
CN114861718B (zh) * 2022-04-29 2024-06-14 合肥工业大学 基于改进深度残差算法的轴承故障诊断方法及系统
CN114858467B (zh) * 2022-05-26 2023-05-26 上海交通大学 柴油机抗噪和跨噪声域失火诊断方法及系统
CN115114848B (zh) * 2022-06-13 2023-12-26 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统
CN114757239B (zh) * 2022-06-15 2022-08-30 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN115130622B (zh) * 2022-08-31 2023-02-07 中国电子工程设计院有限公司 一种用于故障诊断的基础设施运行数据处理方法及装置
CN115481666B (zh) * 2022-10-08 2023-10-27 兰州理工大学 一种齿轮箱小样本故障诊断方法、系统及设备
CN115773883B (zh) * 2022-11-07 2024-08-20 苏州大学 双生成器协同域对抗轴承故障诊断方法及系统
CN115935250B (zh) * 2022-11-10 2023-10-27 天地(常州)自动化股份有限公司北京分公司 基于差分振子和领域自适应混合模型故障诊断方法及系统
CN115659258B (zh) * 2022-11-10 2024-04-30 国网山东省电力公司德州供电公司 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN116242609B (zh) * 2022-11-23 2024-05-14 广东石油化工学院 一种变工况轴承故障诊断方法、系统、介质、设备及终端
CN116007937B (zh) * 2022-12-08 2024-09-06 苏州大学 一种机械设备传动部件智能故障诊断方法及装置
CN116106008B (zh) * 2022-12-28 2024-09-06 苏州大学 一种基于分类器差异软权自适应网络的故障诊断方法
CN115964661B (zh) * 2023-01-04 2023-09-08 东北林业大学 基于域对抗网络的旋转机械故障诊断方法和系统
CN116304886A (zh) * 2023-05-12 2023-06-23 江苏网进科技股份有限公司 一种基于机器学习的元数据智能分类方法和存储介质
CN116310599B (zh) * 2023-05-17 2023-08-15 湖北工业大学 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统
CN116625689B (zh) * 2023-05-24 2023-12-22 石家庄铁道大学 基于smder的滚动轴承故障诊断方法及系统
CN116522998A (zh) * 2023-06-16 2023-08-01 嘉洋智慧安全科技(北京)股份有限公司 信息处理方法、装置、设备及介质
CN116502072B (zh) * 2023-06-27 2023-09-08 北京理工大学 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法
CN116520270B (zh) * 2023-07-04 2023-09-05 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
CN116704266B (zh) * 2023-07-28 2023-10-31 国网浙江省电力有限公司信息通信分公司 一种电力设备故障检测方法、装置、设备及存储介质
CN116975731B (zh) * 2023-08-08 2024-02-20 山东大学 一种基于迁移学习的跨域刀具破损监测方法及系统
CN117312980A (zh) * 2023-08-22 2023-12-29 中国矿业大学 基于部分域适应和知识蒸馏的旋转设备故障诊断方法
CN116821697B (zh) * 2023-08-30 2024-05-28 聊城莱柯智能机器人有限公司 一种基于小样本学习的机械设备故障诊断方法
CN117370851B (zh) * 2023-08-31 2024-04-16 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法
CN116878885B (zh) * 2023-09-04 2023-12-19 佛山科学技术学院 一种基于自适应联合域适应网络的轴承故障诊断方法
CN116992336B (zh) * 2023-09-04 2024-02-13 南京理工大学 一种基于联邦局部迁移学习的轴承故障诊断方法
CN117473412B (zh) * 2023-09-08 2024-05-07 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
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
CN116910493B (zh) * 2023-09-12 2023-12-08 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置
CN116992954A (zh) * 2023-09-26 2023-11-03 南京航空航天大学 一种基于umap数据降维的相似度度量迁移学习方法
CN117349749B (zh) * 2023-10-09 2024-03-15 石家庄铁道大学 基于混合卷积的多源域轴承故障诊断方法
CN117312962A (zh) * 2023-11-28 2023-12-29 中国计量大学 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
CN117743855A (zh) * 2023-12-25 2024-03-22 广东石油化工学院 一种基于pda-bls模型的部分域适配的故障诊断方法及系统
CN117708508B (zh) * 2024-02-06 2024-04-30 深圳宇翊技术股份有限公司 隔离开关刀闸寿命预测方法、装置、设备及存储介质
CN117786507B (zh) * 2024-02-27 2024-04-30 中国海洋大学 全局和局部特征耦合指导的滚动轴承未知故障检测方法
CN118171147B (zh) * 2024-03-27 2024-10-01 哈尔滨理工大学 基于孪生多尺度残差网络的滚动轴承小样本故障诊断方法
CN117961976B (zh) * 2024-03-29 2024-06-21 湖南大学 基于生成扩散迁移的装配机器人在线检测方法及装置
CN118152901B (zh) * 2024-05-13 2024-07-26 西北工业大学 基于数据驱动的设备故障预测方法及系统
CN118503756A (zh) * 2024-05-20 2024-08-16 东北石油大学 基于时空聚类和改进残差网络风电变桨轴承损伤识别诊断方法
CN118410306B (zh) * 2024-07-02 2024-08-27 浙江大学 一种滚动轴承故障跨设备深度域自适应迁移诊断方法
CN118468144B (zh) * 2024-07-12 2024-09-24 山东大学 基于扩散模型域适应的深海潜水器故障诊断方法及系统
CN118690179A (zh) * 2024-08-27 2024-09-24 福建省新华都工程有限责任公司 特征提取优化方法、故障预测方法、处理器及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
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
US20190325861A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques
CN110866365A (zh) * 2019-11-22 2020-03-06 北京航空航天大学 基于部分迁移卷积网络的机械设备智能故障诊断方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4114879B2 (ja) * 2005-01-21 2008-07-09 インターナショナル・ビジネス・マシーンズ・コーポレーション トレース情報収集システム、トレース情報収集方法、及びトレース情報収集プログラム
US8930775B2 (en) * 2011-11-28 2015-01-06 International Business Machines Corporation Preventing disturbance induced failure in a computer system
US9710695B2 (en) * 2013-03-15 2017-07-18 Sony Corporation Characterizing pathology images with statistical analysis of local neural network responses
US20130219372A1 (en) * 2013-03-15 2013-08-22 Concurix Corporation Runtime Settings Derived from Relationships Identified in Tracer Data
CN104792530B (zh) * 2015-04-15 2017-03-22 北京航空航天大学 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
US10885438B2 (en) * 2015-12-28 2021-01-05 Microsoft Technology Licensing, Llc Self-stabilized deep neural network
US11120337B2 (en) * 2017-10-20 2021-09-14 Huawei Technologies Co., Ltd. Self-training method and system for semi-supervised learning with generative adversarial networks
US11449363B2 (en) * 2018-05-31 2022-09-20 Neuralmagic Inc. Systems and methods for improved neural network execution
US20190385055A1 (en) * 2018-06-14 2019-12-19 Electronics And Telecommunications Research Institute Method and apparatus for artificial neural network learning for data prediction
CN109765053B (zh) * 2019-01-22 2022-04-29 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109902399B (zh) * 2019-03-01 2022-07-19 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
US20200342306A1 (en) * 2019-04-25 2020-10-29 International Business Machines Corporation Autonomous modification of data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
US20190325861A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
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
CN110866365A (zh) * 2019-11-22 2020-03-06 北京航空航天大学 基于部分迁移卷积网络的机械设备智能故障诊断方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112629863B (zh) * 2020-12-31 2022-03-01 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
US12044595B2 (en) 2020-12-31 2024-07-23 Soochow University Dynamic joint distribution alignment network-based bearing fault diagnosis method under variable working conditions
WO2022141669A1 (zh) * 2020-12-31 2022-07-07 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112613481A (zh) * 2021-01-04 2021-04-06 上海明略人工智能(集团)有限公司 一种基于频谱的轴承磨耗预警方法与系统
CN113239610A (zh) * 2021-01-19 2021-08-10 昆明理工大学 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
CN113094996A (zh) * 2021-04-16 2021-07-09 重庆大学 基于dda域自适应机制的智能故障迁移诊断方法
CN113094996B (zh) * 2021-04-16 2023-05-16 重庆大学 基于dda域自适应机制的智能故障迁移诊断方法
CN113103068B (zh) * 2021-04-19 2022-03-29 大连理工大学 一种基于深度迁移学习的刀具状态监测方法
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法
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
CN113505531A (zh) * 2021-07-06 2021-10-15 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113505531B (zh) * 2021-07-06 2023-11-21 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113591945A (zh) * 2021-07-15 2021-11-02 哈尔滨工程大学 一种跨功率水平的核动力装置故障诊断方法及系统
CN113821012B (zh) * 2021-08-30 2023-12-29 南京航空航天大学 一种用于变工况卫星姿态控制系统的故障诊断方法
CN113821012A (zh) * 2021-08-30 2021-12-21 南京航空航天大学 一种用于变工况卫星姿态控制系统的故障诊断方法
CN113933054A (zh) * 2021-09-23 2022-01-14 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN113933054B (zh) * 2021-09-23 2024-04-09 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN114004252A (zh) * 2021-10-13 2022-02-01 苏州大学 一种轴承故障诊断的方法、装置以及设备
CN114252725A (zh) * 2021-11-05 2022-03-29 国网河南省电力公司电力科学研究院 基于HHT和ResNet18的单相接地故障类型综合辨识方法
CN114429152A (zh) * 2021-12-31 2022-05-03 苏州大学 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN114429153A (zh) * 2021-12-31 2022-05-03 苏州大学 基于终身学习的齿轮箱增量故障诊断方法及系统
CN114429153B (zh) * 2021-12-31 2023-04-28 苏州大学 基于终身学习的齿轮箱增量故障诊断方法及系统

Also Published As

Publication number Publication date
US20220327035A1 (en) 2022-10-13
CN111651937B (zh) 2023-07-25
WO2021243838A1 (zh) 2021-12-09
US11886311B2 (en) 2024-01-30

Similar Documents

Publication Publication Date Title
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
WO2023044978A1 (zh) 基于对抗流模型的机械设备无监督故障诊断方法
Zhang et al. Instance-based ensemble deep transfer learning network: A new intelligent degradation recognition method and its application on ball screw
Yang et al. A multi-source ensemble domain adaptation method for rotary machine fault diagnosis
CN105738109B (zh) 基于稀疏表示与集成学习的轴承故障分类诊断方法
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
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
Jin et al. A multi-scale convolutional neural network for bearing compound fault diagnosis under various noise conditions
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
CN109034076A (zh) 一种机械故障信号的自动聚类方法及自动聚类系统
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
Kumar et al. Knowledge addition for improving the transfer learning from the laboratory to identify defects of hydraulic machinery
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
Chen et al. Gearbox fault diagnosis method based on deep learning multi-task framework
CN113933054A (zh) 一种滚动轴承故障监测诊断方法、设备、介质及处理器
Wei et al. Few-shot bearing fault diagnosis using GAVMD–PWVD time–frequency image based on meta-transfer learning
Shaw et al. Prediction of remaining useful life of wind turbine shaft bearings using machine learning
Hu et al. Fault diagnosis for rotor based on multi-sensor information and progressive strategies
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Liu et al. Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes
Vazifeh et al. Fault diagnosis based on wavelet entropy feature extraction and information fusion
CN116010805B (zh) 基于卷积神经网络的滚动轴承故障特征提取方法、装置

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