CN112183581A - 基于自适应迁移神经网络的半监督机械故障诊断方法 - Google Patents
基于自适应迁移神经网络的半监督机械故障诊断方法 Download PDFInfo
- Publication number
- CN112183581A CN112183581A CN202010927566.4A CN202010927566A CN112183581A CN 112183581 A CN112183581 A CN 112183581A CN 202010927566 A CN202010927566 A CN 202010927566A CN 112183581 A CN112183581 A CN 112183581A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- classifier
- domain fault
- target 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 86
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000013508 migration Methods 0.000 title claims abstract description 43
- 230000005012 migration Effects 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 150
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012935 Averaging Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 24
- 230000006978 adaptation Effects 0.000 claims description 23
- 239000004576 sand Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000036541 health Effects 0.000 description 6
- 230000001617 migratory effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
Abstract
本发明公开了一种基于自适应迁移神经网络的半监督机械故障诊断方法，包括首先获得多个由源域故障训练样本及其对应标签构成的源域故障数据集和由不带标签的目标域故障数据构成的目标域故障数据集，目标域故障数据分为目标域故障训练样本和目标域故障测试数据；然后归一化这些数据；构建自适应迁移神经网络诊断模型，利用源域故障数据集监督训练模型和构造分类器损失函数，并构造分类器判别损失函数和利用目标域故障训练样本来对抗训练特征提取器和分类器；将目标域故障测试数据输入到训练好的模型中，输出的两个概率值求和平均，得到最终的分类诊断结果。本发明可以提高对目标域故障数据的判别能力，有效改进实际变工况下的智能故障诊断任务。
Description
技术领域
本发明涉及机械故障诊断技术领域，特别涉及一种基于自适应迁移神经网络的半监督机械故障诊断方法。
背景技术
旋转机械广泛应用在航空航天、汽车制造、轨道交通和风力发电等国计民生的重要工程领域，在国民经济生产中具有举足轻重的作用。开展机械设备的状态监测与诊断，对可能发生的故障进行检测、诊断和预测，以“防范于未然”，对保证机械的可靠、连续和稳定运行，减少经济损失和运行成本以及避免重大事故发生，具有十分重要的现实需求和实际意义。
基于机器学习的诊断方法不需建立复杂部件或系统的动力学模型，通过利用大量历史数据建立和优化模型，就可获得良好结果，因而非常适用于复杂机械的智能故障诊断。传统数据驱动方法如支持向量机、极限学习机和人工神经网络等通常具有浅层结构，在学习复杂的函数映射和高维特征上具有局限性，因而网络对特征的数量和质量具有很大的依赖性，限制了其更广泛的应用。基于深度学习的数据驱动诊断技术由于其强大的自动特征学习能力近年来受到了越来越多的关注。
深度学习通常指由多层隐藏层构建的深度神经网络。其基本思想在于模拟人脑的分层结构，通过构建多层非线性变换，对外部输入的数据进行处理，从而可从大量数据中，学习多层次抽象特征以及隐藏结构表示，实现对输入数据的智能识别和预测。常见的深度学习模型包括深度置信网络、堆叠自编码网络、卷积神经网络、循环神经网络以及各种衍生的算法。
深度神经网络良好的分类性能的获得，通常需要满足一个基本的假设，即测试样本和训练样本满足独立同分布。然而机械设备往往工作在变工况环境中，尤其是在变转速环境下，其关键零部件如轴承、齿轮和转轴等有关的特征频率和幅值信息等都会随着转速而改变，导致测试数据和训练数据存在较大的分布差异，无法满足独立同分布假设，会呈现域迁移问题。现有的基于监督学习的诊断方法为应对变工况的故障诊断，往往需要重新采集相应的有标签故障样本，与旧的故障样本相融合，重新训练网络的参数，才能对故障进行有效的诊断。但在每次诊断时需要重新采集有标签的故障数据，这在实际应用中不容易实现，因此，必须寻找一种有效的学习方法来改进深度神经网络在变工况下的分类性能，提高故障诊断的可靠性和泛化能力。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于自适应迁移神经网络的半监督机械故障诊断方法，该方法可以提高对目标域故障数据的判别能力，有效改进实际变工况下的智能故障诊断任务。
本发明的第二目的在于提供一种基于自适应迁移神经网络的半监督机械故障诊断装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种基于自适应迁移神经网络的半监督机械故障诊断方法，步骤如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；
根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得可用于目标域诊断任务的训练好的诊断模型；
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
优选的，源域故障数据集和目标域故障数据集分别为不同试验平台的故障数据，或者为同一个试验平台在不同的采集位置或者运行工况下的故障数据；试验平台具有机械设备，且通过加速度传感器、声音传感器或者转速传感器采集得到故障数据；
归一化处理具体为：将数据集中每个样本减去该数据集自身的样本均值，并除以标准差以进行归一化。
优选的，特征提取器采用卷积神经网络、深度置信网络、堆叠自编码网络或者长短期记忆网络；
当特征提取器采用卷积神经网络时，针对故障信号为一维时域信号的特点，特征提取器由具有一维卷积核的卷积层和一维池化核的最大池化层堆叠而成；
每个分类器由全连接层和Softmax分类层构成。
优选的，在步骤S3中，监督训练特征提取器G和分类器的过程具体如下：
将源域故障训练样本Xs输入特征提取器G中，得到数据的高维特征，将高维特征进一步输入到两个分类器C1和C2中，两个分类器分别将源域故障数据准确分为K类，分类器采用Softmax函数作为输出以获得类别的概率分布；
采用监督学习方法，最小化分类器损失函数Lcls(Xs,Ys)来训练特征提取器G和对应的两个分类器C1和C2，以对网络生成器和分类器的参数进行优化：
其中，采用交叉熵损失函数构造分类器损失函数，其公式为：
式中，p(ys|xs)对应于分类器对源域样本的概率输出；xs为从Xs中抽样出来的单个源域故障训练样本，ys为xs所对应的Ys中的单个标签。
优选的，将两个分类器输出的概率之差的绝对值作为度量函数，以度量两个分类器的输出差异，计算公式如下：
式中，d为度量函数；k为故障类别的序号；K为故障类别数目；p1k和p2k分别为两个分类器对第k类故障的概率输出；
构造对应的分类器判别损失函数，具体为：
Ldis(Xt)＝Ext～Xt[d(p1(y|xt),p2(y|xt))] (4)
式中，p1(y|xt)和p2(y|xt)分别表示由分类器C1和C2获得的概率输出，d(p1(y|xt),p2(y|xt))为两个分类器对目标域故障数据的概率输出的散度；xt为从Xt中抽样出来的单个目标域故障数据，y为xt对应的故障类别；分类器判别损失函数通过测量两个分类器对目标域故障数据的概率输出的散度来测量目标样本数据的差异。
更进一步的，在域适配阶段，对抗训练策略具体是采用交替迭代的方式来对网络参数进行更新：
(1)固定特征提取器G，训练两个分类器C1和C2：
采用带标签的源域故障训练样本优化分类器的分类性能，同时最大化分类器的分类差异，使得两个分类器更好地检测出位于源域边界之外的目标域故障数据；通过对分类器判别损失函数引入负数，最小化分类损失函数Lcls(Xs,Ys)和分类器判别损失函数Ldis(Xt)，对分类器参数进行更新：
(2)考虑到优化后的分类器能对不同决策边界外的目标域样本进行检测，但无法减少源域故障数据和目标域故障训练样本的分布差异，故进一步固定分类器C1和C2的参数，训练特征提取器G，使得目标域故障数据与源域故障训练样本之间的分布差异尽可能小，从而实现对源域故障数据和目标域故障训练样本的分布匹配，所用的网络优化函数的计算公式如下：
优选的，步骤S5中，两个分类器输出的概率值求和平均的计算公式为：
output＝argmax((p1k+p2k)/2)
其中，(p1k+p2k)/2代表两个分类器输出的第k类的概率值；output代表输出概率最大值的索引，即为类别编号，对应于故障类别输出。
本发明的第二目的通过下述技术方案实现：一种基于自适应迁移神经网络的半监督机械故障诊断装置，包括：
数据采集和标定模块，用于根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
模型构建模块，用于构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
模型优化模块，用于对模型重复进行监督训练和域适配，直至达到设定的诊断精度或者迭代次数，获得训练好的诊断模型；模型优化模块进一步包括监督训练模块和域适配模块：
监督训练模块，用于采用监督学习算法和梯度下降法，利用源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
域适配模块，用于将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
测试模块，用于将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
本发明的第三目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的基于自适应迁移神经网络的半监督机械故障诊断方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的基于自适应迁移神经网络的半监督机械故障诊断方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明方法采用具有一维卷积核和一维池化核的特征提取器，可以有效的从原始数据出发学习提取故障的高维特征，而不需要额外的信号处理知识，提高了特征提取的智能性。此外，考虑目标域样本与源域类别决策边界的关系，构建具有深度神经网络结构和独立分类器的诊断模型，利用源域故障数据分别进行训练，可利用源域标签信息学习不同的决策边界，实现对决策边界外的目标域样本的有效检测，提高了目标域故障数据的判别能力以及故障诊断的可靠性和泛化能力，有效改进了实际变工况下的智能故障诊断任务。
(2)现有的深度迁移网络诊断模型，通常采用深度神经网络提取高维特征，采用度量函数如MMD或域判别器等优化分类器，实现源域和目标域特征对齐，没有考虑源域类别决策边界对目标域特征匹配的影响，使得在源域故障数据上学习到的类别决策边界对处于边界间的目标域样本会产生特征分布误匹配。本发明方法通过引入分类损失函数、分类器判别损失函数，采用对抗训练技术，最大化两个分类器的分类差异，同时最小化源域与目标域特征分布差异，使网络可利用源域类别信息减少目标域故障数据的误匹配。
(3)本发明可利用实验室数据或者工业设备的历史数据学习诊断知识，并可迁移到不同工况以及不同实验设备的故障诊断实例中，用于解决在工业生产中，实际设备发生故障，但是训练数据中故障样本没有标签时的诊断问题。
(4)本发明构建了具有深度神经网络的特征提取器和两个独立的分类器,提出的特征提取器不仅可以采用卷积神经网络结构，同时还可用其它结构比如深度置信网络,堆叠自编码网络以及长短期记忆网络等，诊断模型的构建灵活性较高。
附图说明
图1是本发明基于自适应迁移神经网络的半监督机械故障诊断方法的流程图。
图2是图1方法中的自适应迁移神经网络诊断模型的示意图。
图3是训练自适应迁移神经网络诊断模型的示意图。
图4是加噪后的本发明方法与经典算法的分类精度比较图。
图5是本发明基于自适应迁移神经网络的半监督机械故障诊断装置的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种基于自适应迁移神经网络的半监督机械故障诊断方法，所述方法采用深度神经网络G和独立分类器C在历史故障数据上进行学习，并将其学习到的知识迁移到目标任务上，从而改进诊断性能。如图1所示，步骤如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型。每个故障数据是基于故障类型以及数据样本长度需至少包含一个故障数据周期的原则来进行截取，所截取出的一个样本含有若干个数据点。
根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理。
这里，源域故障数据集和目标域故障数据集分别为不同试验平台的故障数据，或者为同一个试验平台在不同的采集位置或者运行工况下的故障数据，试验平台具有机械设备，可通过相关的传感器比如加速度传感器、声音传感器或者转速传感器采集得到，当为加速度传感器时，故障数据为加速度数据；当为声音传感器时，故障数据为声音的波形和强度；当为转速传感器时，故障数据为转速数据。Xs表示多个源域故障训练样本，其中抽样出来的单个源域故障训练样本为xs；Ys表示多个源域故障训练样本的标签，其中单个标签为ys，也即是xs对应的标签；Xt表示多个目标域故障数据，其中抽样出来的单个目标域故障数据为xt。归一化处理具体为：将数据集中每个样本减去该数据集自身的样本均值，并除以标准差以进行归一化。
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，可采用卷积神经网络、深度置信网络(DBN)、堆叠自编码网络(SAE)或者长短期记忆网络(LSTM)。
本实施例特征提取器采用卷积神经网络，并且针对故障信号为一维时域信号的特点，该特征提取器是由具有一维卷积核的卷积层(Conv)和一维池化核的最大池化层(Max-pooling)堆叠而成。如图2所示，卷积神经网络共包括四个卷积层，其中卷积核采用padding算法，将每个卷积输入进行补零，同时使得卷积输出与输入尺寸相同，以减少卷积后的信息损失，并且所有激活函数采用ReLU线性修正单元激活函数。第一个卷积核大小采用16的尺寸，以抑制高频噪声，剩下三个卷积核大小都采用尺寸为3，以获得细节的特征。本实施例网络在每层卷积核之后还进一步添加有批次归一化技术，可以有效的对卷积输出的特征进行归一化，减少特征分布差异。
考虑到目标域样本与源域类别决策边界的关系，网络构建了两个独立的分类器，如图2所示，每个分类器采用了一个全连接层和一个Softmax分类层，从而使得网络可以有效的对处于两个决策边界之间的目标域故障数据进行检测，基于高维特征输出对应的故障分类概率。
S3、监督训练阶段：采用传统的监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数，以获得两个独立的分类决策边界，便于分类器对处于两个决策边界间的目标域故障数据进行检测。
监督训练的过程如下：
将源域故障训练样本Xs输入特征提取器G中，得到数据的高维特征，将高维特征进一步输入到两个分类器C1和C2中，两个分类器分别将源域故障数据准确分为K类，分类器采用Softmax函数作为输出以获得类别的概率分布；
如图3所示，采用监督学习方法，最小化分类器损失函数Lcls(Xs,Ys)来训练特征提取器G和对应的两个分类器C1和C2，以对网络生成器和分类器的参数进行优化：
其中，采用交叉熵损失函数构造分类器损失函数，其公式为：
式中，p(ys|xs)对应于分类器对源域样本的概率输出；xs为从Xs中抽样出来的单个源域故障训练样本，ys为xs所对应的Ys中的单个标签。S4、域适配阶段：
由于分类器C1和C2初始化参数不同，采用源域故障数据集同时训练网络时，可获得两个具有不同判别特性的分类器C1和C2，因为两个分类器学习到不同的决策边界，对同一个目标域故障数据，两个分类器可能获得不同的分类结果，因此如图3所示，网络还进一步引入分类判别损失函数：
将两个分类器输出的概率之差的绝对值作为度量函数，以度量两个分类器的输出差异，计算公式如下：
式中，d为度量函数；k为故障类别的序号；K为故障类别数目；p1k和p2k分别为两个分类器对第k类故障的概率输出；
构造对应的分类器判别损失函数，具体为：
Ldis(Xt)＝Ext～Xt[d(p1(y|xt),p2(y|xt))] (4)
式中，p1(y|xt)和p2(y|xt)分别表示由分类器C1和C2获得的概率输出，d(p1(y|xt),p2(y|xt))为两个分类器对目标域故障数据的概率输出的散度；xt为从Xt中抽样出来的单个目标域故障数据，y为xt对应的故障类别；分类器判别损失函数通过测量两个分类器对目标域故障数据的概率输出的散度来测量目标样本数据的差异。
然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配，使网络可利用源域类别信息来减少目标域故障数据的误匹配，从而改进网络的诊断性能。
这里引入对抗训练，主要是考虑到两个分类器C1和C2的决策边界只在源域故障训练样本上进行训练，当源域故障训练样本和待测的目标域故障数据分布不一致时，两个分类器都不能很好的对目标域故障数据进行分类，引入对抗训练能有效训练到生成器和分类器，减少两个域的数据分布差异。
对抗训练策略具体是采用交替迭代的方式来对网络参数进行更新：
(1)固定特征提取器G，训练两个分类器C1和C2：
采用带标签的源域故障训练样本优化分类器的分类性能，同时最大化分类器的分类差异，使得两个分类器更好地检测出位于源域边界之外的目标域故障数据；通过对分类器判别损失函数引入负数，最小化分类损失函数和分类器判别损失函数，对分类器参数进行更新：
(2)考虑到优化后的分类器能对不同决策边界外的目标域样本进行检测，但无法减少源域故障数据和目标域故障训练样本的分布差异，故进一步固定分类器C1和C2的参数，训练特征提取器G，使得目标域故障数据与源域故障训练样本之间的分布差异尽可能小，从而实现对源域故障数据和目标域故障训练样本的分布匹配，所用的网络优化函数的计算公式如下：
总的来说，在模型的整个训练过程中，先基于式(1)对特征提取器和两个分类器，利用带标签的源域故障训练样本，采用有监督学习的反向传播算法进行参数更新，然后基于式(5)和式(6)，利用无标签的目标域故障训练样本，采用对抗训练策略优化特征提取器和分类器，重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得可用于目标域诊断任务的训练好的诊断模型。
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
两个概率值求和平均的计算公式为：
output＝arg max((p1k+p2k)/2)
其中，(p1k+p2k)/2代表两个分类器输出的第k类的概率值；output代表输出概率最大值的索引，即为类别编号，对应于故障类别输出。
本实施例还从旋转机械滚动轴承故障试验平台采集故障数据来验证上述方法。在该试验平台中，输出轴承由皮带轮通过加载电机进行驱动，故障轴承安装在输出轴上，并在输出轴承座上安装加速度传感器，以12kHz的采样频率采集机械振动信号。试验台分别运行在800r/min、1100r/min和1400r/min的轴转速下，以模拟不同的运行工况。针对轴承的故障类型，总共设置了三种轴承健康状况：正常状况、内圈故障和外圈故障。此外，对所有的故障轴承都使用线切割机器产生直径分别为0.5mm和2mm的故障，以模拟不同故障的严重程度。
为构建迁移任务，将三种转速下的五个不同健康工况的轴承用于试验评估。考虑到轴承的内圈和外圈故障特征频率，截取的样本长度需至少包含故障频率的一个周期，因而从原始信号中截取出含有2048个数据点的样本。每个运行转速下具有五种健康状况(正常状况、0.5mm的内圈故障、2mm的内圈故障、0.5mm外圈故障、2mm的外圈故障)，每个运行转速下的每种健康状况对应有300个样本，因此，每个运行转速下的五种健康状况共有1500个样本，并以50％的比例划分为训练用的数据样本和测试用的数据。
为执行域适配，首先设计A→B和A→C两种迁移任务。以第一个迁移任务即A→B为例，A代表源域故障诊断任务，数据采集自800r/min的运行工况，而B代表目标域故障诊断任务，数据采集自1100r/min的运行工况。构建的自适应迁移神经网络诊断模型采用源域标签训练样本和无标签的目标域训练样本，执行对抗训练和知识迁移，并在测试阶段，用无标签目标域的测试数据验证网络的分类能力。在每个试验中，随机选择任务的一半样本用于训练，而其余样本用于测试。此外，通过将源域和目标域诊断任务进行互换，采用交叉验证，设计了另外四种迁移任务：B→A、B→C、C→A和C→B，从而可对算法进行综合评估，具体的迁移任务如表1所示。
表1
为了验证本实施例方法ETCNN的优越性，在六个迁移任务上还使用了几种经典的算法进行比较。(1)DAN：DAN采用CNN来提取源域和目标域的高维特征，并进一步采用MMD方法来度量源域和目标域的特征差异，网络通过反向传播算法实现目标域自适应迁移。(2)DACNN：在DACNN中，网络由特征提取器、标签预测器和域分类器组成，特征提取和标签预测器由CNN构成，旨在提取源域和目标域的特征。在基于对抗训练中，域分类器引入梯度反转层，可采用随机梯度下降法实现网络的参数优化。
考虑比较的公平性，所有采用卷积神经网络结构进行高维特征提取的方法，包括CNN、DAN和DACNN，都保持与本实施例方法一样的网络结构和参数，并且在网络训练过程中，采用Adam优化算法对模型进行优化，迭代次数设置为200。所有结果进行十次重复试验计算平均精度，以减少随机性，计算结果如表2所示。
表2
由表2可知，本实施例方法ETCNN获得了最好的分类性能，相比DAN和DACNN，其平均分类精度明显更高，尤其是在诊断任务C→A上，DAN和DACNN的诊断精度分别只有78.01％和85.76％，而本实施例方法可以达到近90％的精度，同时其标准差介于两者中间，表明本实施例方法能够有效的减少不同域之间的分布差异，获得更好的域适配和分类能力。
为进一步研究在更强的噪声环境下算法的抗噪性能，在测试阶段，对原始测试数据集添加一定水平的高斯白噪声。在试验中，首先采用训练样本训练网络，然后对每个测试数据都添加了零均值高斯白噪声，其信噪比(Signal-to-Noise Ratio，SNR)为4dB，并将加噪后的测试数据集分别输入到DAN、DACNN和所提的ETCNN三个深度迁移诊断网络中进行迁移任务分类，以进一步的比较不同方法的抗噪性能，分类结果如图4所示，图4中的“I”为代表误差的误差棒。
从图4可以看出，DAN和DACNN的抗噪能力相对较差，并且不同任务精度波动较大，如在A→B和C→B中，两种方法分类精度均有较大的下降。而本实施例方法在六个迁移任务中的分类精度均保持在85％以上，同时具有较小的标准差。这表明，本实施例方法ETCNN能够更高的抵御额外噪声的影响，呈现更好的抗噪性能和泛化性能。
实施例2
本实施例公开了一种基于自适应迁移神经网络的半监督机械故障诊断装置，如图5所示，包括：
数据采集和标定模块，用于根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
模型构建模块，用于构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
模型优化模块，用于对模型重复进行监督训练和域适配，直至达到设定的诊断精度或者迭代次数，获得训练好的诊断模型；
模型优化模块进一步包括监督训练模块和域适配模块：
监督训练模块，用于采用监督学习算法和梯度下降法，利用源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
域适配模块，用于将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
测试模块，用于将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，具体如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得训练好的诊断模型；
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，具体如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得训练好的诊断模型；
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，步骤如下：
S1、数据采集和标定：根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；
根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
S2、构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
S3、监督训练阶段：采用监督学习算法和梯度下降法，利用步骤S1构建的源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
S4、域适配阶段：将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本以及分类器损失函数、分类器判别损失函数，对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
重复进行监督训练和域适配这两步优化过程，直至达到设定的诊断精度或者迭代次数，获得可用于目标域诊断任务的训练好的诊断模型；
S5、测试阶段：将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
2.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，源域故障数据集和目标域故障数据集分别为不同试验平台的故障数据，或者为同一个试验平台在不同的采集位置或者运行工况下的故障数据；试验平台具有机械设备，且通过加速度传感器、声音传感器或者转速传感器采集得到故障数据；
归一化处理具体为：将数据集中每个样本减去该数据集自身的样本均值，并除以标准差以进行归一化。
3.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，特征提取器采用卷积神经网络、深度置信网络、堆叠自编码网络或者长短期记忆网络；
当特征提取器采用卷积神经网络时，针对故障信号为一维时域信号的特点，特征提取器由具有一维卷积核的卷积层和一维池化核的最大池化层堆叠而成；
每个分类器由全连接层和Softmax分类层构成。
4.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，在步骤S3中，监督训练特征提取器G和分类器的过程具体如下：
将源域故障训练样本Xs输入特征提取器G中，得到数据的高维特征，将高维特征进一步输入到两个分类器C1和C2中，两个分类器分别将源域故障数据准确分为K类，分类器采用Softmax函数作为输出以获得类别的概率分布；
采用监督学习方法，最小化分类器损失函数Lcls(Xs,Ys)来训练特征提取器G和对应的两个分类器C1和C2，以对网络生成器和分类器的参数进行优化：
其中，采用交叉熵损失函数构造分类器损失函数，其公式为：
式中，p(ys|xs)对应于分类器对源域样本的概率输出；xs为从Xs中抽样出来的单个源域故障训练样本，ys为xs所对应的Ys中的单个标签。
5.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，将两个分类器输出的概率之差的绝对值作为度量函数，以度量两个分类器的输出差异，计算公式如下：
式中，d为度量函数；k为故障类别的序号；K为故障类别数目；p1k和p2k分别为两个分类器对第k类故障的概率输出；
构造对应的分类器判别损失函数，具体为：
式中，p1(y|xt)和p2(y|xt)分别表示由分类器C1和C2获得的概率输出，d(p1(y|xt),p2(y|xt))为两个分类器对目标域故障数据的概率输出的散度；xt为从Xt中抽样出来的单个目标域故障数据，y为xt对应的故障类别；分类器判别损失函数通过测量两个分类器对目标域故障数据的概率输出的散度来测量目标样本数据的差异。
6.根据权利要求5所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，在域适配阶段，对抗训练策略具体是采用交替迭代的方式来对网络参数进行更新：
(1)固定特征提取器G，训练两个分类器C1和C2：
采用带标签的源域故障训练样本优化分类器的分类性能，同时最大化分类器的分类差异，使得两个分类器更好地检测出位于源域边界之外的目标域故障数据；通过对分类器判别损失函数引入负数，最小化分类损失函数Lcls(Xs,Ys)和分类器判别损失函数Ldis(Xt)，对分类器参数进行更新：
(2)考虑到优化后的分类器能对不同决策边界外的目标域样本进行检测，但无法减少源域故障数据和目标域故障训练样本的分布差异，故进一步固定分类器C1和C2的参数，训练特征提取器G，使得目标域故障数据与源域故障训练样本之间的分布差异尽可能小，从而实现对源域故障数据和目标域故障训练样本的分布匹配，所用的网络优化函数的计算公式如下：
7.根据权利要求1所述的基于自适应迁移神经网络的半监督机械故障诊断方法，其特征在于，步骤S5中，两个分类器输出的概率值求和平均的计算公式为：
output＝argmax((p1k+p2k)/2)
其中，(p1k+p2k)/2代表两个分类器输出的第k类的概率值；output代表输出概率最大值的索引，即为类别编号，对应于故障类别输出。
8.一种基于自适应迁移神经网络的半监督机械故障诊断装置，其特征在于，包括：
数据采集和标定模块，用于根据实际的机械设备故障诊断任务，利用传感器获取对应机械设备的源域故障数据，从而获得多个源域故障数据集{Xs，Ys}，其中，源域故障数据集由截取源域故障数据而得的源域故障训练样本Xs及其对应标签Ys构成，标签为样本对应的故障类型；根据不同机械设备，或者同种机械设备不同工况或位置下获取的目标域故障数据，构建由不带标签的目标域故障数据Xt构成的目标域故障数据集，该数据集的数据分为训练用的目标域故障训练样本和测试用的目标域故障测试数据；然后对源域故障数据集和目标域故障数据集做归一化处理；
模型构建模块，用于构建具有特征提取器和两个独立的分类器的自适应迁移神经网络诊断模型，其中，特征提取器用于提取源域故障数据的高维特征，分类器用于基于高维特征输出故障分类概率；
模型优化模块，用于对模型重复进行监督训练和域适配，直至达到设定的诊断精度或者迭代次数，获得训练好的诊断模型；
模型优化模块进一步包括监督训练模块和域适配模块：
监督训练模块，用于采用监督学习算法和梯度下降法，利用源域故障数据集{Xs，Ys}对特征提取器的参数以及两个分类器的参数进行优化训练，并且构造分类器损失函数；
域适配模块，用于将两个分类器输出的概率之差的绝对值作为度量函数，构造对应的分类器判别损失函数，然后将分类器当作判别器，采用对抗训练策略，利用目标域故障训练样本对网络的特征提取器和分类器执行对抗训练，最大化两个分类器的分类差异，同时最小化源域故障训练样本特征与目标域故障训练样本特征的分布差异，使目标域故障训练样本与源域故障训练样本自适应匹配；
测试模块，用于将目标域故障测试数据输入到训练好的诊断模型中进行测试，两个分类器分别输出概率值，然后将两个概率值进行求和平均，得到最终的分类诊断结果。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至7中任一项所述的基于自适应迁移神经网络的半监督机械故障诊断方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至7中任一项所述的基于自适应迁移神经网络的半监督机械故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927566.4A CN112183581A (zh) | 2020-09-07 | 2020-09-07 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927566.4A CN112183581A (zh) | 2020-09-07 | 2020-09-07 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112183581A true CN112183581A (zh) | 2021-01-05 |
Family
ID=73924870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010927566.4A Pending CN112183581A (zh) | 2020-09-07 | 2020-09-07 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183581A (zh) |
Cited By (58)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
| CN112834194A (zh) * | 2021-01-22 | 2021-05-25 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
| 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 |
| CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| CN112990259A (zh) * | 2021-02-04 | 2021-06-18 | 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 |
| CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 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 |
| CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 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 |
| 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 |
| 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 |
| CN113112005A (zh) * | 2021-04-27 | 2021-07-13 | 南京大学 | 一种基于注意力机制的领域自适应方法 |
| CN113139063A (zh) * | 2021-06-21 | 2021-07-20 | 平安科技（深圳）有限公司 | 意图识别方法、装置、设备及存储介质 |
| CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
| CN113222045A (zh) * | 2021-05-26 | 2021-08-06 | 浙江大学 | 基于加权特征对齐自编码器的半监督故障分类方法 |
| CN113222046A (zh) * | 2021-05-26 | 2021-08-06 | 浙江大学 | 基于过滤策略的特征对齐自编码器故障分类方法 |
| CN113310689A (zh) * | 2021-05-27 | 2021-08-27 | 西安交通大学 | 基于域自适应图卷积网络的航发传动系统故障诊断方法 |
| CN113378904A (zh) * | 2021-06-01 | 2021-09-10 | 电子科技大学 | 一种基于对抗域自适应网络的图像分类方法 |
| 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 |
| CN113505664A (zh) * | 2021-06-28 | 2021-10-15 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| 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 |
| 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 |
| CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
| CN113792576A (zh) * | 2021-07-27 | 2021-12-14 | 北京邮电大学 | 基于有监督域适应的人体行为识别方法、电子设备 |
| CN113792758A (zh) * | 2021-08-18 | 2021-12-14 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
| CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
| CN113822353A (zh) * | 2021-09-15 | 2021-12-21 | 南京邮电大学 | 一种基于类相关矩阵特征值分解的域自适应方法 |
| 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 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114186612A (zh) * | 2021-11-17 | 2022-03-15 | 南方科技大学 | 模型训练方法、地形环境识别方法、装置及电子设备 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
| CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
| CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
| CN114358124A (zh) * | 2021-12-03 | 2022-04-15 | 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 |
| 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 |
| CN114358123A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 |
| CN114371008A (zh) * | 2022-01-13 | 2022-04-19 | 福州大学 | 一种基于vmd多域特征与meda的滚动轴承跨工况故障诊断方法 |
| 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 |
| CN114500325A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法 |
| CN114548199A (zh) * | 2021-10-09 | 2022-05-27 | 中国舰船研究设计中心 | 一种基于深度迁移网络的多传感器数据融合方法 |
| CN114626406A (zh) * | 2022-02-15 | 2022-06-14 | 苏州大学 | 基于类边界特征检测的轴承故障诊断方法及系统 |
| 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 |
| CN115600134A (zh) * | 2022-03-30 | 2023-01-13 | 南京天洑软件有限公司（Cn） | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
| CN115730734A (zh) * | 2022-11-29 | 2023-03-03 | 广东工业大学 | 一种基于迁移成分回归的生产线与装备的预测方法 |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| WO2023056614A1 (zh) * | 2021-10-09 | 2023-04-13 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
| CN115964661A (zh) * | 2023-01-04 | 2023-04-14 | 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 |
| CN116127365A (zh) * | 2023-04-14 | 2023-05-16 | 山东大学 | 一种基于振动的应用于智能头戴式设备的认证方法 |
| CN116150668A (zh) * | 2022-12-01 | 2023-05-23 | 中国矿业大学 | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
| CN116304878A (zh) * | 2023-03-28 | 2023-06-23 | 江苏大学 | 一种基于熵最大化的变工况下旋转机械迁移诊断方法 |
| WO2023116111A1 (zh) * | 2021-12-22 | 2023-06-29 | 郑州云海信息技术有限公司 | 一种磁盘故障预测方法及装置 |
| CN116469498A (zh) * | 2023-06-19 | 2023-07-21 | 深圳市信润富联数字科技有限公司 | 材料去除率的预测方法、装置、终端设备及存储介质 |
| CN116992953A (zh) * | 2023-09-27 | 2023-11-03 | 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 |
| CN117009794A (zh) * | 2023-09-27 | 2023-11-07 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117252237A (zh) * | 2023-08-25 | 2023-12-19 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
| WO2024021246A1 (zh) * | 2022-07-25 | 2024-02-01 | 苏州大学 | 基于持续学习的跨设备增量轴承故障诊断方法 |
| CN117668623A (zh) * | 2024-02-02 | 2024-03-08 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
| CN117668623B (zh) * | 2024-02-02 | 2024-05-14 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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
- 2020-09-07 CN CN202010927566.4A patent/CN112183581A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|
| KUNIAKI SAITO ET AL: "Maximum Classifier Discrepancy for Unsupervised Domain Adaptation", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 李巍华 等: "一种用于故障分类与预测的多任务特征共享神经网络", 《仪器仪表学报》 * |
Cited By (87)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112834194A (zh) * | 2021-01-22 | 2021-05-25 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
| CN112729835B (zh) * | 2021-01-30 | 2022-06-03 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
| CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
| CN112990259A (zh) * | 2021-02-04 | 2021-06-18 | 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 |
| 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 |
| CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| CN113159126B (zh) * | 2021-03-22 | 2022-08-12 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
| CN112906644B (zh) * | 2021-03-22 | 2022-10-14 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
| 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 |
| CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 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 |
| 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 |
| 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 |
| 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 |
| CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 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 |
| CN113112005A (zh) * | 2021-04-27 | 2021-07-13 | 南京大学 | 一种基于注意力机制的领域自适应方法 |
| CN113222046B (zh) * | 2021-05-26 | 2022-06-24 | 浙江大学 | 基于过滤策略的特征对齐自编码器故障分类方法 |
| CN113222046A (zh) * | 2021-05-26 | 2021-08-06 | 浙江大学 | 基于过滤策略的特征对齐自编码器故障分类方法 |
| CN113222045A (zh) * | 2021-05-26 | 2021-08-06 | 浙江大学 | 基于加权特征对齐自编码器的半监督故障分类方法 |
| CN113222045B (zh) * | 2021-05-26 | 2022-06-24 | 浙江大学 | 基于加权特征对齐自编码器的半监督故障分类方法 |
| CN113310689A (zh) * | 2021-05-27 | 2021-08-27 | 西安交通大学 | 基于域自适应图卷积网络的航发传动系统故障诊断方法 |
| CN113378904A (zh) * | 2021-06-01 | 2021-09-10 | 电子科技大学 | 一种基于对抗域自适应网络的图像分类方法 |
| CN113139063A (zh) * | 2021-06-21 | 2021-07-20 | 平安科技（深圳）有限公司 | 意图识别方法、装置、设备及存储介质 |
| CN113139063B (zh) * | 2021-06-21 | 2021-09-14 | 平安科技（深圳）有限公司 | 意图识别方法、装置、设备及存储介质 |
| CN113505664A (zh) * | 2021-06-28 | 2021-10-15 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
| 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 |
| 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 |
| CN113792576A (zh) * | 2021-07-27 | 2021-12-14 | 北京邮电大学 | 基于有监督域适应的人体行为识别方法、电子设备 |
| CN113673397B (zh) * | 2021-08-11 | 2023-12-05 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
| CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
| CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
| CN113792758B (zh) * | 2021-08-18 | 2023-11-07 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
| CN113792758A (zh) * | 2021-08-18 | 2021-12-14 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
| CN113822353B (zh) * | 2021-09-15 | 2024-05-17 | 南京邮电大学 | 一种基于类相关矩阵特征值分解的域自适应方法 |
| CN113822353A (zh) * | 2021-09-15 | 2021-12-21 | 南京邮电大学 | 一种基于类相关矩阵特征值分解的域自适应方法 |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| CN114548199A (zh) * | 2021-10-09 | 2022-05-27 | 中国舰船研究设计中心 | 一种基于深度迁移网络的多传感器数据融合方法 |
| WO2023056614A1 (zh) * | 2021-10-09 | 2023-04-13 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114065613B (zh) * | 2021-10-27 | 2022-12-09 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| 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 |
| CN114186612A (zh) * | 2021-11-17 | 2022-03-15 | 南方科技大学 | 模型训练方法、地形环境识别方法、装置及电子设备 |
| 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 |
| CN114358124A (zh) * | 2021-12-03 | 2022-04-15 | 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 |
| CN114358123B (zh) * | 2021-12-03 | 2024-04-26 | 华南理工大学 | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 |
| CN114358125B (zh) * | 2021-12-03 | 2024-03-22 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
| 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 |
| CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
| CN114358123A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 |
| WO2023116111A1 (zh) * | 2021-12-22 | 2023-06-29 | 郑州云海信息技术有限公司 | 一种磁盘故障预测方法及装置 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| 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 |
| 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 |
| CN114371008A (zh) * | 2022-01-13 | 2022-04-19 | 福州大学 | 一种基于vmd多域特征与meda的滚动轴承跨工况故障诊断方法 |
| CN114371008B (zh) * | 2022-01-13 | 2023-12-29 | 福州大学 | 一种基于vmd多域特征与meda的滚动轴承跨工况故障诊断方法 |
| CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
| CN114500325A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法 |
| CN114500325B (zh) * | 2022-01-27 | 2023-07-18 | 重庆邮电大学 | 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法 |
| CN114626406A (zh) * | 2022-02-15 | 2022-06-14 | 苏州大学 | 基于类边界特征检测的轴承故障诊断方法及系统 |
| 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 |
| CN114332649A (zh) * | 2022-03-07 | 2022-04-12 | 湖北大学 | 基于双通道注意力机制的跨场景遥感图像深度对抗迁移学习方法 |
| CN115600134A (zh) * | 2022-03-30 | 2023-01-13 | 南京天洑软件有限公司（Cn） | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
| WO2024021246A1 (zh) * | 2022-07-25 | 2024-02-01 | 苏州大学 | 基于持续学习的跨设备增量轴承故障诊断方法 |
| CN115730734B (zh) * | 2022-11-29 | 2023-08-08 | 广东工业大学 | 一种基于迁移成分回归的生产线与装备的预测方法 |
| CN115730734A (zh) * | 2022-11-29 | 2023-03-03 | 广东工业大学 | 一种基于迁移成分回归的生产线与装备的预测方法 |
| CN116150668A (zh) * | 2022-12-01 | 2023-05-23 | 中国矿业大学 | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
| CN116150668B (zh) * | 2022-12-01 | 2023-08-11 | 中国矿业大学 | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
| CN115964661A (zh) * | 2023-01-04 | 2023-04-14 | 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 |
| 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 |
| CN116304878A (zh) * | 2023-03-28 | 2023-06-23 | 江苏大学 | 一种基于熵最大化的变工况下旋转机械迁移诊断方法 |
| CN116127365A (zh) * | 2023-04-14 | 2023-05-16 | 山东大学 | 一种基于振动的应用于智能头戴式设备的认证方法 |
| CN116469498B (zh) * | 2023-06-19 | 2023-11-17 | 深圳市信润富联数字科技有限公司 | 材料去除率的预测方法、装置、终端设备及存储介质 |
| CN116469498A (zh) * | 2023-06-19 | 2023-07-21 | 深圳市信润富联数字科技有限公司 | 材料去除率的预测方法、装置、终端设备及存储介质 |
| CN117252237B (zh) * | 2023-08-25 | 2024-03-01 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| CN117252237A (zh) * | 2023-08-25 | 2023-12-19 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| 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 |
| CN116992953A (zh) * | 2023-09-27 | 2023-11-03 | 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 |
| CN117009794B (zh) * | 2023-09-27 | 2023-12-15 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117009794A (zh) * | 2023-09-27 | 2023-11-07 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
| CN117407698B (zh) * | 2023-12-14 | 2024-03-08 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
| CN117668623A (zh) * | 2024-02-02 | 2024-03-08 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
| CN117668623B (zh) * | 2024-02-02 | 2024-05-14 | 中国海洋大学 | 船舶管道阀门泄漏多传感器跨域故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183581A (zh) | 基于自适应迁移神经网络的半监督机械故障诊断方法 | |
| 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 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| Neupane et al. | Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review | |
| Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
| Zhu et al. | A review of the application of deep learning in intelligent fault diagnosis of rotating machinery | |
| Huang et al. | Deep ensemble capsule network for intelligent compound fault diagnosis using multisensory data | |
| He et al. | Deep variational autoencoder classifier for intelligent fault diagnosis adaptive to unseen fault categories | |
| Rajabi et al. | Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier | |
| CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
| Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| US20230351177A1 (en) | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion | |
| Nath et al. | Improved structural rotor fault diagnosis using multi-sensor fuzzy recurrence plots and classifier fusion | |
| Yang et al. | Incremental novelty identification from initially one-class learning to unknown abnormality classification | |
| CN113032929A (zh) | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 | |
| Li et al. | A novel intelligent fault diagnosis method of rotating machinery based on signal-to-image mapping and deep Gabor convolutional adaptive pooling network | |
| Wang et al. | Bearing fault diagnosis under various conditions using an incremental learning-based multi-task shared classifier | |
| Chen et al. | Generalized open-set domain adaptation in mechanical fault diagnosis using multiple metric weighting learning network | |
| Wang et al. | Multi-scale noise reduction attention network for aero-engine bearing fault diagnosis | |
| Kumar et al. | An AI-based nonparametric filter approach for gearbox fault diagnosis | |
| CN113837071B (zh) | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 | |
| Saberi et al. | Lightgbm-based fault diagnosis of rotating machinery under changing working conditions using modified recursive feature elimination | |
| Van den Hoogen et al. | An improved wide-kernel CNN for classifying multivariate signals in 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
| RJ01 | Rejection of invention patent application after publication |