CN112163640A - 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 - Google Patents
基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112163640A CN112163640A CN202011190507.XA CN202011190507A CN112163640A CN 112163640 A CN112163640 A CN 112163640A CN 202011190507 A CN202011190507 A CN 202011190507A CN 112163640 A CN112163640 A CN 112163640A
- Authority
- CN
- China
- Prior art keywords
- data set
- network
- fault
- target domain
- source domain
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013508 migration Methods 0.000 title claims description 14
- 230000005012 migration Effects 0.000 title claims description 14
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000013526 transfer learning Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 40
- 238000010276 construction Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008685 targeting Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004804 winding 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
- G06F18/21—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统，其包括以下步骤：收集已有工况S下的行星齿轮箱故障数据集，构建源域数据集；对每一组原始振动信号都进行点数分割，构建源域样本数据集；构建目标域数据集，并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域样本数据集；将源域样本数据集和目标域样本数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。本发明可以在面对多工况下故障样本较少或某故障样本缺失等情况发生时，仍旧可以获得较为理想的故障诊断效果，且在新工况下的数据集，不需要重新训练网络模型，可以节约大量时间。
Description
技术领域
本发明涉及一种机械故障诊断技术领域，特别是关于一种基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统。
背景技术
行星齿轮箱作为机械设备的核心零部件，持续受到多变的冲击力和载荷所影响，在恶劣工况下易在不同的部位出现不同程度故障。行星齿轮一旦损坏，导致机械设备停止运转，维修成本高以及时间长，造成机械设备的可靠性及经济性下降。因此通过对机械设备状态监测、故障诊断和寿命预测，在设备发生故障或即将发生故障时对设备进行维护，对于提高机械设备的可靠性以及经济性具有重要意义。
面对监测实际工况过程中机械设备常运转在多变工况的情况下，且机械设备产生故障状态较少。从而导致机械设备在实际工况中所监测采集的故障状态数据有着多工况，故障状态样本较少甚至某一故障状态样本缺失的特点。传统诊断方法在面对不同工况下的故障数据样本，需在工况改变时重新网络模型，其过程花费大量时间。并且多数传统诊断方法依赖于大量故障标签数据，而在面对故障状态样本不足或故障状态样本缺失情况发生时，传统网络模型的泛化能力不佳，对故障诊断效果并不理想。因此，提出一种在小样本或缺失样本数据集下，仍有足够的泛化能力，且减少网络模型在新工况故障数据中的训练时间的故障诊断方法是十分必要的。
发明内容
针对上述问题，本发明的目的是提供一种基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统，其可以在面对多工况下故障样本较少或某故障样本缺失等情况发生时，仍旧可以获得较为理想的故障诊断效果，且在新工况下的数据集，不需要重新训练网络模型，可以节约大量时间。
为实现上述目的，本发明采取以下技术方案：一种基于深度卷积迁移学习行星齿轮箱故障诊断方法，其包括以下步骤：S1、收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集；S2、对每一组原始振动信号都进行点数分割，构建源域数据集；S3、构建目标域样本数据集，并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域数据集；S4、将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。
进一步，所述步骤S1中，已有工况S下的行星齿轮箱故障样本数据集，按照故障类型分类为w个状态，每种故障类型下的原始振动信号
其中w代表数据类别，w＝1，2，3…n，xN表示为在w故障状态下的第N组故障信号。
进一步，所述步骤S2中，源域样本数据集构建方法包括以下步骤：
S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t；样本di＝{x0,…xl}，i＝1,2,3,…,t；根据样本得到源域数据集Ms＝{d1，d2，d3，...dt}；
S22、设定源域数据集中源域测试集
与源域训练集
的比例为r，则源域训练集
样本数a＝t·r，源域测试集
样本数b＝t·(1-r)。
进一步，所述步骤S3中，采集新工况T下的行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号
根据该振动信号构建目标域样本数据集
其中，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态。
进一步，设定窗口滑动步长和窗口长度，构建目标域数据集MT；设定测试集与训练集比例，构建目标域数据训练集
和目标域数据测试集
进一步，所述步骤S4中，故障诊断包括以下步骤：
S41、将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练；
S42、利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2；
S43、对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻I4层的参数，得到微调后的网络I3；
S44、实时获取行星齿轮箱原始故障信号，传输至网络I3中，得到当前行星齿轮箱的故障诊断结果。
进一步，所述一维深度卷积神经网络I模型构建方法包括以下步骤：
(1)构建卷积池化层Lj：
Lj＝{Cj，Pj，Bj}
式中，Cj、Pj、Bj分别为卷积层、池化层、归一化层，用于特征提取；j为卷积池化模块编号；
