CN112069998A - 基于卷积神经网络的gbdt故障诊断集成方法 - Google Patents
基于卷积神经网络的gbdt故障诊断集成方法 Download PDFInfo
- Publication number
- CN112069998A CN112069998A CN202010926774.2A CN202010926774A CN112069998A CN 112069998 A CN112069998 A CN 112069998A CN 202010926774 A CN202010926774 A CN 202010926774A CN 112069998 A CN112069998 A CN 112069998A
- Authority
- CN
- China
- Prior art keywords
- gbdt
- model
- time
- fault diagnosis
- image
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000010354 integration Effects 0.000 title claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- QLDHWVVRQCGZLE-UHFFFAOYSA-N acetyl cyanide Chemical compound CC(=O)C#N QLDHWVVRQCGZLE-UHFFFAOYSA-N 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002813 epsilometer test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的GBDT故障诊断集成方法,基于欠采样反例类别和过采样正例类别,对k种轴承故障分别截取m个样本,得到数据样本总数,并构成被测样本集,并进行时间序列变换和连续小波变换,得到时间序列图像和时频图像,然后分别转换为所述第一训练数据集和所述第二训练数据集输入LeNet5 CNN模型中,得到对应的第一弱分类模型和第二弱分类模型,采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型,然后将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类,提高故障诊断精度。
Description
技术领域
本发明涉及深度学习和故障诊断技术领域,尤其涉及一种基于卷积神经网络的GBDT故障诊断集成方法。
背景技术
轴承应用范围非常广泛,在机械、矿山、冶金、化工、建筑、汽车、铁路、航空、仪表、石油、船舶以及军工等各行各业都有应用,可以说只要有旋转的地方就有轴承。也正因为应用广泛,因此对其要求也非常高,尤其对其质量和性能要求非常高。一旦轴承发生故障,将直接或间接影响机械设备的功能,严重的可能导致事故。因此对轴承进行故障诊断,保证其正常性能,这对巩固国民经济和国防建设起到至关重要的作用。
目前,用于轴承故障诊断所使用的数据,大多使用时域信号或者时频信号,但轴承的时域信号或者时频信号通常容量大,传统的机器学习算法如支持向量机、贝叶斯等算法等只能用来处理小规模的数据样本,而且时频信号是图像数据,传统算法的学习能力有限,且对样本敏感,这容易导致过拟合。轴承的监测数据通常是大规模的海量数据,因此研究者们逐步引入深度学习,比如基于受限波尔兹曼机(RBM)、卷积神经网络(CNN)算法、RNN算法。针对轴承数据所呈现出的随机性、离散性、周期性和结构性,RBM不适用于监督学习且不具有尺度不变性,RNN用于处理连续数据,均无法对轴承故障进行高精度识别;此外,目前许多研究者使用轴承的一维信号作为CNN模型的输入数据,该方法不仅耗时长,且没有考虑轴承振动信号内部的关联性,从而导致故障诊断精度较低。
发明内容
本发明的目的在于提供一种基于卷积神经网络的GBDT故障诊断集成方法,提高故障的诊断精度。
为实现上述目的,本发明提供了一种基于卷积神经网络的GBDT故障诊断集成方法,包括:
利用过采样和欠采样,获取被测样本集;
对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像;
将所述时间序列图像输入LeNet5 CNN模型中,训练得到对应的第一弱分类模型;
将所述时频图像输入LeNet5 CNN模型中,训练得到对应的第二弱分类模型;
采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型;
将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,完成轴承故障的诊断分类。
其中,所述利用过采样和欠采样,获取被测样本集,包括:
基于欠采样反例类别和过采样正例类别,对k种轴承故障分别截取m个样本,得到数据样本总数N,并构成被测样本集,其中,k≥1,m≥1,N=km。
其中,对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像,包括:
对所述被测样本集进行时间序列变换,将数据特征周期作为宽度,得到对应的时间序列图像,同时获取尺度因子、平移因子、共轭复数和小波基函数对所述被测样本集进行连续小波变换,得到对应的时频图像。
其中,将所述时间序列图像输入LeNet5 CNN模型中,训练得到对应的第一弱分类模型,包括:
将所述时间序列图像划分为β组平衡数据作为第一训练数据集输入LeNet5CNN模型中,直到β组数据全部训练完成,结合池化特征矩阵、全连接层权重矩阵和偏置项,计算得到β个对应的第一弱分类模型,其中,β≤N。
其中,将所述时频图像输入LeNet5 CNN模型中,训练得到对应的第二弱分类模型,包括:
将所述时频图像划分为β组平衡数据作为第二训练数据集输入LeNet5 CNN模型中,直到β组数据全部训练完成,结合池化特征矩阵、全连接层权重矩阵和偏置项,计算得到β个对应的第二弱分类模型,其中,β≤N。
其中,采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型,包括:
将所述第一弱分类模型和所述第二弱分类模型输入GBDT算法中,并结合对数似然损失函数初始化分类树,同时计算出梯度误差和残差拟合值,并更新所述分类树,得到回归树。
其中,将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,完成轴承故障的诊断分类,包括:
将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类。
本发明的一种基于卷积神经网络的GBDT故障诊断集成方法,基于欠采样反例类别和过采样正例类别,对k种轴承故障分别截取m个样本,得到数据样本总数N,并构成被测样本集,对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像,将所述时间序列图像和所述时频图像分别转换为第一训练数据集和所述第二训练数据集输入LeNet5 CNN模型中,得到对应的第一弱分类模型和第二弱分类模型,采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型,然后将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类,提高故障诊断精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,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的附图。
图1是本发明提供的一种基于卷积神经网络的GBDT故障诊断集成方法的步骤示意图。
图2是本发明提供的轴承四种信号的采样图。
图3是本发明提供的时间序列变换原理图。
图4是本发明提供的LeNet5 CNN模型的框架图。
图5是本发明提供的基于CNN的GBDT算法结构图。
图6是本发明提供的基于卷积神经网络的GBDT模型轴承故障诊断结构图。
图7是本发明提供的基于时间序列图像的CNN模型(CNN-Z),基于时频图像的CNN模型(CNN-F)和CNN+GBDT模型的诊断误差对比图。
图8是本发明提供的四种振动信号的时间序列图像。
图9是本发明提供的四种振动信号的时频图像。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提供一种基于卷积神经网络的GBDT故障诊断集成方法,包括:
S101、利用过采样和欠采样,获取被测样本集。
具体的,针对轴承信号属于非均衡的数据,本发明结合欠采样和过采样的优缺点,采用欠采样反例类别和过采样正例类别,然后对轴承各类故障信号进行相同数量的截取,假设每个样本截取s个采样点,对k种轴承故障分别截取m个样本,得到数据样本总数N,并构成被测样本集F={fi|i=1…N},其中,k≥1,m≥1,N=km,fi表示第i个故障信号。
举例来说,采用美国西储大学的滚动轴承故障数据,采用采样频率为12kHz,电机驱动端DE的信号。该轴承信号有k=4种,分别为正常信号fNormal、内环故障信号fIR、滚珠故障信号fB和外环故障信号fOR,对每个样本截取s=1024个采样点,每种故障信号截取m=804个样本,则总的数据样本数N=3216,且这些样本可构成样本集F={fi|i=1…3216},其中表示第fi表示第i个故障信号。四种信号的采样如图2所示,该图展示了轴承振动四种信号的幅值变化情况,分别是正常信号fNormal、内环故障信号fIR、滚珠故障信号fB和外环故障信号fOR。
S102、对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像。
具体的,对所述被测样本集F={fi|i=1…3216}中的每一个样本进行时间序列变换,将数据特征周期作为宽度,得到对应的时间序列图像Z={Z1,Z2,…,Z3216},时间序列变换的原理如图3所示,其中T为数据特征周期(时间序列图像Zi的宽度),NT为图像的长度。其中四种振动信号的时间序列图像如图8所示,图中展示了四种信号fNormal、fIR、fB和fOR对应的时间序列图像ZNormal,ZIR,ZB,ZOR。
针对非平稳且非线性的轴承振动信号,获取尺度因子,平移因子、共轭复数和小波基函数,对所述被测样本集采用连续小波转换(Continuous Wavelet Transform,CWT)获得的时频图像。其中四种振动信号的时频图像如图9所示,图中展示了四种信号fNormal、fIR、fB和fOR对应的时频图像FNormal,FIR,FB,FOR。对F={fi|i=1…N}中的每个样本进行CWT变换,结果如下:
其中,a为尺度因子且a∈R,a>0,表示与频率相关的伸缩;τ为平移因子且τ∈R;为的共轭复数,为小波基函数,其由小波经过伸缩与平移得到。将时间t作为横坐标,频率作为纵坐标,即可得到时频图Fi,则可得到时频图的样本集为:
F={F1,F2,…,FN}即F={F1,F2,…,F3216}
S103、将所述时间序列图像输入LeNet5 CNN模型中,训练得到对应的第一弱分类模型。
具体的,将所述时间序列图像划分为β组平衡数据作为第一训练数据集DZi={(Zp1,h1),(Zp2,h2),…,(Zpp,hp)}输入LeNet5 CNN模型中,其中i=1,…,β,样本Zpj,j=1,…,p来自时间序列图像集Z={Z1,Z2,…,ZN},yi为样本标签。直到β组数据全部训练完成,结合池化特征矩阵P、全连接层权重矩阵ω和偏置项b得到输出层值Zmi=softmax(ωP+b),进而得到β个对应的第一弱分类模型{Zm1,Zm2,…,Zmβ},其中,β≤N,其中,LeNet5 CNN模型由输入层、卷积层C1、采样层S1、卷积层C2、采样层S2、全连接层和输出层构成。经典LeNet5CNN模型的框架图如图4所示。
举例来说,输入层的参数设置:W1=64,H1=16;卷积层C1和C2的参数设置为:卷积核的大小为5×5,步长大小为1,无填充;采样层S1和S2的参数设置:步长为2,无填充;输出层参数设置为:采用Softmax函数,故障类别数为4。
设置弱分类模型数为β=10,样本数为p=3200,则第一训练数据集为DZi={(Zp1,h1),(Zp2,h2),…,(Zp3200,h3200)},其中i=1,…,10样本Zpj,j=1,…,3200来自时间序列图像集Z={Z1,Z2,…,Z3216},yi为样本标签,结合池化特征矩阵P、全连接层权重矩阵ω和偏置项b得到输出层值Zmi=softmax(ωP+b),直到β组数据全部训练完成,即i≥β,获得β个第一弱分类模型{Zm1,Zm2,…,Zmβ}。
S104、将所述时频图像输入LeNet5 CNN模型中,训练得到对应的第二弱分类模型。
具体的,将所述时频图像划分为β组平衡数据作为第二训练数据集DFi={(Fp1,h1),(Fp2,h2),…,(Fpp,hp)}输入LeNet5 CNN模型中,其中其中i=1,…,β样本Fpj,j=1,…,p来自时间序列图像集F={F1,F2,…,FN},hi为样本标签。直到β组数据全部训练完成,结合池化特征矩阵P、全连接层权重矩阵ω和偏置项b得到输出层值Zmi=softmax(ωP+b),进而得到β个对应的第二弱分类模型{Fm1,Fm2,…,Fmβ},其中,β≤N,其中,LeNet5 CNN模型由输入层、卷积层C1、采样层S1、卷积层C2、采样层S2、全连接层和输出层构成。经典LeNet5 CNN模型的框架图如图4所示,即通过输入层输入图像M1×M2,经过卷积层C1卷积后,得到特征图NC1@M11×M12,然后经过采样层S1采样后得到特征图NS1@M21×M22,再经过卷积层C2和采样层S2拉伸扩展,得到一维向量NS1×M21×M22,最后经过全连接层后由输出层输出。
举例来说,输入层的参数设置:W1=28,H1=28;卷积层C1和C2的参数设置为:卷积核的大小为5×5,步长大小为1,无填充;采样层S1和S2的参数设置:步长为2,无填充;输出层参数设置为:采用Softmax函数,故障类别数为4。
设置弱分类模型数为β=10,样本数为p=3200,则第二训练数据集为DFi={(Fp1,h1),(Fp2,h2),…,(Fp3200,h3200)},其中i=1,…,10样本Zpj,j=1,…,3200来自时间序列图像集Z={Z1,Z2,…,Z3216},yi为样本标签,结合池化特征矩阵P、全连接层权重矩阵ω和偏置项b得到输出层值Zmi=softmax(ωP+b),直到β组数据全部训练完成,即i≥β,获得β个第二弱分类模型{Fm1,Fm2,…,Fmβ}。
S105、采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型。
具体的,将所述第一弱分类模型{Zm1,Zm2,…,Zmβ}和所述第二弱分类模型{Fm1,Fm2,…,Fmβ}输入GBDT算法中,则GBDT的输入样本为D={Zm1,Zm2,…,Zmβ,Fm1,Fm2,…,Fmβ}={T1,T2,…,T2β},且对应的样本标签为y={yi,i=1,…,2β},其中,GBDT算法如图5所提供的基于CNN的GBDT算法结构图所示,将所述时间序列图像和所述时频图像输入CNN模型,得到对应的CARTi,不断经过CNN模型和对应的CARTi训练后,得到对应的权重γi,组成GBDT集成模型。
由于本发明采用GBDT算法来处理多分类问题,因此其对应的对数似然损失函数为:
其中
第k类的概率pk(T)为:
结合对数似然损失函数初始化分类树,即:
对所有的m=1,2,…,M;i=1,…,2β计算梯度误差
根据计算各叶节点的最佳残差拟合值
得到回归树
例如,分别将10个所述第一弱分类模型{Zm1,Zm2,…,Zmβ}和10个所述第二弱分类模型{Zm1,Zm2,…,Zmβ}输入到GBDT算法中,则GBDT的输入样本为D={Dm1,Dm2,…,Dm10,Fm1,Fm2,…,Fm10}={T1,T2,…,T20},且对应的样本标签为y={yi,i=1,…,20},然后初始化分类树、计算梯度误差、各叶节点的最佳残差拟合值,然后更新分类树,得到回归树,完成CNN+GBDT故障诊断模型的建立。
S106、将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,完成轴承故障的诊断分类。
具体的,将所述时间序列图像Z={Z1,Z2,…,ZN}和所述时频图像F={F1,F2,…,FN}输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类,其中,轴承故障诊断如图6所提供的基于卷积神经网络的GBDT模型轴承故障诊断结构图所示,将多个轴承信号经过时间序列变换和连续小波变换后得到对应的时间序列图像和时频图像,经过CNN和GBDT训练后,得到对应的故障诊断信息,对所述故障诊断信息进行轴承故障诊断后,所述故障诊断信息将会分为正常信号、内环故障、滚珠故障和外环故障四类。
其中,诊断误差计算公式为:
各类测试样本的精度计算公式为:
可行性指标F1的计算公式为:
其中P为查准率,R为查准率。
举例来说,每个弱分类器中输入3200个样本,其中训练样本数为2700个,测试样本数为800个。假设弱分类参数β=10,则通过公式(10)计算获得正常信号、内环故障信号,滚珠故障信号和外环故障信号的诊断精度,以及平均诊断误差和F1值,结果如表1所示。
表1基于CNN+GBDT模型的故障诊断结果
指标参数 | β | ACC<sub>N</sub> | ACC<sub>I</sub> | ACC<sub>B</sub> | ACC<sub>O</sub> | E<sub>test</sub> | F1 |
数值(%) | 10 | 99.01 | 98.21 | 97.98 | 99.44 | 1.79 | 97.6 |
表1展示了CNN+GBDT模型的诊断精度较高,最低为97.98%,最高可达99.44%,且指标F1可达0.976,因此证明了该发明的可行性。
为了证明该模型的有效性和高精度性能,本文将基于时间序列图像的CNN模型(CNN-Z),基于时频图像的CNN模型(CNN-F)和CNN+GBDT模型进行比较,比较结果如图7所示。
图7展示了基于时间序列图像的CNN模型(CNN-Z),基于时频图像的CNN模型(CNN-F)和CNN+GBDT模型的诊断误差比较结果。从图7可得到,当训练期数为50时,模型CNN-Z、CNN-F和CNN+GBDT的平均诊断误差达到缓和,当训练期数为55时,三个模型的诊断误差分别为8.83%、2.89%和1.79%。此外CNN+GBDT将CNN-Z和CNN-F模型进行集成,集成模型CNN+GBDT的诊断误差更小,即提高了故障诊断精度。
本发明的一种基于卷积神经网络的GBDT故障诊断集成方法,基于欠采样反例类别和过采样正例类别,对k种轴承故障分别截取m个样本,得到数据样本总数N,并构成被测样本集,对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像,将所述时间序列图像和所述时频图像分别转换为第一训练数据集和所述第二训练数据集输入LeNet5 CNN模型中,得到对应的第一弱分类模型和第二弱分类模型,采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型,然后将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类,提高故障诊断精度。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,包括:
利用过采样和欠采样,获取被测样本集;
对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像;
将所述时间序列图像输入LeNet5 CNN模型中,训练得到对应的第一弱分类模型;
将所述时频图像输入LeNet5 CNN模型中,训练得到对应的第二弱分类模型;
采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型;
将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,完成轴承故障的诊断分类。
2.如权利要求1所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,所述利用过采样和欠采样,获取被测样本集,包括:
基于欠采样反例类别和过采样正例类别,对k种轴承故障分别截取m个样本,得到数据样本总数N,并构成被测样本集,其中,k≥1,m≥1,N=km。
3.如权利要求2所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,对所述被测样本集进行时间序列变换和连续小波变换,得到时间序列图像和时频图像,包括:
对所述被测样本集进行时间序列变换,将数据特征周期作为宽度,得到对应的时间序列图像,同时获取尺度因子、平移因子、共轭复数和小波基函数对所述被测样本集进行连续小波变换,得到对应的时频图像。
4.如权利要求3所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,将所述时间序列图像输入LeNet5 CNN模型中,训练得到对应的第一弱分类模型,包括:
将所述时间序列图像划分为β组平衡数据作为第一训练数据集输入LeNet5 CNN模型中,直到β组数据全部训练完成,结合池化特征矩阵、全连接层权重矩阵和偏置项,计算得到β个对应的第一弱分类模型,其中,β≤N。
5.如权利要求4所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,将所述时频图像输入LeNet5 CNN模型中,训练得到对应的第二弱分类模型,包括:
将所述时频图像划分为β组平衡数据作为第二训练数据集输入LeNet5 CNN模型中,直到β组数据全部训练完成,结合池化特征矩阵、全连接层权重矩阵和偏置项,计算得到β个对应的第二弱分类模型,其中,β≤N。
6.如权利要求5所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,采用GBDT算法对所述第一弱分类模型和所述第二弱分类模型进行串行集成,建立CNN+GBDT故障诊断模型,包括:
将所述第一弱分类模型和所述第二弱分类模型输入GBDT算法中,并结合对数似然损失函数初始化分类树,同时计算出梯度误差和残差拟合值,并更新所述分类树,得到回归树。
7.如权利要求6所述的基于卷积神经网络的GBDT故障诊断集成方法,其特征在于,将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,完成轴承故障的诊断分类,包括:
将所述时间序列图像和所述时频图像输入CNN+GBDT故障诊断模型进行训练,并根据诊断误差、测试样本精度和可行性指标,完成对轴承诊断的诊断分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926774.2A CN112069998A (zh) | 2020-09-07 | 2020-09-07 | 基于卷积神经网络的gbdt故障诊断集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926774.2A CN112069998A (zh) | 2020-09-07 | 2020-09-07 | 基于卷积神经网络的gbdt故障诊断集成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069998A true CN112069998A (zh) | 2020-12-11 |
Family
ID=73663310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926774.2A Pending CN112069998A (zh) | 2020-09-07 | 2020-09-07 | 基于卷积神经网络的gbdt故障诊断集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069998A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
WO2022147684A1 (zh) * | 2021-01-06 | 2022-07-14 | 罗伯特·博世有限公司 | 用于识别机械装置或机械部件中的异常的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
-
2020
- 2020-09-07 CN CN202010926774.2A patent/CN112069998A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
Non-Patent Citations (2)
Title |
---|
余小高: "基于大数据的高风险学生预测研究", 31 May 2019, 厦门大学出版社, pages: 127 - 130 * |
林颖: "基于XGBoost-CNN模型的图片识别分析", 中国优秀硕士学位论文全文数据库社会科学Ⅱ辑, no. 07, pages 29 - 39 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022147684A1 (zh) * | 2021-01-06 | 2022-07-14 | 罗伯特·博世有限公司 | 用于识别机械装置或机械部件中的异常的方法及装置 |
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN112785016B (zh) * | 2021-02-20 | 2022-06-07 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Highly accurate machine fault diagnosis using deep transfer learning | |
CN111721536B (zh) | 一种改进模型迁移策略的滚动轴承故障诊断方法 | |
Zhang et al. | Limited data rolling bearing fault diagnosis with few-shot learning | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
Su et al. | A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity | |
CN113255882B (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
Huang et al. | Application of wavelet neural networks on vibration fault diagnosis for wind turbine gearbox | |
CN112069998A (zh) | 基于卷积神经网络的gbdt故障诊断集成方法 | |
CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
CN110333076B (zh) | 基于CNN-Stacking的轴承故障诊断方法 | |
CN112834221A (zh) | 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法 | |
Chen et al. | Multi-expert Attention Network with Unsupervised Aggregation for long-tailed fault diagnosis under speed variation | |
WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN112329520A (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
CN114372492A (zh) | 一种可解释性滚动轴承故障诊断方法 | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
Liao et al. | The fault diagnosis for centrifugal compressor based on time series analysis with neutral network | |
CN108573282A (zh) | 基于小数据集下的bn参数学习的目标识别方法 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN116952583A (zh) | 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法 | |
CN114781427B (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 | |
Wei et al. | A novel data augmentation and composite multi-scale network for mechanical fault diagnosis |
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 |