CN111898634B - 一种基于深度对抗域自适应的智能故障诊断方法 - Google Patents
一种基于深度对抗域自适应的智能故障诊断方法 Download PDFInfo
- Publication number
- CN111898634B CN111898634B CN202010574985.4A CN202010574985A CN111898634B CN 111898634 B CN111898634 B CN 111898634B CN 202010574985 A CN202010574985 A CN 202010574985A CN 111898634 B CN111898634 B CN 111898634B
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- data set
- source domain
- source
- 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
Links
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于深度对抗域自适应的智能故障诊断方法,使用传感器采集旋转机械在不同工况下的振动信号,分别对不同工况下数据集采用移动时窗进行信号的分割;提取数据集中判别性特征;结合特征提取器与域判别器,构造深度对抗域自适应网络,提取两种工况下的域不变特征;采用对抗式网络的训练策略联合训练两流网络模型至模型收敛,使用训练好的类别分类器识别缺乏故障标签的目标域数据集的轴承健康状态。本发明通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断,完成了诊断知识的迁移,同时构造了深度学习网络,克服了传统诊断方法中对专家知识的依赖,为降低未来智能故障诊断系统的成本提供了一种有效的工具。
Description
技术领域
本发明涉及滚动轴承状态评估方法,具体为一种基于深度对抗域自适应的智能故障诊断方法。
背景技术
滚动轴承是现代机械设备的关键部件,广泛应用于航空航天、工程机械、船舶设备、水利工程等领域。滚动轴承的健康状态和性能直接影响到机械设备的安全可靠性。轴承的故障可能导致整个机械系统的停机,造成不可想象的经济损失。因此,滚动轴承的状态监测对于保证设备的安全运行和减少意外停机损失起着至关重要的作用。
对传感器采集到的振动信号进行分析,可以判断被监测设备的状态。目前,最流行的基于数据驱动的智能诊断方法在机械设备诊断上有着很好的性能表现。虽然基于智能诊断方法的状态检测已经取得了许多成果,但仍有许多不容忽视的地方。传统的智能方法是建立在一定的假设前提下的:首先是需要由充足的有标签的故障数据,然而在实际中机械设备往往不清楚何时发生故障,故障数据很难获取并且难以获得其标签;其次被用于诊断的数据与用来训练模型的数据是假设在同一工作条件下的,当工作条件发生变化时,数据集分布会产生差异,而实际工业系统中普遍存在的复杂工况环境,往往导致目标诊断数据无法直接获取、训练数据与测试数据分布特性存在一定的差异,这些都会降低传统机器学习故障诊断模型的泛化能力,甚至使得模型不再适用,因此如何实现不同工况下滚动轴承的健康状态的识别是一个有待解决的问题。
发明内容
针对现有技术中存在的不足,本发明的目的是提供了一种基于深度对抗域自适应的智能故障诊断方法,解决了传统智能诊断方法在工业应用中的不足,克服了当训练集与测试集由于工况变化导致分布存在差异时智能诊断方法性能恶化等问题,探索了一种新的基于迁移学习的故障诊断方法,为提高智能故障诊断系统的泛化性能提供了一种有效的解决方法。
为实现上述目的,本发明是通过以下技术方案来实现:
一种基于深度对抗域自适应的智能故障诊断方法,包括如下步骤,
(1)使用传感器采集旋转机械在两种工况下的振动信号,分别对两种工况下的数据集采用移动时窗进行信号的分割,获得分割好的两种工况下的数据集,并将两种工况下的数据集分为有故障类型标签的源域数据集与无故障类型标签的目标域数据集;
(2)通过特征提取器与类别标签分类器组成故障模式识别网络,提取源域数据集中判别性特征,并根据判别性特征识别源域数据集对应的工况下各种故障状态;
(3)采用步骤(2)的特征提取器,结合域判别器,采用对抗博弈策略,形成深度对抗域自适应网络,提取源域数据集与目标域数据集的域不变特征,对两种工况下的故障状态进行识别;
(4)联合步骤(2)中的故障模式识别网络与步骤(3)中的深度对抗域自适应网络,采用对抗博弈策略进行训练,直至网参数络收敛,训练好的特征提取器既能提取判别性特征又可以提取域不变特征,最终使用类别分类器识别缺乏故障标签的目标域数据集中的轴承健康状态,完成诊断知识从源域到目标域的迁移。
本发明进一步的改进在于,步骤(1)的具体步骤如下:
1)使用传感器采集滚动轴承在两种工况下各故障类型的振动信号;
2)选择最优前进步长,采用移动时窗对振动信号进行分割;
3)分别获得两种工况下数据集,其中有故障类型标签的工况数据集设置为源域数据集无故障类型标签的数据集设置为目标域数据集其中,xi为源域的样本点,yi为源域样本点的标签,,xj为目标域的样本点,ns为源域样本点的个数,nt为目标域样本点个数。
本发明进一步的改进在于,步骤(2)中,利用特征提取器与类别标签分类器组成故障模式识别网络的具体过程如下:
1)特征提取器由多层一维卷积神经网络层搭建而成,能够自适应提取源域数据集中的信号判别性特征;
2)在特征提取器中利用池化算法,对各层维卷积神经网络层提取的特征进行降维;
3)标签分类器通过全连接层对特征提取器进行模式识别分类;
4)计算故障模式识别网络损失函数,完成故障模式识别网络的构建。
本发明进一步的改进在于,步骤2)的具体过程为:
本发明进一步的改进在于,步骤3)的具体过程为:
源域特征经过类别分类器,得到网络标签预测的结果:
式中:ys为归一化网络源域样本的输出概率向量即标签预测结果,θc代表类别分类器的网络参数。
本发明进一步的改进在于,步骤4)中,计算模式识别网络损失函数的具体过程如下:根据网络标签预测的结果,计算故障模式识别网络损失函数;
本发明进一步的改进在于,步骤(3)中深度对抗域自适应网通过以下过程形成:
a)同时输入源域数据集与目标域数据集中的振动信号,经过特征提取器,此时目的为提取域不变特征,实现变工况下的特征对齐,得到源域数据集与目标域数据集在高维空间中的域不变特征;
b)域判别器采用wassertein距离作为衡量源域数据集与目标域数据集分布差异的指标,计算域判别器的损失函数Jw(xs,xt);
c)利用域判别器的损失函数Jw(xs,xt),调整对抗训练迭代过程、网络激活函数与学习率,完成深度对抗域自适应网络的构建。
本发明进一步的改进在于,步骤a)的具体过程为:同时将源域与目标域数据输入步骤2)中的特征提取器,得到网络的特征:
式中:Hs为经过特征提取器后的源域样本特征;Ht为经过特征提取器后的目标域样本特征;参数xs、xt、θh、分别代表网络输入的源域样本、目标域样本、特征提取器的网络参数;
步骤b)的具体过程为:将经过特征提取器后的源域样本特征Hs与经过特征提取器后的目标域样本特征Ht输入域判别器中,计算源域与目标域的特征分布的wasserstein距离;
为了满足域判别器满足1-Lipschitz约束||Gw||L≤1,在WGAN-GP中采用梯度惩罚项方法,改进后的wasserstein距离近似代替为:
本发明进一步的改进在于,步骤(4)中,训练的过程为:
a)训练DADAN网络中域判别器,使网络输出逼近真实wasserstein距离,可以指导特征提取器网络提取域不变特征;
b)同时训练特征提取器与类别分类器,通过对抗方式指导特征提取器提取域不变特征,同时训练类别分类器可以准确识别样本故障模式;
c)将待识别无标签的目标域数据集输入训练后的模式识别网络中,识别旋转机械目标域数据集中旋转机械(滚动轴承)健康状态。
本发明进一步的改进在于,步骤4)中的训练的具体步骤为:
1)在k次迭代中,最大化域判别器损失函数,通过反向传播算法,不断迭代更新域判别器的权重参数θw;
2)同时最小化标签分类器损失函数以及域判别器损失函数,指导特征提取器提取的特征既可以实现源域内的故障类型识别,又可以因为域不变特征的特点适用于目标域工况内的故障诊断;
3)重复迭代步骤1)与步骤2)过程,直至网络参数收敛。
与现有技术相比,本发明具有以下有益效果:
本发明提供了种基于深度对抗域自适应的智能故障诊断方法,通过一维卷积神经网络自适应提取信号特征,克服了传统机器学习中特征提取对于专家知识的依赖。使用域对抗自适应网络,完成域不变特征的自动提取,缩小由于工况变化带来的特征分布差异;使用wasserstein距离作为域判别器的损失函数,即可以作为特征分布差异的衡量指标,又可以避免传统生成对抗网络训练的不稳定性。使用本发明可完成机械设备状态识别模型在不同工况下的迁移,具有低成本、高效、实用等特点,适用于现场实时识别旋转机械系统轴承的健康状态,为基于迁移学习的智能诊断方法提供一个可靠、便利的工具,具有重要的领域意义与广阔的应用前景。
附图说明
图1为本发明提出的在不同工况下基于迁移学习的滚动轴承故障诊断的流程图。
图2为故障模式识别网络结构简图。
图3为深度对抗域自适应网络的结构简图。
图4对抗自适应方法过程简图。
图5为对比不同网络输出结果可视化图。
具体实施方式
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
下面结合具体的事例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参照图1所示,本发明提供了一种基于深度对抗域自适应的智能故障诊断方法为:使用传感器采集旋转机械不同工况下各状态振动信号,分别对不同工况下数据集采用移动时窗进行信号的分割,获得源域与目标域数据集;预先构造故障模式识别网络,并使用有监督的源域数据集训练网络,以得到源域工况下的判别性特征;结合深度对抗域自适应网络,采用wasserstein距离计算特征分布差异,提取基于源域与目标域的域不变特征;使用对抗训练策略,联合训练双流网络至收敛,使用训练好的网络识别目标域数据集的轴承健康状态。
参见图1,一种基于深度对抗域自适应的智能故障诊断方法,,包括如下步骤,
(1)使用传感器采集旋转机械在两种工况下的振动信号,分别对两种工况下的数据集采用移动时窗进行信号的分割,获得分割好的两种工况下的数据集,并将两种工况下的数据集分为有故障类型标签的源域数据集与无故障类型标签的目标域数据集;
步骤(1)的具体过程如下:
1)使用传感器采集滚动轴承在两种工况下各故障类型的振动信号;
2)选择最优前进步长,采用移动时窗对振动信号进行分割;
3)分别获得两种工况下数据集,其中有故障类型标签的工况数据集设置为源域数据集无故障类型标签的数据集设置为目标域数据集其中,xi为源域的样本点,yi为源域样本点的标签,,xj为目标域的样本点,ns为源域样本点的个数,nt为目标域样本点个数。
(2)利用步骤(1)得到的源域数据集,通过特征提取器与类别标签分类器组成故障模式识别网络,提取源域数据集中判别性特征,并根据判别性特征识别源域数据集对应的工况下各种故障状态;
步骤(2)中,利用特征提取器与类别标签分类器组成故障模式识别网络的具体过程如下:
1)特征提取器由多层一维卷积神经网络层搭建而成,能够自适应提取源域数据集中的信号判别性特征;
2)在特征提取器中利用池化算法,对各层维卷积神经网络层提取的特征进行降维;
步骤2)的具体过程为:
3)标签分类器通过全连接层对特征提取器进行模式识别分类;
具体过程为:
源域特征经过类别分类器,得到网络标签预测的结果:
式中:ys为归一化网络源域样本的输出概率向量即标签预测结果,θc代表类别分类器的网络参数;
4)计算故障模式识别网络损失函数,完成故障模式识别网络的构建;
步骤4)中,计算模式识别网络损失函数的具体过程如下:根据网络标签预测的结果,计算故障模式识别网络损失函数;
(3)基于步骤(1)得到的源域数据集与目标域数据集,采用步骤(2)的特征提取器,结合域判别器,采用对抗博弈策略,形成深度对抗域自适应网络(Deep AdversarialDomain Adaptation Network,DADAN),提取源域数据集与目标域数据集的域不变特征,对两种工况下的故障状态进行识别;
优选的,步骤(3)中深度对抗域自适应网络(DADAN)通过以下过程形成:
a)同时输入源域数据集与目标域数据集中的振动信号,经过步骤(2)中的特征提取器,此时目的为提取域不变特征,实现变工况下的特征对齐,得到源域数据集与目标域数据集在高维空间中的域不变特征;
具体过程为:同时将源域与目标域数据输入步骤2)中的特征提取器,得到网络的特征:
式中:Hs为经过特征提取器后的源域样本特征;Ht为经过特征提取器后的目标域样本特征;参数xs、xt、θh、分别代表网络输入的源域样本、目标域样本、特征提取器的网络参数;
b)域判别器采用wassertein距离作为衡量源域数据集与目标域数据集分布差异的指标,计算源域数据集与目标域数据集在高维空间中的特征的分布差异;具体过程为:将经过特征提取器后的源域样本特征Hs与经过特征提取器后的目标域样本特征Ht输入域判别器中,计算源域与目标域的特征分布的wasserstein距离;
为了满足上述约束,在WGAN-GP中采用梯度惩罚项方法,改进后的wasserstein距离可以近似代替为:
c)利用域判别器的损失函数Jw(xs,xt),调整对抗训练迭代过程、网络激活函数与学习率等超参数,完成深度对抗域自适应网络的构建。
(4)联合步骤(2)中的故障模式识别网络与步骤(3)中的深度对抗域自适应网络,采用对抗博弈策略进行训练,直至网络参数(特征提取器的网络参数,θc代表类别分类器的网络参数;θw为域判别器的网络参数)收敛,训练好的特征提取器既能提取判别性特征又可以提取域不变特征,最终使用类别分类器识别缺乏故障标签的目标域数据集中的轴承健康状态,完成诊断知识从源域到目标域的迁移。
优选的,步骤(4)中的联合两流网络训练流程为:
a)训练DADAN网络中域判别器,使网络输出逼近真实wasserstein距离,可以指导特征提取器网络提取域不变特征;
b)同时训练特征提取器与类别分类器,通过对抗方式指导特征提取器提取域不变特征,同时训练类别分类器可以准确识别样本故障模式;
c)将待识别无标签的目标域数据集输入训练后的模式识别网络中,识别旋转机械目标域数据集中旋转机械(滚动轴承)健康状态。
进一步,步骤4)中的对抗博弈策略的具体过程为:
1)在对抗训练过程中,特征提取器结合域判别器的网络结构类似于GAN模型;
2)首先,域判别器需要最大域判别器的损失函数,使得判别器的输出结果取得上确界,从而接近真实的wasserstein距离;
3)其次,特征提取器扮演生成器的作用,生成能够欺骗过域分类器的特征,使域判别器无法判别该特征来自源域数据集还是目标域数据集,从而提取到域不变特征,因此训练过程中应最小域判别器的损失函数。
进一步,步骤4)中的训练的具体步骤为:
1)在k次迭代中,最大化域判别器损失函数,通过反向传播算法,不断迭代更新域判别器的权重参数θw;
2)同时最小化标签分类器损失函数以及域判别器损失函数,指导特征提取器提取的特征既可以实现源域内的故障类型识别,又可以因为域不变特征的特点适用于目标域工况内的故障诊断;
3)重复迭代步骤1)与步骤2)过程,直至网络参数(即特征提取器的网络参数θh、类别分类器的网络参数θc与域判别器的网络参数θw)收敛。
以下给出一个具体应用实例过程,同时验证了本发明在工程应用中的有效性。
本发明利用域对抗自适应方法识别不同工况下旋转机械滚动轴承健康状态按以下具体步骤实施:
本实验在SQ机械故障综合模拟实验台开展,在多组转速下分别进行轴承损伤模拟,共有健康、内圈轻度、内圈中度、外圈轻度和外圈中度共5类轴承。实验使用数据采集仪CoCo80进行振动信号采集,采样频率为11.52kHz。
利用本发明所述方法,目标域轴承健康状态识别方法如下:
(1)数据集划分:
首先,在三种转速工况300rpm、480rpm、660rpm下采集传感器振动数据,采集时间为120s,采样频率为11.52khz。为了对数据进行扩充,采用移动时窗对其进行样本的划分,选择步长为2000重叠率为80%对每一种故障信号进行分割,最终每种转速工况下获得5*1000个样本数。每个数据集取其中10%数据进行测试,剩下90%数据进行训练,所有实验均重复5次以避免偶然性和特殊性。
(2)故障模式识别网络构建
在本发明中,如图2所示,设计的故障模式识别网络由特征提取器与标签分类器组成,其中特征提取器包含三个一维卷积层、三个池化层、一个展开层;标签分类器由一个全连接层与一个softmax层组成,结构参数由多次试验获得。在本研究中,每个卷积层的输出激活函数为Relu。
三个池化层起着减小了特征维数,表征了平移不变性的作用。池化操作使神经网络学习的特征具有鲁棒性。
在最后一个池化层之后,使用一个展开层作为全连接层和卷积层之间的过渡。为了避免过拟合,使用了dropout和l2正则化两种方法。
(3)DADAN的构建
在本发明中,如图3所示,设计的域对抗自适应网络与故障识别网络共享特征提取器,加上域判别器组成,域判别器为一维的全连接网络,使用wasserstein距离计算源域与目标域特征差异,域对抗自适应过程如图4所示。
(4)联合两流网络训练流程
首先,迭代训练5次域判别器,最大域判别器损失函数来计算wasserstein距离,使其可以指导特征提取器网络学习域不变特征;其次,迭代训练1000次特征提取器与标签分类器,最小化wasserstein距离以及标签分类器损失函数,直至网络在本次对抗迭代中暂时达到收敛,重复训练此上述两次过程,使各网络参数最终达到收敛;最后,将目标域数据集输入网络,识别其轴承状态。
为了验证本发明的有效性,选择没有经过域对抗自适应提取的与本实验相同网络结构的CNN网络,以及使用交叉熵函数作为损失函数的DANN网络进行对比,测试多组迁移任务,以480rpm转速迁移到600rpm转速为例,提取网络的输出,使用t-SNE降维后结果如图5中的(a)、(b)与(c)所示。结果表明,本发明提供的一种基于深度对抗域自适应的智能故障诊断方法优于其他传统的方法,既可以提取到判别性特征,在完成故障模式的检测,又可以提取域不变特征,实现故障诊断知识的迁移。
本发明通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断,完成了诊断知识的迁移,同时构造了深度学习网络,克服了传统诊断方法中对专家知识的依赖,为降低未来智能故障诊断系统的成本提供了一种有效的工具。
Claims (5)
1.一种基于深度对抗域自适应的智能故障诊断方法,其特征在于,包括如下步骤,
(1)使用传感器采集旋转机械在两种工况下的振动信号,分别对两种工况下的数据集采用移动时窗进行信号的分割,获得分割好的两种工况下的数据集,并将两种工况下的数据集分为有故障类型标签的源域数据集与无故障类型标签的目标域数据集;
(2)通过特征提取器与类别标签分类器组成故障模式识别网络,提取源域数据集中判别性特征,并根据判别性特征识别源域数据集对应的工况下各种故障状态;
(3)采用步骤(2)的特征提取器,结合域判别器,采用对抗博弈策略,形成深度对抗域自适应网络,提取源域数据集与目标域数据集的域不变特征,对两种工况下的故障状态进行识别;
(4)联合步骤(2)中的故障模式识别网络与步骤(3)中的深度对抗域自适应网络,采用对抗博弈策略进行训练,直至网参数络收敛,训练好的特征提取器既能提取判别性特征又可以提取域不变特征,最终使用类别分类器识别缺乏故障标签的目标域数据集中的轴承健康状态,完成诊断知识从源域到目标域的迁移;
其中,步骤(2)中,利用特征提取器与类别标签分类器组成故障模式识别网络的具体过程如下:
1)特征提取器由多层一维卷积神经网络层搭建而成,能够自适应提取源域数据集中的信号判别性特征;
2)在特征提取器中利用池化算法,对各层维卷积神经网络层提取的特征进行降维;
3)标签分类器通过全连接层对特征提取器进行模式识别分类;
4)计算故障模式识别网络损失函数,完成故障模式识别网络的构建;
步骤(3)中深度对抗域自适应网通过以下过程形成:
a)同时输入源域数据集与目标域数据集中的振动信号,经过特征提取器,此时目的为提取域不变特征,实现变工况下的特征对齐,得到源域数据集与目标域数据集在高维空间中的域不变特征;
b)域判别器采用wassertein距离作为衡量源域数据集与目标域数据集分布差异的指标,计算域判别器的损失函数Jw(xs,xt);
c)利用域判别器的损失函数Jw(xs,xt),调整对抗训练迭代过程、网络激活函数与学习率,完成深度对抗域自适应网络的构建;
步骤a)的具体过程为:同时将源域与目标域数据输入步骤2)中的特征提取器,得到网络的特征:
式中:Hs为经过特征提取器后的源域样本特征;Ht为经过特征提取器后的目标域样本特征;参数xs、xt、θh、分别代表网络输入的源域样本、目标域样本、特征提取器的网络参数;
步骤b)的具体过程为:将经过特征提取器后的源域样本特征Hs与经过特征提取器后的目标域样本特征Ht输入域判别器中,计算源域与目标域的特征分布的wasserstein距离;
为了满足域判别器满足1-Lipschitz约束||Gw||L≤1,在WGAN-GP中采用梯度惩罚项方法,改进后的wasserstein距离近似代替为:
步骤4)中的训练的具体步骤为:
1)在k次迭代中,最大化域判别器损失函数,通过反向传播算法,不断迭代更新域判别器的权重参数θw;
2)同时最小化标签分类器损失函数以及域判别器损失函数,指导特征提取器提取的特征既可以实现源域内的故障类型识别,又可以因为域不变特征的特点适用于目标域工况内的故障诊断;
3)重复迭代步骤1)与步骤2)过程,直至网络参数收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574985.4A CN111898634B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度对抗域自适应的智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574985.4A CN111898634B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度对抗域自适应的智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898634A CN111898634A (zh) | 2020-11-06 |
CN111898634B true CN111898634B (zh) | 2022-08-16 |
Family
ID=73206404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574985.4A Active CN111898634B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度对抗域自适应的智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898634B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112328588B (zh) * | 2020-11-27 | 2022-07-15 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN113569887B (zh) * | 2021-01-18 | 2022-10-11 | 腾讯医疗健康(深圳)有限公司 | 图片识别模型训练和图片识别方法、装置和存储介质 |
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 |
CN112990259B (zh) * | 2021-02-04 | 2023-12-26 | 西交利物浦大学 | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 |
CN112926642B (zh) * | 2021-02-22 | 2022-06-07 | 山东大学 | 一种多源域自适应智能机械故障诊断方法及系统 |
CN113065581B (zh) * | 2021-03-18 | 2022-09-16 | 重庆大学 | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 |
CN113076834B (zh) * | 2021-03-25 | 2022-05-13 | 华中科技大学 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
CN113076920B (zh) * | 2021-04-20 | 2022-06-03 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
CN113191429A (zh) * | 2021-04-29 | 2021-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器套管故障诊断方法及装置 |
CN113204280B (zh) * | 2021-05-08 | 2023-09-26 | 山东英信计算机技术有限公司 | 一种诊断电源故障的方法、系统、设备及介质 |
CN113669246B (zh) * | 2021-08-23 | 2022-06-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种跨工况条件下水泵故障智能诊断方法 |
CN113837071B (zh) * | 2021-09-23 | 2024-02-02 | 重庆大学 | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 |
CN113837116A (zh) * | 2021-09-28 | 2021-12-24 | 大连理工大学 | 一种用于微震信号识别模型的迁移学习方法及系统 |
CN114136565B (zh) * | 2021-10-22 | 2022-08-09 | 中南大学 | 一种多振源系统的故障诊断系统及方法 |
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 |
CN114358124B (zh) * | 2021-12-03 | 2024-03-15 | 华南理工大学 | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 |
US12032929B2 (en) | 2021-12-15 | 2024-07-09 | Tvarit Gmbh | System and method for cross domain generalization for industrial artificial intelligence applications class |
CN114499712B (zh) * | 2021-12-22 | 2024-01-05 | 天翼云科技有限公司 | 一种手势识别方法、设备及存储介质 |
CN114332531B (zh) * | 2021-12-23 | 2023-07-25 | 南京航空航天大学 | 一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法及装置 |
CN114354195A (zh) * | 2021-12-31 | 2022-04-15 | 南京工业大学 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
CN114648044B (zh) * | 2022-03-18 | 2023-04-07 | 江苏迪普勒信息科技有限公司 | 基于eemd和深度域对抗网络的振动信号诊断分析方法 |
CN115219180B (zh) * | 2022-07-18 | 2024-05-31 | 西安交通大学 | 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 |
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 |
CN116383739B (zh) * | 2023-03-30 | 2024-01-30 | 东北林业大学 | 基于域自适应的多模态数据融合的智能故障诊断方法 |
CN116992953B (zh) * | 2023-09-27 | 2024-04-19 | 苏州捷杰传感技术有限公司 | 一种模型训练方法、故障诊断方法及装置 |
CN117476036B (zh) * | 2023-12-27 | 2024-04-09 | 广州声博士声学技术有限公司 | 一种环境噪声识别方法、系统、设备和介质 |
CN117570039B (zh) * | 2024-01-16 | 2024-04-12 | 山东大洋矿用设备有限公司 | 矿用隔爆型潜水排沙电泵故障监测系统及方法 |
CN118350445A (zh) * | 2024-06-18 | 2024-07-16 | 数据空间研究院 | 基于对抗学习的深度学习模型域适应方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188822A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190464B (zh) * | 2018-07-24 | 2021-09-17 | 南京航空航天大学 | 一种变工况下基于迁移学习的机械故障智能诊断方法 |
CN109902393B (zh) * | 2019-03-01 | 2022-06-14 | 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 |
CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110186680B (zh) * | 2019-05-30 | 2022-05-24 | 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 |
CN110555273B (zh) * | 2019-09-05 | 2023-03-24 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110907176B (zh) * | 2019-09-30 | 2021-02-02 | 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 |
CN110779722B (zh) * | 2019-10-23 | 2021-01-19 | 西安交通大学 | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 |
CN111060318B (zh) * | 2020-01-09 | 2021-12-28 | 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 |
-
2020
- 2020-06-22 CN CN202010574985.4A patent/CN111898634B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188822A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111898634A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
Yan et al. | Multiscale cascading deep belief network for fault identification of rotating machinery under various working conditions | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Feng et al. | Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis | |
Lei et al. | Fault diagnosis of wind turbine based on Long Short-term memory networks | |
CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
Zhao et al. | Fault diagnosis of rolling bearing based on feature reduction with global-local margin Fisher analysis | |
CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
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 | |
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 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 | |
CN114638256B (zh) | 基于声波信号及注意力网络的变压器故障检测方法及其系统 | |
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 | |
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 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN116401603A (zh) | 一种基于迁移学习的多模态轴承故障智能诊断方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN116026593A (zh) | 跨工况的滚动轴承故障靶向迁移诊断方法及系统 | |
CN114942140A (zh) | 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法 | |
CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
CN110779722B (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
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 |