(2)叠加4个卷积池化层，构建特征提取模块S，S＝{L1，L2，L3，L4}；
(3)添加特征分类模块D,D＝{LG，LF，Lsoftmax}，特征分类模块包括全球均值池化层LG、全连接层LF、Softmax层
完成网络构建。
进一步，所述步骤S43中，使用目标域训练数据集
对网络I3进行训练，使得网络对目标域数据集提取深层抽象特征
经由全连接层LF、Softmax层
输出目标域各个故障类型的故障概率分布，其最大概率对应故障类别作为诊断结果。
一种基于深度卷积迁移学习行星齿轮箱故障诊断系统，其包括：源域样本数据集构建模块、源域数据集构建模块、目标域数据集构建模块和故障诊断模块；所述源域样本数据集构建模块收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集；所述源域数据集构建模块对每一组原始振动信号都进行点数分割，构建源域数据集；所述目标域数据集构建模块构建目标域样本数据集，并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域样本数据集；所述故障诊断模块将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。
进一步，所述故障诊断模块中，故障诊断包括以下步骤：
将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练；
利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2；
对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻I4层的参数，得到微调后的网络I3；
实时获取行星齿轮箱原始故障信号，传输至网络I3中，得到当前行星齿轮箱的故障诊断结果。
本发明由于采取以上技术方案，其具有以下优点：1、本发明的深度卷机迁移学习方法相较于传统故障诊断方法，在面对少样本数据集或着缺失样本数据集时，仍有较高的故障诊断精度。2、本发明的深度卷积迁移学习方法相较于传统的故障诊断方法，利用卷积神经网络层级结构迁移学习，在面对新工况训练时可节省大量时间。
附图说明
图1是本发明方法的整体流程示意图。
图2是本发明一维卷积网络结构示意图。
图3是本发明网络迁移学习示意图。
图4是本发明网络迁移学习微调示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种基于深度卷积迁移学习行星齿轮箱故障诊断方法，其包括以下步骤：
S1、收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集
已有工况S下的行星齿轮箱故障样本数据集，按照故障类型分类为w个状态，每种故障类型下的原始振动信号
其中w代表数据类别，w＝1，2，3…n，xN表示为在w故障状态下的第N组故障信号。
S2、对每一组原始振动信号都进行点数分割，构建源域数据集；
以
中的其中一组信号x1为例，对x1进行点数分割构建源域样本数据集，具体步骤如下：
S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t。样本di＝{x0,…xl}，i＝1,2,3,…,t。根据样本得到源域数据集Ms＝{d1，d2，d3，...dt}；
S22、设定源域数据集中源域测试集
与源域训练集
的比例为r，则源域训练集
样本数a＝t·r，源域测试集
样本数b＝t·(1-r)；在本实施例中，优选比例r＝0.3。
S3、构建目标域样本数据集
并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域数据集；
采集新工况T下的行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号
根据该振动信号构建目标域样本数据集
其中，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态；
依照步骤S21设定窗口滑动步长和窗口长度，构建目标域数据集MT，依照步骤S22设定测试集与训练集比例，构建目标域数据训练集
和目标域数据测试集
S4、将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断，其具体步骤如下：
S41、将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练。
网络内部参数初始化包括设定学习率、激活函数、权重参数和特征提取操作等。
其中，如图2所示，一维深度卷积神经网络I模型构建方法为：
(1)构建卷积池化层Lj：
式中，Cj、Pj、Bj分别为卷积层、池化层、归一化层，用于特征提取；j为卷积池化模块编号。
(2)叠加4个卷积池化层，构建特征提取模块S，S＝{L1，L2，L3，L4}。
(3)添加特征分类模块D,D＝{LG，LF，Lsoftmax}，特征分类模块包括全球均值池化层LG、全连接层LF、Softmax层
完成网络构建。
源域数据训练集经由特征提取模块中各卷积池化层的Cj、Pj、Bj的卷积核操作、池化操作、归一化操作输出特征
经过4个卷积池化层的叠加S＝{L1，L2，L3，L4}得到最终特征
最终特征
经由全球均值池化层后输出特征值yfg；全连接层对yfg进行特征组合以及Dropout操作输出特征值yf，并将yf输入到Softmax分类器中计算源域各个故障类型的概率分布，其最大概率对应故障类别作为诊断结果。
S42、利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2，如图3所示。
使用目标域数据训练集
对新网络I2进行训练，更新Softmax层
中的权重参数，通过目标域测试集
对网络进行测试，若测试效果理想则完成迁移学习，反之继续进行网络迭代进行反向传播直到网络在测试集上达到理想效果为止。
S43、对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻L4层的参数，得到微调后的网络I3，如图4所示。
使用目标域训练数据集
对网络I3进行训练，使得网络对目标域数据集提取深层抽象特征
经由全连接层LF、Softmax层
输出目标域各个故障类型的故障概率分布，其最大概率对应故障类别作为诊断结果。
S44、实时获取步骤S3的行星齿轮箱原始故障信号，传输至步骤S43中的网络I3中，得到当前行星齿轮箱的故障诊断结果。
本发明还提供一种基于深度卷积迁移学习行星齿轮箱故障诊断系统，其包括：源域样本数据集构建模块、源域数据集构建模块、目标域数据集构建模块和故障诊断模块；
源域数据集构建模块收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集；
源域数据集构建模块对每一组原始振动信号都进行点数分割，构建源域数据集；
目标域数据集构建模块构建目标域样本数据集，并对目标域样本数据集中的每组原始振动信号进行点数分割，构建目标域数据集；
故障诊断模块将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。
上述实施例中，在故障诊断模块中，故障诊断包括以下步骤：
将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练；
利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2；
