CN111709448A - 一种基于迁移关系网络的机械故障诊断方法 - Google Patents
一种基于迁移关系网络的机械故障诊断方法 Download PDFInfo
- Publication number
- CN111709448A CN111709448A CN202010431513.3A CN202010431513A CN111709448A CN 111709448 A CN111709448 A CN 111709448A CN 202010431513 A CN202010431513 A CN 202010431513A CN 111709448 A CN111709448 A CN 111709448A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- migration
- sample
- relationship network
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 78
- 230000005012 migration Effects 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 32
- 230000036541 health Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 22
- 238000005096 rolling process Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000001172 regenerating effect Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002472 multi-metal deposition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/21—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (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)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于迁移关系网络的机械故障诊断方法，包括：构建迁移关系网络的源域和目标域数据；构建迁移关系网络样本的训练集和测试集；构建能够检测机械故障类型的迁移关系网络；对迁移关系网络进行训练得到机械故障诊断模型以及对最终的模型进行测试和性能评估。本发明首次提出结合元学习中关系网络与迁移学习的具有Siamese结构的迁移关系网络。利用Siamese结构构造了一个双通道关系网络，分别输入源域全部数据和目标域的无标签数据，增训练时充分考虑了目标域的信息，大大的增加了故障诊断的准确率。MK‑MMD融合到网络中，有效缩小了两个不同领域之间的概率分布距离，使实验室数据运用到实际的机械故障诊断成为可能。
Description
技术领域
本发明属于机器学习技术领域，具体涉及一种基于迁移关系网络的机械故障诊断方法。
背景技术
随着工业互联网、物联网技术的快速兴起与蓬勃发展，机械装备的多源传感器网络密集排布、监测数据交互量与日俱增，使机械故障诊断步入“大数据”时代，这为全面掌握装备的健康服役状态提供了大信息、大知识，而如何有效挖掘机械大数据背后的潜在价值成为大数据驱动下保障装备安全运行的前沿热点与研究难点。
故障智能诊断通过自动提取机械监测数据中隐含的故障信息，智能识别装备的健康状态，成为大数据下保障机械装备安全运行的重要手段。近年来，涉及机械故障智能诊断的相关研究层出不穷。然而，这些研究一般基于典型故障信息丰富、健康标记信息充足的假设。在工程实际中，上述假设却很难满足，原因在于工程实际装备的监测数据具有如下特点：①价值密度低，即有标记的故障数据很难从某些机器中获得，获得的数据中无故障数据占据大多数。②可利用率低，装备在长期运行过程中，积累了海量监测数据，但其中可用于故障诊断的带健康标记信息的数据匮乏。
如何解决数据稀缺的问题，是机械故障诊断的关键所在。
迁移学习是运用已学习到的知识对不同但相关领域问题进行求解的新的一种机器学习方法，它放宽了传统机器学习中的两个基本假设：用于学习的训练样本与新的测试样本满足独立分布；必须有足够可用的训练样本才能学习得到性能可靠的分类模型，在故障诊断领域，迁移学习的相关研究方兴未已。目前的研究表明：已有机械的故障诊断知识能够用于识别具有相关故障信息的机械健康状态；缩小因变工况、不同环境干扰等因素引入的数据分布差异是迁移学习应用于机械故障智能诊断的关键；深度学习能够自适应表征机械监测数据中对环境工况、随机干扰等鲁棒的故障特征，有助于抑制但无法消除数据分布差异。
目前的研究仍存在以下待解决的问题：已有研究均局限于同一机械于不同运行工况或测试环境之间的迁移诊断任务，不同机械间的深度迁移诊断存在准确率低的问题，其方法有效性基于假设——所诊断机械在单一工况或测试环境下获取的可用监测数据充足，这与工程实际装备的监测数据特点，即故障信息不足、标记信息匮乏不符，难以适应和满足机械故障智能诊断的工程应用需求；已有工作对知识迁移载体的性质研究不足，且忽略了诊断知识的源机械与目标机械之间的相关程度，导致故障的迁移诊断机制不清，制约了机械故障智能诊断模型由个体性应用向普适性应用的转化。
发明内容
为解决现有技术中存在的问题，本发明的目的在于提供一种基于迁移关系网络的机械故障诊断方法，本发明提出的迁移关系网络可利用少量的数据完成高准确率的机器故障诊断任务。本发明的方法应用在机械制造故障诊断领域，能够在机械故障发生的初期及时进行检测并诊断，以解决上述现有技术的不足。
为了实现上述目的，本发明采用如下技术方案：
一种基于迁移关系网络的机械诊断方法，包括以下步骤：
步骤1：构建迁移关系网络的源域和目标域数据；
步骤2：构建迁移关系网络样本的训练集和测试集；
步骤3：构建能够检测机械故障类型的迁移关系网络；
步骤3中，将少样本学习中的关系网络与Siamese结构相结合，形成一个用于故障诊断的双通道权值共享网络。在多个层中采用了多核最大均值差异(MK-MMD)进行域适配。
迁移关系网络由特征提取网络模块和关系网络模块两个部分构成，其中特征提取模块将提取来自Siamese双通道的样本故障表示特征，将两个通道特征提取网络输出的特征向量拼接后，输入至关系网络模块。关系网络模块计算两个连接特征之间的关系分数，分数越高，两个向量越相似。在迁移关系网络中，使用样本向量和查询向量作为网络的输入，样本向量作为模板向量，另一个查询向量即为待测向量。根据查询向量对不同类别模板向量的关系分数，可以对查询样本进行分类，简单来说，查询样本将被分类为关系得分最高的类别。
步骤4：使用步骤2得到的训练集对步骤3构建的迁移关系网络进行训练得到机械故障诊断模型，获取机械故障诊断模型的最佳参数；
步骤5：用步骤2得到的目标域测试集对步骤3得到的机械故障诊断模型进行测试，检验迁移关系网络性能。
所述步骤1中，本发明中使用美国西储大学和NASA实验平台采集到的滚动轴承健康状态数据作为源域数据，其具有数据量大，故障种类多，单位价值高，可利用率高的特点，适用于机械故障诊断网络的训练。采用的源域数据为一维的振动信号，包含4类健康状态：健康状态、滚动轴承内环故障，滚动轴承滚珠故障，滚动轴承外环故障。每次实验的源域只采用一种实验平台的数据。
本发明使用实际的火车滚动轴承健康状态数据作为目标域数据。该数据源自运行工况的铁路机车轴承，为一维时间振动序列，包含和源域相同的四种健康状态。
所述步骤2中，迁移关系网络的训练集由源域数据和没有带标签的目标域数据构成，每次实验时，训练集都包括源域和目标域数据，其中源域样本404个，其中4类健康状态各101个样本，目标域数据200个样本，每一类健康状态有50个样本。源域数据全部带有标签，其中健康状态加标签0、滚动轴承内环故障加标签1，滚动轴承滚珠故障加标签2，滚动轴承外环故障加标签3，为模拟实际机械故障诊断中数据价值少的问题，训练集中目标域数据没有标签。
测试集由目标域全部构成，目标域共有204个样本，每一类健康状态包含51个样本。将训练集测试集中的所有样本归一化为1×1024，用于网络的测试。
训练集和测试集都是均衡样本集合，各类健康状态的样本数一致。
所述步骤3中，特征提取网络FeatureNet模块和关系网络RelationNet模块都是以两个通道权值共享卷积网络的形式构造的。每个通道中的特征提取网络模块都是由3层卷积层和3层平均池化层构成；输入源域查询集的通道中关系网络模块由2层卷积层、2层平均池化层和2层全连接层以及1个输出层构成；输入目标域查询集的通道中关系网络模块由由2层卷积层、2层平均池化层和2层全连接层构成。考虑到故障诊断输入数据是振动数据，为典型的时间序列信号，为了抑制序列中可能存在的噪声，本发明采用了平均池化的方法。
所构建的特征提取网络有6层，包括3个卷积层和3个平均池化层。其中第1层，第3层，第5层为卷积层；第2层，第4层，第6层为平均池化层。
对于输入源域查询集的通道中，关系网络模块有7层，包括2个卷积层，2个平均池化层，2个全连接层以及一个输出层。其中第1层，第3层为卷积层，第2层，第4层为平均池化层；第5层，第6层为全连接层，每个全连接层的神经元个数分别为1×512，1×256；第7层为分类输出层，神经元个数为4×1，激活函数为softmax。
对于输入目标域查询集的通道中，关系网络模块有6层，包括2个卷积层，2个平均池化层以及2个全连接层。其中第1层，第3层为卷积层，第2层，第4层为平均池化层；第5层，第6层为全连接层，每个全连接层的神经元个数分别为1×512，1×256。在迁移关系网络中，卷积层对应的卷积核数量均为20个，卷积核大小均为1×3，步长均为1，池化层大小为1×2，步长为2，在池化层之前有一个ReLU激活函数。在所有的全连接层之后同样使用ReLU激活函数。
在每层卷积层进行Batch Normalization处理，Batch Normalization处理即为批归一化，使卷积层构成为Conv+BN+ReLU模式，对于以上所有的每个卷积层之后都有一个批处理标准化(BN)层。
对于一批m个数据x1，x2，......xm，γ和β是两个可学习的参数，这批m个数据进行批归一化处理后的输出为y1，y2，......，ym；
批归一化的具体过程为：
先计算当前这批m个数据的均值μB和方差
然后对每一个数据进行归一化：
最后对归一化的数据进行缩放和变换：
本发明将基于MK-MMD的邻域适配添加到三个层中，以减少源域和目标域之间的数据分布差异。领域自适应是通过最小化训练中源域样本和目标域样本之间的MK-MMD来实现的。在故障诊断领域中，来自源域和目标域的数据的概率分布是不同的。为了使不同域之间能够适应，需要评估它们的概率分布之间的差异。多核最大平均偏差(MK-MMD)，通过选择合适的特征核函数，将不同域样本平均嵌入到再生核希尔伯特空间(RKHS)中，从而估计出两个域之间的概率分布差异。
最大平均差异(MMD)是迁移学习领域中的一个重要概念，描述了两个域的分布差异。
其中Xs为源域的样本空间，Xt为目标域的样本空间，
为两个样本空间在再生核希尔伯特空间(RKHS)中的距离，xs∈Xs为源域样本空间中的样本，xt∈Xt为目标域样本空间中的样本，ns为源域的样本数量，nt为目标域的样本数量，f(·)为样本到RKHS空间中的映射，k(·，·)为高斯核函数运算。
由于单核的MMD描述两个域数据之间距离的能力相对较弱，本实例采用多核MMD即MK-MMD，其表达式如下：
其中nb是mini-batch中的样本数，θ是网络参数，βu是MK-MMD中不同核函数的权重。
所述步骤4中，损失函数包括两个部分：源域数据分类损失函数，源域目标域之间领域自适应的损失函数。损失函数表达式如下：
其中，
为源域训练时的分类损失函数，
为MK-MMD损失函数，λ为领域自适应损失函数的权值。本实例中采用了交叉熵函数作为源域训练时的损失函数，其表达式如下：
其中，
为第i个样本的预测为真实标签的概率，
为相应的真实标签。
对迁移关系网络的训练过程包括如下步骤：
1)初始化迁移关系网络；
2)将步骤2所得到的全部带标签的源域数据和不带标签的目标域数据作为最终的训练集，输入迁移关系网络，计算输出；
3)使用链式求导法则计算步骤2得到的输出相对于损失函数的梯度；以初始学习率为0.005，学习率不断递减来对参数进行调整；
4)不断重复步骤2)至步骤3)，循环迭代直至损失函数收敛，最终得到机械故障诊断模型。
所述步骤5中：使用步骤2得到的目标域数据作为测试集，模板样本仍然使用源域的数据，将处理好的样本输入训练好的迁移关系网络的特征提取模块中，提取得到各自的feature map后，将其拼接起来，输入关系网络模块，并计算处相应的关系得分，本实例中采用的是4waylshot的关系网络，所以将得到4个分数，每个分数对应着待测样本属于各个类的概率，分数越高，说明待测样本与该模板样本的故障类型越匹配，从而达到分类的目的。例如输出向量为(0.1，0.1，0.0，0.8)则代表该待测样本属于第四类健康状态的概率最大。
相对于现有技术，本发明具有以下有益效果：
本发明基于迁移学习与元学习，从少样本学习的角度出发，构建了迁移关系网络，属于目前机械故障诊断领域中的一种创新。关系网络能够对样本之间进行有效的相似度比较，在数据量小的情况下能够获得良好的分类性能。而多个MK-MMD融合到网络中，其性能优于目前广泛使用的MMD迁移学习方法，有效的缩小了两个不同领域之间的概率分布距离，使实验室数据运用到实际的机械故障诊断成为可能。利用Siamese结构构造了一个双通道关系网络，分别输入源域全部数据和目标域的无标签数据，现实社会中的无标注信息相对容易获得，使得迁移关系网络的应用前景大大提高。此外，在提出的迁移关系网络中，平均池化替代了常用的最大池化，有效的消除了振动时间序列中可能的噪音。目前已经进行了大量的实验，验证所提出的迁移关系网络在机械故障诊断中的效率。迁移关系网络模型在带标签的源域数据集和目标域中小部分未标记样本上进行训练，并在目标域数据集上进行测试，已经达到了97％的准确率，而使用相同数据集的其他迁移故障诊断方法最高准确率为89.7％，准确率显著提升，证实了本实例的有效性。
附图说明
图1是基于迁移关系网络的机械故障诊断流程示意图；
图2是本发明实例迁移关系网络中特征提取模块和关系网络模块构成图；
图3是本发明实施例中迁移关系网络的单通道的网络结构图；
图4是本发明实施例中迁移关系网络的具体网络结构图；
具体实施方式
下面结合附图和实例对本发明的具体实施方式作进一步详细描述。以下实施用于解释本发明，但不用来限制本发明的范围。
如图1所示，本发明基于迁移关系网络的机械诊断方法，包括以下步骤：
步骤1：迁移学习是运用已学习到的知识对不同但相关领域问题进行求解的一种机器学习方法。简单的说，就是在一个领域上学习到的知识，通过迁移学习的方法，完成对一个新的邻域的应用。因此，区别于传统的深度学习，深度迁移学习的样本需要源域数据和目标域数据，利用已有的源域数据去解决工程实际中样本量稀缺的目标域问题，这是迁移学习的目标。本发明中使用多个实验平台采集到的滚动轴承健康状态数据作为源域数据，其具有数据量大，故障种类多，单位价值高，可利用率高的特点，适用于机械故障诊断网络的训练。本发明采用的源域数据为一维的振动信号，不同实验平台的数据采样频率，采样工况都不一样，但都包含4类健康状态：健康工况、滚动轴承内环故障，滚动轴承滚珠故障，滚动轴承外环故障。每次实验的源域只采用一种实验平台的数据。
本发明使用收集的实际火车滚动轴承健康状态数据作为目标域数据。该数据源自运行工况的铁路机车轴承，为一维时间振动序列，包含和源域相同的四种健康状态。
步骤2：利用源域和目标域数据，构建迁移关系网络样本的训练集和测试集；
本实例中每个数据集都有四类不同的健康状态，每一类都有较大时间跨度的采样点，本实例使用步长和宽度一致的滑窗，将每数据集中的每一类，分成没有重复部分的101个样本，每一个样本的采样点为1024个。
深度迁移网络的训练集由源域数据和没有带标签的目标域数据构成，每次实验时，训练集都包括源域和目标域数据，其中源域样本404个，其中4类健康状态各100个样本，目标域数据200个样本，每一类健康状态有50个样本。源域数据全部带有标签，其中健康状态加标签0、滚动轴承内环故障加标签1，滚动轴承滚珠故障加标签2，滚动轴承外环故障加标签3，为模拟实际机械故障诊断中数据价值少的问题，本实例中目标域数据没有标签。
测试集由目标域全部构成，目标域共有204个样本，每一类健康状态包含51个样本。将训练集测试集中的所有样本归一化为1×1024，用于网络的测试。
训练集和测试集都是均衡样本集合，各类健康状态的样本数一致。
步骤3：构建能够检测机械故障类型的迁移关系网络；
将少样本学习中的关系网络与Siamese结构相结合，形成一个用于故障诊断的双通道权值共享网络。在多个层中采用了多核最大均值差异MK-MMD进行域适配。
为了清楚地说明迁移关系网络的组成，图3给出了网络中一个通道的简要架构。通道由特征提取网络模块和关系网络模块两个部分构成，其中特征提取模块将提取来自Siamese双通道的样本故障表示特征，将两个通道特征提取网络输出的特征向量拼接后，输入至关系网络模块。关系网络模块计算两个连接特征之间的关系分数，分数越高，两个向量越相似。在迁移关系网络中，使用样本向量和查询向量作为网络的输入，样本向量作为模板向量，另一个查询向量即为待测向量。关系得分揭示了模板和查询样本之间的相似性，其中模板样本的类别是已知的。根据查询向量对不同类别模板向量的关系分数，可以对查询样本进行分类，简单来说，查询样本将被分类为关系得分最高的类别。模板样本来自源域的标记数据，查询样本可能来自源域或目标域。
图4给出了迁移关系网络的详细双通道结构。特征提取网络FeatureNet模块和关系网络RelationNet模块都是以两个通道权值共享卷积网络的形式构造的。每个通道中的特征提取网络模块都是由3层卷积层和3层平均池化层构成；输入源域查询集的通道中关系网络模块由2层卷积层、2层平均池化层和2层全连接层以及1个输出层构成；输入目标域查询集的通道中关系网络模块由2层卷积层、2层平均池化层和2层全连接层构成。考虑到故障诊断输入数据是振动数据，为典型的时间序列信号，为了抑制序列中可能存在的噪声，本发明采用了平均池化的方法。
所构建的特征提取网络有6层，包括3个卷积层和3个平均池化层。其中第1层，第3层，第5层为卷积层；第2层，第4层，第6层为平均池化层。。
对于输入源域查询集的通道中，关系网络模块有7层，包括2个卷积层，2个平均池化层，2个全连接层以及一个输出层。其中第1层，第3层为卷积层，第2层，第4层为平均池化层；第5层，第6层为全连接层，每个全连接层的神经元个数分别为1×512，1×256；第7层为分类输出层，神经元个数为4×1，激活函数为softmax。
对于输入目标域查询集的通道中，关系网络模块有6层，包括2个卷积层，2个平均池化层以及2个全连接层。其中第1层，第3层为卷积层，第2层，第4层为平均池化层；第5层，第6层为全连接层，每个全连接层的神经元个数分别为1×512，1×256。
在迁移关系网络中，卷积层对应的卷积核数量均为20个，卷积核大小均为1×3，步长均为1，池化层大小为1×2，步长为2，在池化层之前有一个ReLU激活函数。在所有的全连接层之后同样使用ReLU激活函数。
在每层卷积层进行Batch Normalization处理，即批归一化，使卷积层构成为Conv+BN+ReLU模式，对于以上所有的每个卷积层之后都有一个批处理标准化(BN)层。对于一批m个数据x1，x2，......xm，γ和β是两个可学习的参数，这批m个数据进行批归一化处理后的输出为y1，y2，......，ym；
批归一化的具体过程为：
先计算当前这批m个数据的均值μB和方差
然后对每一个数据进行归一化：
最后对归一化的数据进行缩放和变换：
将基于MK-MMD的邻域适配添加到三个层中，以减少源域和目标域之间的数据分布差异，包括特征提取网络模块FeatureNet的第3个卷积层(C3层)、关系网络模块RelationNet的前两个全连接层(FC1和FC2)。C3卷积层是模块中最高的一层，用于从输入数据中提取特征，因此，对C3层加入邻域自适应。在关系网络模块中，卷积层的作用是计算两个连接的特征向量的关系分数，因此在这些卷积层中没有添加领域自适应。在迁移关系网络的最高层，即关系网络模块的FC1和FC2全连通层中，采用了基于MK-MMD的域适配。
领域自适应是通过最小化训练中源域样本和目标域样本之间的MK-MMD来实现的。在故障诊断领域中，来自源域和目标域的数据的概率分布是不同的。为了使不同域之间能够适应，需要评估它们的概率分布之间的差异。多核最大平均偏差(MK-MMD)，通过选择合适的特征核函数，将不同域样本平均嵌入到再生核希尔伯特空间(RKHS)中，从而估计出两个域之间的概率分布差异。
最大平均差异(MMD)是迁移学习领域中的一个重要概念，描述了两个域的分布差异。
其中Xs为源域的样本空间，Xt为目标域的样本空间，
为两个样本空间在再生核希尔伯特空间(RKHS)中的距离，xs∈Xs为源域样本空间中的样本，xt∈Xt为目标域样本空间中的样本，ns为源域的样本数量，nt为目标域的样本数量，f(·)为样本到RKHS空间中的映射，k(·，·)为高斯核函数运算。
由于单核的MMD描述两个域数据之间能力相对较弱，本实例采用多核MMD即MK-MMD，其表达式如下：
其中nb是mini-batch中的样本数，θ是网络参数，βu是MK-MMD中不同核函数的权重。
步骤4：使用步骤2得到的训练集对步骤3构建的迁移关系网络进行训练得到机械故障诊断模型，获取机械故障诊断模型的最佳参数；
训练中，损失函数包括两个部分：源域数据分类损失函数，源域目标域之间领域自适应的损失函数。损失函数表达式如下：
其中，
为源域训练时的分类损失函数，
为MK-MMD损失函数，λ为领域自适应损失函数的权值。本实例中采用了交叉熵函数作为源域训练时的损失函数，其表达式如下：
其中，
为第i个样本的预测为真实标签的概率，
为相应的真实标签。
本实例中，使用Adam优化器，通过对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长，对网络中的参数进行更新。其具有实现简单，计算高效，对内存需求少参数的更新不受梯度的伸缩变换影响，超参数具有很好的解释性，且通常无需调整或仅需很少的微调等特点。
步骤4中，对迁移关系网络的训练过程包括如下步骤：
1)初始化迁移关系网络；
2)将步骤2所得到的全部带标签的源域数据和不带标签的目标域数据作为最终的训练集，输入迁移关系网络，计算输出；
3)使用链式求导法则计算步骤2得到的输出相对于损失函数的梯度；以初始学习率为0.005，学习率不断递减来对参数进行调整；
4)不断重复步骤2)至步骤3)，循环迭代直至损失函数收敛，最终得到机械故障诊断模型；
步骤5：用步骤2得到的目标域测试集对步骤3得到的机械故障诊断模型进行测试，检验迁移关系网络性能。
步骤5的具体过程为：使用步骤2得到的目标域数据作为测试集，模板样本仍然使用源域的数据，将处理好的样本输入训练好的迁移关系网络的特征提取模块中，提取得到各自的feature map后，将其拼接起来，输入关系网络模块，并计算处相应的关系得分，本实例中采用的是4way1shot的关系网络，所以将得到4个分数，每个分数对应着待测样本属于各个类的概率，分数越高，说明待测样本与该模板样本的故障类型越匹配，从而达到分类的目的。例如输出向量为(0.1，0.1，0.0，0.8)则代表该待测样本属于第四类健康状态的概率最大。
Claims (9)
1.一种基于迁移关系网络的机械故障诊断方法，其特征在于，包括以下步骤：
步骤1：收集迁移关系网络的源域和目标域数据；
步骤2：构建迁移关系网络样本的训练集和测试集；
步骤3：构建能够检测机械故障类型的迁移关系网络；
将少样本学习中的关系网络与Siamese结构相结合，在多个层中采用了多核最大均值差异MK-MMD进行领域适配，构造一个用于故障诊断的双通道权值共享网络；
迁移关系网络由特征提取网络和关系网络两个部分构成，其中特征提取模块将提取来自Siamese双通道的样本特征，将两个通道特征提取网络输出的特征向量拼接后，输入至关系网络模块，关系网络模块计算两个连接特征之间的关系分数，分数越高，两个向量越相似，在迁移关系网络中，使用样本向量和查询向量作为网络的输入，样本向量作为模板向量，查询向量即为待测向量，关系得分揭示了模板和查询样本之间的相似性，其中模板样本的类别是已知的，根据查询向量对不同类别模板向量的关系分数，可以对查询样本进行分类；
步骤4：使用步骤2得到的训练集对步骤3构建的迁移关系网络进行训练得到机械故障诊断模型，获取机械故障诊断模型的最佳参数；
步骤5：用步骤2得到的目标域测试集对步骤3得到的机械故障诊断模型进行测试，检验迁移关系网络性能。
2.根据权利要求1所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，使用美国西储大学和NASA收集的旋转机械故障数据集作为源域数据，该数据为一维的振动信号，包含4类健康状态：健康工况、滚动轴承内环故障，滚动轴承滚珠故障，滚动轴承外环故障；
区别于传统机械故障诊断方法中目标域使用实验室收集的数据，使用实际的火车滚动轴承健康状态数据作为目标域数据，有更高的实际应用价值，该数据源自运行工况的铁路机车轴承，为一维时间振动序列，包含和源域相同的四种健康状态。
3.根据权利要求1所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，步骤二中，迁移关系网络的训练集由源域数据和没有带标签的目标域数据构成，其中源域样本404个，包含4类健康状态各101个样本，目标域数据200个样本，每一类健康状态有50个样本，为模拟实际机械故障诊断中数据价值少的问题，训练集中目标域数据没有标签；测试集由目标域构成，目标域共有204个样本，每一类健康状态包含51个样本，将训练集测试集中的所有样本归一化为1×1024，用于网络的测试，训练集和测试集都是均衡样本集合，各类健康状态的样本数一致。
4.根据权利要求1所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，步骤三中，所构建的迁移关系网络由特征提取网络FeatureNet模块和关系网络RelationNet模块构成的，每个通道中的特征提取网络模块都是由3层卷积层和3层平均池化层构成；输入源域查询集的通道中关系网络模块由2层卷积层、2层平均池化层和2层全连接层以及1个输出层构成；输入目标域查询集的通道中关系网络模块由由2层卷积层、2层平均池化层和2层全连接层构成，考虑到故障诊断输入数据是振动数据，为典型的时间序列信号，为了抑制序列中可能存在的噪声，采用了平均池化的方法；
在迁移关系网络中，卷积层对应的卷积核数量均为20个，卷积核大小均为1×3，步长均为1，池化层大小为1×2，步长为2，在池化层之前有一个ReLU激活函数，在所有的全连接层之后同样使用ReLU激活函数；
在每层卷积层进行Batch Normalization处理，Batch Normalization处理即为批归一化，使卷积层构成为Conv+BN+ReLU模式，对于以上所有的每个卷积层之后都有一个批处理标准化BN层。
5.根据权利要求3所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，步骤三中，对于一批m个数据x1，x2，......xm，γ和β是两个可学习的参数，这批m个数据进行批归一化处理后的输出为y1，y2，......，ym；
批归一化的具体过程为：
先计算当前这批m个数据的均值μB和方差
然后对每一个数据进行归一化：
最后对归一化的数据进行缩放和变换：
6.根据权利要求1所述的迁移关系网络的机械故障诊断方法，其特征在于，步骤三中，将基于MK-MMD的邻域适配添加到网络的三个层中，以减少源域和目标域之间的数据分布差异，最大平均差异MMD是迁移学习领域中的一种距离度量，描述了两个域的数据在再生核希尔伯特空间中的分布差异，MMD的表达式如下：
其中Xs为源域的样本空间，Xt为目标域的样本空间，
为两个样本空间在再生核希尔伯特空间(RKHS)中的距离，xs∈Xs为源域样本空间中的样本，xt∈Xt为目标域样本空间中的样本，ns为源域的样本数量，nt为目标域的样本数量，f(·)为样本到RKHS空间中的映射，k(·；·)为高斯核函数运算；
由于单核的MMD描述两个域数据之间能力相对较弱，本发明采用多核MMD即MK-MMD，其表达式如下：
其中nb是mini-batch中的样本数，θ是网络参数，βu是MK-MMD中不同核函数的权重。
7.根据权利要求1所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，步骤4中，针对迁移关系网络分类和迁移的两种需求，使用的损失函数包括两个部分：源域数据分类损失函数，源域目标域之间领域自适应的损失函数，表达式如下：
其中，
为源域训练时的分类损失函数，
为MK-MMD损失函数，λ为领域自适应损失函数的权值，采用交叉熵函数作为源域训练时的损失函数，其表达式如下：
其中，
为第i个样本的预测为真实标签的概率，
为相应的真实标签。
8.根据权利要求1所述的迁移关系网络的机械故障诊断方法，其特征在于，步骤4中，对迁移关系网络的训练过程包括如下步骤：
1)初始化迁移关系网络；
2)将步骤2所得到的全部带标签的源域数据和不带标签的目标域数据作为最终的训练集，输入迁移关系网络，计算输出；
3)使用链式求导法则计算步骤2得到的输出相对于损失函数的梯度；以初始学习率为0.005，学习率不断递减来对参数进行调整；
4)不断重复步骤2)至步骤3)，循环迭代直至损失函数收敛，最终得到机械故障诊断模型。
9.根据权利要求1所述的一种基于迁移关系网络的机械故障诊断方法，其特征在于，步骤5的具体过程为：使用步骤2得到的目标域数据作为测试集，模板样本仍然使用源域的数据，将处理好的样本输入训练好的迁移关系网络的特征提取模块中，提取得到各自的feature map后，将其拼接起来，输入关系网络模块，并计算处相应的关系得分，采用4way1shot的关系网络，所以将得到4个分数，每个分数对应着待测样本属于各个类的概率，分数越高，说明待测样本与该模板样本的故障类型越匹配，从而达到分类的目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431513.3A CN111709448B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移关系网络的机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431513.3A CN111709448B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移关系网络的机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709448A true CN111709448A (zh) | 2020-09-25 |
| CN111709448B CN111709448B (zh) | 2023-05-12 |
Family
ID=72537045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431513.3A Active CN111709448B (zh) | 2020-05-20 | 2020-05-20 | 一种基于迁移关系网络的机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709448B (zh) |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 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 |
| CN112465030A (zh) * | 2020-11-28 | 2021-03-09 | 河南大学 | 一种基于两级迁移学习的多源异构信息融合故障诊断方法 |
| 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 |
| CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
| CN112761740A (zh) * | 2021-01-05 | 2021-05-07 | 西安交通大学 | 一种透平叶片故障测试系统及其智能故障诊断方法 |
| CN112860183A (zh) * | 2021-01-07 | 2021-05-28 | 西安交通大学 | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 |
| CN112861879A (zh) * | 2021-02-23 | 2021-05-28 | 中国科学院计算技术研究所 | 基于双重迁移的认知障碍辅助决策支持方法和系统 |
| CN112884070A (zh) * | 2021-03-17 | 2021-06-01 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的高压开关故障诊断方法 |
| CN113095179A (zh) * | 2021-03-30 | 2021-07-09 | 西安交通大学 | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 |
| CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及系统 |
| CN113420387A (zh) * | 2021-06-17 | 2021-09-21 | 长安大学 | 一种压实机械滚动轴承的迁移诊断方法和系统 |
| CN113420775A (zh) * | 2021-03-31 | 2021-09-21 | 中国矿业大学 | 基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法 |
| CN113449631A (zh) * | 2021-06-25 | 2021-09-28 | 中南大学 | 图像分类方法及系统 |
| CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
| 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 |
| CN113569486A (zh) * | 2021-07-30 | 2021-10-29 | 安徽容知日新科技股份有限公司 | 一种工业设备的故障检测方法、计算设备及可读存储介质 |
| 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 |
| CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN113947725A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
| CN113962254A (zh) * | 2021-09-27 | 2022-01-21 | 西安交通大学 | 一种知识驱动的工业机器人智能迁移故障诊断方法及系统 |
| CN113988189A (zh) * | 2021-10-29 | 2022-01-28 | 燕山大学 | 一种跨风电机组的迁移故障诊断方法 |
| CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
| CN114048568A (zh) * | 2021-11-17 | 2022-02-15 | 大连理工大学 | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 |
| CN114065945A (zh) * | 2021-10-29 | 2022-02-18 | 宜宾电子科技大学研究院 | 基于djtn迁移学习的智能故障诊断方法 |
| CN114120010A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 一种多视角多层次工业机器人迁移故障诊断方法 |
| CN114136622A (zh) * | 2021-08-10 | 2022-03-04 | 南京航空航天大学 | 一种基于dbn-dtl的航空发动机气路故障诊断方法 |
| CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
| CN115146675A (zh) * | 2022-06-28 | 2022-10-04 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
| CN116010804A (zh) * | 2023-02-01 | 2023-04-25 | 南京邮电大学 | 基于深度学习与知识迁移的物联网设备小样本识别方法 |
| CN116681124A (zh) * | 2023-08-03 | 2023-09-01 | 北京工业大学 | 一种旋转机械故障诊断用迁移学习方法 |
| CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292915A (zh) * | 2017-06-15 | 2017-10-24 | 国家新闻出版广电总局广播科学研究院 | 基于卷积神经网络的目标跟踪方法 |
| 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 |
| CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
| CN110020682A (zh) * | 2019-03-29 | 2019-07-16 | 北京工商大学 | 一种基于小样本学习的注意力机制关系对比网络模型方法 |
| US20190325299A1 (en) * | 2018-04-18 | 2019-10-24 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
| 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 |
-
2020
- 2020-05-20 CN CN202010431513.3A patent/CN111709448B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292915A (zh) * | 2017-06-15 | 2017-10-24 | 国家新闻出版广电总局广播科学研究院 | 基于卷积神经网络的目标跟踪方法 |
| 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 |
| US20190325299A1 (en) * | 2018-04-18 | 2019-10-24 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
| 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 |
| CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
| CN110020682A (zh) * | 2019-03-29 | 2019-07-16 | 北京工商大学 | 一种基于小样本学习的注意力机制关系对比网络模型方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| HAO SUN，AND ETC: "Transfer Sparse Subspace Analysis for Unsupervised Cross-View Scene Model Adaptation", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 》 * |
| 吴昀璞等: "基于孪生卷积网络的高速列车转向架故障辨识", 《系统仿真学报》 * |
Cited By (48)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 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 |
| 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 |
| CN112465030A (zh) * | 2020-11-28 | 2021-03-09 | 河南大学 | 一种基于两级迁移学习的多源异构信息融合故障诊断方法 |
| 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 |
| CN112761740A (zh) * | 2021-01-05 | 2021-05-07 | 西安交通大学 | 一种透平叶片故障测试系统及其智能故障诊断方法 |
| CN112860183A (zh) * | 2021-01-07 | 2021-05-28 | 西安交通大学 | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 |
| CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
| CN112861879B (zh) * | 2021-02-23 | 2022-11-01 | 中国科学院计算技术研究所 | 基于双重迁移的认知障碍辅助决策支持方法和系统 |
| CN112861879A (zh) * | 2021-02-23 | 2021-05-28 | 中国科学院计算技术研究所 | 基于双重迁移的认知障碍辅助决策支持方法和系统 |
| CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
| CN112884070A (zh) * | 2021-03-17 | 2021-06-01 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的高压开关故障诊断方法 |
| CN113095179A (zh) * | 2021-03-30 | 2021-07-09 | 西安交通大学 | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 |
| CN113420775A (zh) * | 2021-03-31 | 2021-09-21 | 中国矿业大学 | 基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法 |
| CN113420775B (zh) * | 2021-03-31 | 2024-03-29 | 中国矿业大学 | 基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法 |
| CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及系统 |
| CN113158364B (zh) * | 2021-04-02 | 2024-03-22 | 中国农业大学 | 循环泵轴承故障检测方法及系统 |
| CN113420387A (zh) * | 2021-06-17 | 2021-09-21 | 长安大学 | 一种压实机械滚动轴承的迁移诊断方法和系统 |
| CN113420387B (zh) * | 2021-06-17 | 2023-04-18 | 长安大学 | 一种压实机械滚动轴承的迁移诊断方法和系统 |
| CN113449631A (zh) * | 2021-06-25 | 2021-09-28 | 中南大学 | 图像分类方法及系统 |
| 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 |
| 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 |
| CN113569486A (zh) * | 2021-07-30 | 2021-10-29 | 安徽容知日新科技股份有限公司 | 一种工业设备的故障检测方法、计算设备及可读存储介质 |
| CN114136622A (zh) * | 2021-08-10 | 2022-03-04 | 南京航空航天大学 | 一种基于dbn-dtl的航空发动机气路故障诊断方法 |
| CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN113642465B (zh) * | 2021-08-13 | 2022-07-08 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN113962254B (zh) * | 2021-09-27 | 2024-04-02 | 西安交通大学 | 一种知识驱动的工业机器人智能迁移故障诊断方法及系统 |
| CN113962254A (zh) * | 2021-09-27 | 2022-01-21 | 西安交通大学 | 一种知识驱动的工业机器人智能迁移故障诊断方法及系统 |
| CN113947725A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
| CN113988189A (zh) * | 2021-10-29 | 2022-01-28 | 燕山大学 | 一种跨风电机组的迁移故障诊断方法 |
| CN114065945A (zh) * | 2021-10-29 | 2022-02-18 | 宜宾电子科技大学研究院 | 基于djtn迁移学习的智能故障诊断方法 |
| CN113988189B (zh) * | 2021-10-29 | 2024-05-07 | 燕山大学 | 一种跨风电机组的迁移故障诊断方法 |
| CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
| CN114048568A (zh) * | 2021-11-17 | 2022-02-15 | 大连理工大学 | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 |
| CN114048568B (zh) * | 2021-11-17 | 2024-04-09 | 大连理工大学 | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 |
| CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
| CN114120010B (zh) * | 2021-11-22 | 2023-11-03 | 西安交通大学 | 一种多视角多层次工业机器人迁移故障诊断方法 |
| CN114120010A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 一种多视角多层次工业机器人迁移故障诊断方法 |
| CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
| CN115146675B (zh) * | 2022-06-28 | 2023-09-26 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
| CN115146675A (zh) * | 2022-06-28 | 2022-10-04 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
| CN115758212B (zh) * | 2022-11-10 | 2023-04-21 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
| CN116010804A (zh) * | 2023-02-01 | 2023-04-25 | 南京邮电大学 | 基于深度学习与知识迁移的物联网设备小样本识别方法 |
| CN116681124A (zh) * | 2023-08-03 | 2023-09-01 | 北京工业大学 | 一种旋转机械故障诊断用迁移学习方法 |
| CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
| CN117390411B (zh) * | 2023-10-16 | 2024-03-29 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709448B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
| CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
| CN115563536A (zh) | 基于子域自适应的滚动轴承故障诊断方法 | |
| CN111273623A (zh) | 基于Stacked LSTM的故障诊断方法 | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
| CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
| Yao et al. | Multiscale domain adaption models and their application in fault transfer diagnosis of planetary gearboxes | |
| 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 | |
| CN116028876A (zh) | 一种基于迁移学习的滚动轴承故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
| Wang et al. | A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN116383757B (zh) | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
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 |