对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻L4层的参数，得到微调后的网络I3；
实时获取行星齿轮箱原始故障信号，传输至网络I3中，得到当前行星齿轮箱的故障诊断结果。
综上，本发明构建一维深度卷积神经网络，利用一维卷积神经网络的层级结构进行迁移学习，提出基于深度卷积迁移学习的行星齿轮箱故障诊断方法。本发明使用已有的源域数据集对一维卷积神经网络进行预训练，利用一维卷积神经网络的层级结构对目标域数据集完成迁移学习，相比于传统的故障诊断方法对数据集的数量需求更低，并且面对新工况下可减少大量的训练时间，并且具有诊断精度高，鲁棒性强的特点。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于深度卷积迁移学习行星齿轮箱故障诊断方法，其特征在于，包括以下步骤：
S1、收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集；
S2、对每一组原始振动信号都进行点数分割，构建源域数据集；
S3、构建目标域样本数据集，并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域数据集；
S4、将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。
2.如权利要求1所述故障诊断方法，其特征在于，所述步骤S1中，已有工况S下的行星齿轮箱故障样本数据集，按照故障类型分类为w个状态，每种故障类型下的原始振动信号
其中w代表数据类别，w＝1，2，3…n，xN表示为在w故障状态下的第N组故障信号。
3.如权利要求1所述故障诊断方法，其特征在于，所述步骤S2中，源域样本数据集构建方法包括以下步骤：
S21、根据数据点数N设定窗口滑动步长S、窗口长度l，生成样本个数为t；样本di＝{x0，…xl}，i＝1，2，3，…，t；根据样本得到源域数据集Ms＝{d1，d2，d3，...dt}；
S22、设定源域数据集中源域测试集
与源域训练集
的比例为r，则源域训练集
样本数a＝t·r，源域测试集
样本数b＝t·(1-r)。
4.如权利要求1所述故障诊断方法，其特征在于，所述步骤S3中，采集新工况T下的行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号
根据该振动信号构建目标域样本数据集
其中，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态。
5.如权利要求4所述故障诊断方法，其特征在于，设定窗口滑动步长和窗口长度，构建目标域数据集MT；设定测试集与训练集比例，构建目标域数据训练集
和目标域数据测试集
6.如权利要求1所述故障诊断方法，其特征在于，所述步骤S4中，故障诊断包括以下步骤：
S41、将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练；
S42、利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2；
S43、对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻L4层的参数，得到微调后的网络I3；
S44、实时获取行星齿轮箱原始故障信号，传输至网络I3中，得到当前行星齿轮箱的故障诊断结果。
7.如权利要求6所述故障诊断方法，其特征在于，所述一维深度卷积神经网络I模型构建方法包括以下步骤：
(1)构建卷积池化层Lj：
Lj＝{Cj，Pj，Bj}
式中，Cj、Pj、Bj分别为卷积层、池化层、归一化层，用于特征提取；j为卷积池化模块编号；
(2)叠加4个卷积池化层，构建特征提取模块S，S＝{L1，L2，L3，L4}；
(3)添加特征分类模块D，D＝{LG，LF，Lsoftmax}，特征分类模块包括全球均值池化层LG、全连接层LF、Softmax层
完成网络构建。
8.如权利要求6所述故障诊断方法，其特征在于，所述步骤S43中，使用目标域训练数据集
对网络I3进行训练，使得网络对目标域数据集提取深层抽象特征
经由全连接层LF、Softmax层
输出目标域各个故障类型的故障概率分布，其最大概率对应故障类别作为诊断结果。
9.一种基于深度卷积迁移学习行星齿轮箱故障诊断系统，其特征在于，包括：源域样本数据集构建模块、源域数据集构建模块、目标域数据集构建模块和故障诊断模块；
所述源域样本数据集构建模块收集已有工况S下的行星齿轮箱故障数据集，构建源域样本数据集；
所述源域数据集构建模块对每一组原始振动信号都进行点数分割，构建源域数据集；
所述目标域数据集构建模块构建目标域样本数据集，并对目标域数据集中的每组原始振动信号进行点数分割，构建目标域样本数据集；
所述故障诊断模块将源域数据集和目标域数据集利用深度卷积迁移学习，实现对行星齿轮箱进行故障诊断。
10.如权利要求9所述故障诊断系统，其特征在于，所述故障诊断模块中，故障诊断包括以下步骤：
将源域数据训练集
输入一维深度卷积神经网络I进行预训练对网络参数初始化，通过源域测试集
对网络进行测试其网络效果，若测试效果理想则预训练完成确定参数，并完成训练网络，反之继续调整网络进行反向传播不断更新参数直到网络在测试集上达到理想效果完成训练；
利用卷积神经网络层级结构对目标域数据集MT进行迁移学习，冻结网络模型I的特征提取模块S、特征分类模块中的全球均值池化层LG和全连接层中LF的权重参数，为网络模型I适应目标域数据集添加新的Softmax层
完成网络层级调整构建新网络I2；
对网络I2进行微调，通过锁定特征分类模块D，以及L1，L2，L3层的权重参数，解冻L4层的参数，得到微调后的网络I3；
实时获取行星齿轮箱原始故障信号，传输至网络I3中，得到当前行星齿轮箱的故障诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011190507.XA CN112163640A (zh) | 2020-10-30 | 2020-10-30 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011190507.XA CN112163640A (zh) | 2020-10-30 | 2020-10-30 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163640A true CN112163640A (zh) | 2021-01-01 |
Family
ID=73865224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011190507.XA Pending CN112163640A (zh) | 2020-10-30 | 2020-10-30 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163640A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| 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 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
| CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
| CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
| CN113778811A (zh) * | 2021-09-28 | 2021-12-10 | 重庆邮电大学 | 基于深度卷积迁移学习软件系统故障监测方法及系统 |
| CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
| CN115037641A (zh) * | 2022-06-01 | 2022-09-09 | 网络通信与安全紫金山实验室 | 基于小样本的网络流量检测方法、装置、电子设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
| US20200012457A1 (en) * | 2018-07-09 | 2020-01-09 | Canon Kabushiki Kaisha | System and method |
| 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 |
| CN111444871A (zh) * | 2020-04-01 | 2020-07-24 | 北京信息科技大学 | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
-
2020
- 2020-10-30 CN CN202011190507.XA patent/CN112163640A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| US20200012457A1 (en) * | 2018-07-09 | 2020-01-09 | Canon Kabushiki Kaisha | System and method |
| CN110703723A (zh) * | 2018-07-09 | 2020-01-17 | 佳能株式会社 | 系统、方法和非暂时性计算机可读存储介质 |
| 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 |
| CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
| 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 |
| CN111444871A (zh) * | 2020-04-01 | 2020-07-24 | 北京信息科技大学 | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| MENGYUE GENG等: "Deep Transfer Learning for Person Re-identification", 《ARXIV:1611.05244V2》, pages 5 * |
| 杨枫: "基于深度学习的行星齿轮箱故障诊断研究", 《万方数据知识服务平台》, pages 45 - 52 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| 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 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN113095413B (zh) * | 2021-04-14 | 2023-05-23 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
| CN113283532B (zh) * | 2021-06-09 | 2022-09-09 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
| CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
| CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
| CN113469230B (zh) * | 2021-06-17 | 2023-07-07 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
| CN113778811A (zh) * | 2021-09-28 | 2021-12-10 | 重庆邮电大学 | 基于深度卷积迁移学习软件系统故障监测方法及系统 |
| CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
| CN115037641A (zh) * | 2022-06-01 | 2022-09-09 | 网络通信与安全紫金山实验室 | 基于小样本的网络流量检测方法、装置、电子设备及介质 |
| CN115037641B (zh) * | 2022-06-01 | 2024-05-03 | 网络通信与安全紫金山实验室 | 基于小样本的网络流量检测方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
| Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
| Li et al. | Intelligent fault diagnosis of rolling bearings under imbalanced data conditions using attention-based deep learning method | |
| CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
| CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
| CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN108875918B (zh) | 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 | |
| CN112629863A (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN112924177B (zh) | 一种改进深度q网络的滚动轴承故障诊断方法 | |
| CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| Li et al. | Domain adaptation remaining useful life prediction method based on AdaBN-DCNN | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN116625686B (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
| CN113778811A (zh) | 基于深度卷积迁移学习软件系统故障监测方法及系统 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |