CN112200114A - 故障诊断模型的训练方法、装置、电子设备及存储介质 - Google Patents

故障诊断模型的训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112200114A
CN112200114A CN202011128977.3A CN202011128977A CN112200114A CN 112200114 A CN112200114 A CN 112200114A CN 202011128977 A CN202011128977 A CN 202011128977A CN 112200114 A CN112200114 A CN 112200114A
Authority
CN
China
Prior art keywords
domain
fault diagnosis
diagnosis model
target
feature
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.)
Withdrawn
Application number
CN202011128977.3A
Other languages
English (en)
Inventor
周星杰
杨康
徐成国
王硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202011128977.3A priority Critical patent/CN112200114A/zh
Publication of CN112200114A publication Critical patent/CN112200114A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F2218/08—Feature extraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种故障诊断模型的训练方法、装置、电子设备及存储介质，其中，该训练方法包括：将第一设备的样本目标域信号和第二设备的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；将第一目标域特征和第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于第二目标域特征和第二源域特征，确定域适配损失；基于第二目标域特征和第二源域特征，确定第一设备分别归属于预设故障类型的第一概率，基于第一概率以及第一设备的目标故障类型，确定第一分类损失；若故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。

Description

故障诊断模型的训练方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机信息技术领域，具体而言，涉及一种故障诊断模型的训练方法、装置、电子设备及存储介质。
背景技术
滚动轴承作为旋转机械设备中最多且最为关键的部件之一，其健康状态直接影响着旋转机械设备的整体稳定性、可靠性和安全性，因此，对滚动轴承进行状态检测与故障诊断至关重要。
现阶段，通常使用与每种类型的滚动轴承相匹配的监督学习模型，对每种类型的滚动轴承的故障情况进行检测，在对监督学习模型进行训练时，需要获取每种型号的滚动轴承的大量故障数据。
但是，对于精密的滚动轴承，难以获取其大量的故障数据，基于少量的故障数据对监督学习模型进行训练，训练得到的监督学习模型准确度低，进而导致滚动轴承故障诊断效率低。
发明内容
有鉴于此，本申请实施例的目的在于提供一种故障诊断模型的训练方法、装置、电子设备及存储介质，在对第一设备的故障诊断模型进行训练时，将第一设备的目标域信号，以及与第一设备相关联的第二设备的源域信号共同作为训练故障诊断模型的样本信号，增加了模型训练的样本数据，进而提高了故障诊断模型的准确度，提高了第一设备的故障诊断效率。
第一方面，本申请实施例提供了一种故障诊断模型的训练方法，所述故障诊断模型包括卷积层和域适配层，所述训练方法包括：
将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；
将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；
基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；
若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
在一种可能的实施方式中，所述故障诊断模型还包括域混淆层，所述训练方法还包括：
将所述第二目标域特征和所述第二源域特征输入到各自对应的域混淆层中，得到第三目标域特征和第三源域特征，基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失；
基于所述第三目标域特征和所述第三源域特征，确定所述第一设备分别归属于预设故障类型的第二概率，基于所述第二概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第二分类损失；
若所述故障诊断模型的域适配损失、域混淆损失以及第二分类损失满足第二训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
在一种可能的实施方式中，所述故障诊断模型对应有多级域适配层，所述基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失，包括：
针对每级域适配层，基于该级域适配层对应的第二目标域特征和第二源域特征，确定该级域适配层对应的域适配损失；
基于每级域适配层对应的域适配损失，确定所述故障诊断模型的域适配损失。
在一种可能的实施方式中，所述域混淆层对应有二元领域分类器，所述基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失，包括：
将所述第三目标域特征和所述第三源域特征分别输入到所述二元领域分类器中，得到所述第三目标域特征所属的第一领域类别，以及所述第三源域特征所属的第二领域类别；
基于所述第一领域类别和所述第二领域类别，确定所述故障诊断模型的域混淆损失。
在一种可能的实施方式中，通过如下方式获取所述样本目标域信号：
基于所述第一设备对应的多个第一信号中的上极值点和下极值点，确定所述第一设备对应的上包络线和下包络线；
基于所述上包络线和所述下包络线，确定所述第一设备对应的均值包络线，并基于所述均值包络线和所述多个第一信号，确定所述第一设备的中间信号；
根据所述第一设备对应的多个第一信号和中间信号，确定所述第一设备对应的样本信号。
在一种可能的实施方式中，通过如下方式获取所述第一信号：
获取所述第一设备对应的多个第二信号；
针对每类第二信号，计算该类第二信号的平均值和标准差，基于所述平均值和标准差，对每个该类的第二信号进行标准化处理，得到第一信号。
在一种可能的实施方式中，在训练得到目标故障诊断模型之后，所述训练方法还包括：
将第一设备对应的目标域信号和第二设备对应的源域信号输入到所述目标故障诊断模型中，获取所述目标故障诊断模型输出的所述第一设备所属的当前故障类型；
基于所述第一设备所属的当前故障类型，生成并显示针对所述第一设备的故障处理提示信息。
第二方面，本申请实施例提供了一种故障诊断模型的训练装置，所述故障诊断模型包括卷积层和域适配层，所述训练装置包括：
第一确定模块，用于将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；
第二确定模块，用于将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；
第三确定模块，用于基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；
第四确定模块，用于若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一项所述的故障诊断模型的训练方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面任一项所述的故障诊断模型的训练方法的步骤。
本申请实施例提供的故障诊断模型的训练方法、装置、电子设备及存储介质，将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。在对第一设备的故障诊断模型进行训练时，将第一设备的目标域信号，以及与第一设备相关联的第二设备的源域信号共同作为训练故障诊断模型的样本信号，增加了模型训练的样本数据，进而提高了故障诊断模型的准确度，提高了第一设备的故障诊断效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种故障诊断模型的训练方法的流程图；
图2示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图3示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图4示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图5示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图6示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图7示出了本申请实施例提供的另一种故障诊断模型的训练方法的流程图；
图8示出了本申请实施例提供的一种故障诊断模型的框架图；
图9示出了本申请实施例提供的另一种故障诊断模型的框架图；
图10示出了本申请实施例提供的一种故障诊断模型的训练装置的结构示意图；
图11示出了本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
滚动轴承作为旋转机械设备中最多且最为关键的部件之一，其健康状态直接影响着旋转机械设备的整体稳定性、可靠性和安全性，因此，对滚动轴承进行状态检测与故障诊断至关重要。现阶段，通常使用与每种类型的滚动轴承相匹配的监督学习模型，对每种类型的滚动轴承的故障情况进行检测，在对监督学习模型进行训练时，需要获取每种型号的滚动轴承的大量故障数据。但是，对于精密的滚动轴承，难以获取其大量的故障数据，基于少量的故障数据对监督学习模型进行训练，训练得到的监督学习模型准确度低，进而导致滚动轴承故障诊断效率低。
基于上述问题，本申请实施例提供了一种故障诊断模型的训练方法、装置、电子设备及存储介质，将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。在对第一设备的故障诊断模型进行训练时，将第一设备的目标域信号，以及与第一设备相关联的第二设备的源域信号共同作为训练故障诊断模型的样本信号，增加了模型训练的样本数据，进而提高了故障诊断模型的准确度，提高了第一设备的故障诊断效率。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。
下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种故障诊断模型的训练方法进行详细介绍。
参见图1所示，图1为本申请实施例提供的故障诊断模型的训练方法的流程图，所述故障诊断模型包括卷积层和域适配层，所述训练方法包括：
S101、将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联。
本申请实施例中，第一设备和第二设备分别为同一类型设备的统称，比如，第一设备为任一铁路机车轴承，第二设备为电机轴承，其中，第一设备的故障数据通常难于获取，与第一设备相关联的第二设备的故障数据通常易于获取，基于第一设备的故障数据以及第二设备的故障数据，采用迁移学习的方法，对用于检测第一设备故障的故障诊断模型进行训练。这里，通常基于设备的运行参数、应用场景、尺寸大小等性能，选取与第一设备相关联的第二设备。
其中，迁移学习(Transfer Learning，TL)对应有源域和目标域，当源域与目标域之间存在一定关联关系时，在目标域训练模型时就可以利用从源域中已学习到的建模知识，实现已学习的知识在相似域内进行迁移。基于此，本申请中第一设备对应于迁移学习的目标域，第二设备对应于迁移学习的源域。
收集第一设备与第二设备的样本信号，构建样本数据集，并将构建的样本数据集划分为训练集和测试集，将训练集内的第一设备的样本信号，作为第一设备对应的样本目标域信号，将训练集内的第二设备的样本信号，作为第二设备对应的样本源域信号，其中，当第一设备和第二设备均为旋转机械设备的滚动轴承时，样本信号为振动信号。
用于诊断第一设备故障的故障诊断模型由健康状态高阶特征提取模块、深度领域适配模块以及分类模块三部分组成，其中，健康状态高阶特征提取模块为卷积层，深度领域适配模块为域适配层，卷积层包括对应于第一设备的第一卷积层，以及对应于第二设备的第二卷积层，第一卷积层用于深度挖掘第一设备对应的样本目标域信号的健康状态高阶特征，得到第一设备对应的第一目标域特征，第二卷积层用于深度挖掘第二设备对应的样本源域信号的健康状态高阶特征，得到第二设备对应的第一源域特征。具体的，卷积层采用深度残差网络(ResNets)结构，通过堆叠多个残差学习模块进行健康状态高阶特征深度挖掘，通过挖掘信号的高阶特征，可以提高故障诊断模型的计算精度。
S102、将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失。
本申请实施例中，用于诊断第一设备故障的故障诊断模型包括域适配层，其中，域适配层包括对应于第一设备的第一域适配层，以及对应于第二设备的第二域适配层，第一域适配层与第一卷积层相连，第二域适配层与第二卷积层相连，第一域适配层用于对第一目标域特征进行处理，得到第一设备对应的第二目标域特征，第二域适配层用于对第一源域特征进行处理，得到第二设备对应的第二源域特征，进而根据第二目标域特征与第二源域特征，计算故障诊断模型的域适配损失。
具体的，参见图2所示，所述故障诊断模型对应有多级域适配层，步骤102中基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失，包括：
S1021、针对每级域适配层，基于该级域适配层对应的第二目标域特征和第二源域特征，确定该级域适配层对应的域适配损失。
S1022、基于每级域适配层对应的域适配损失，确定所述故障诊断模型的域适配损失。
本申请实施例中，对应于第一设备的第一域适配层，以及对应于第二设备的第二域适配层分别为多级域适配层，将第一目标域特征输入到第一域适配层中，第一域适配层为多级域适配层，逐级对接收到的第一目标域特征进行处理，得到每级第一域适配层对应的第二目标域特征，这里，第一域适配层的级数与第二目标域特征的个数相一致；将第一源域特征输入到第二域适配层中，第二域适配层为多级域适配层，逐级对接收到的第一源域特征进行处理，得到每级第二域适配层对应的第二源域特征，这里，第二域适配层的级数与第二源域特征的个数相一致。
每级域适配层均对应有与该级域适配层相对应的第二目标域特征和第二源域特征，基于每级域适配层对应的第二目标域特征和第二源域特征，确定该级域适配层的域适配损失，进而根据每级域适配层的域适配损失，确定故障诊断模型的域适配损失，具体的，以三级域适配层为例，通过如下公式确定故障诊断模型的域适配损失LMK-MMD：
Figure BDA0002734462010000101
其中，li为第i级域适配层，
Figure BDA0002734462010000102
分别为第i级域适配层对应的第二源域特征和第二目标域特征，这里，将第一目标域特征和第一源域特征分别输入到各自对应的一级域适配层中，得到一级域适配层对应的第二目标域特征和第二源域特征；将一级域适配层对应的第二目标域特征和第二源域特征分别输入到各自对应的二级域适配层中，得到二级域适配层对应的第二目标域特征和第二源域特征；将二级域适配层对应的第二目标域特征和第二源域特征分别输入到各自对应的三级域适配层中，得到三级域适配层对应的第二目标域特征和第二源域特征。Es[·]、Et[·]分别为分布s的数学期望、分布t的数学期望，Hk为具有特征核k的RKHS。
需要说明的是，域适配层为堆叠多层多核最大均值差异MK-MMD适配层(Multi-Kernel Maximum Mean Discrepancy，MK-MMD)，将卷积层提取到的健康状态高阶特征映射到再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)中进行差异度量，为此实现源域与目标域设备的深度适配，进一步提高故障诊断模型的计算精度，这里，Hk为再生核希尔伯特空间对应的参数值。
S103、基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失。
本申请实施例中，故障诊断模型中包括诊断模块，诊断模块中对应有多个预设故障类型，将域适配层基于第一目标域特征和第一源域特征最终得到的第二目标域特征和第二源域特征输入到诊断模块中，获取诊断模块输出的第一设备分别归属于每个预设故障类型的第一概率，根据获取的第一概率和第一设备对应的目标故障类型，确定故障诊断模型的第一分类损失，具体的，通过如下公式确定故障诊断模型的第一分类损失Lcls1：
Figure BDA0002734462010000111
其中，诊断模块中对应有M个预设故障类型，s1j为第一设备归属于第j个预设故障类型的第一概率，yi为第一设备对应的目标故障类型。
S104、若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
本申请实施例中，故障诊断模型的最终优化目标为：L1＝Lcls1+λLMK-MMD，基于最终优化目标，得到如下公式1：
Figure BDA0002734462010000121
基于随机梯度下降算法及上述公式1，参数θf，θcls1更新过程可写成如下公式：
Figure BDA0002734462010000122
其中，α为学习率。
若故障诊断模型的最终优化目标小于预设阈值，将当前的故障诊断模型确定为目标故障诊断模型。
本申请实施例提供的故障诊断模型的训练方法，在对第一设备的故障诊断模型进行训练时，将第一设备的目标域信号，以及与第一设备相关联的第二设备的源域信号共同作为训练故障诊断模型的样本信号，增加了模型训练的样本数据，进而提高了故障诊断模型的准确度，提高了第一设备的故障诊断效率。
进一步的，参见图3所示，本申请实施例提供的故障诊断模型的训练方法中，所述故障诊断模型还包括域混淆层，所述训练方法还包括：
S301、将所述第二目标域特征和所述第二源域特征输入到各自对应的域混淆层中，得到第三目标域特征和第三源域特征，基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失。
本申请实施例中，用于诊断第一设备故障的故障诊断模型还可以由健康状态高阶特征提取模块、深度自适应模块以及故障诊断模块三部分组成，其中，健康状态高阶特征提取模块为卷积层，深度自适应模块由域适配层以及域混淆层组成，域混淆层包括对应于第一设备的第一域混淆层，以及对应于第二设备的第二域混淆层，第一域混淆层与第一域适配层相连，第二域混淆层与第二域适配层相连，在经过上文步骤101和步骤102的处理，得到第二目标域特征和第二源域特征之后，将第二目标域特征输入到第一域适配层中，得到第一设备对应的第三目标域特征，将第二源域特征输入到第二域适配层中，得到第二设备对应的第三源域特征，进而根据第三目标域特征和第三源域特征，确定故障诊断模型的域混淆损失。这里，采用域混淆层混淆第一设备当前状态下已学的特征分布，深度挖掘共性特征。
具体的，通过如下公式确定故障诊断模型的域混淆损失LC：
Figure BDA0002734462010000131
其中，nS、nT分别为一个批次训练集中的样本源域信号和目标域信号的数量，
Figure BDA0002734462010000132
分别为所述第三源域特征和第三目标域特征。
S302、基于所述第三目标域特征和所述第三源域特征，确定所述第一设备分别归属于预设故障类型的第二概率，基于所述第二概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第二分类损失。
本申请实施例中，故障诊断模型中包括诊断模块，诊断模块中对应有多个预设故障类型，将域混淆层基于第二目标域特征和第二源域特征得到的第三目标域特征和第三源域特征输入到诊断模块中，获取诊断模块输出的第一设备分别归属于每个预设故障类型的第二概率，根据获取的第二概率和第一设备对应的目标故障类型，确定故障诊断模型的第二分类损失，具体的，通过如下公式确定故障诊断模型的第二分类损失Lcls2：
Figure BDA0002734462010000133
其中，诊断模块中对应有M个预设故障类型，s2j为第一设备归属于第j个预设故障类型的第二概率。
S303、若所述故障诊断模型的域适配损失、域混淆损失以及第二分类损失满足第二训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
本申请实施例中，故障诊断模型的最终优化目标为：
L2＝Lcls2+λLMK-MMD+μLC，基于该最终优化目标，得到如下公式2：
Figure BDA0002734462010000141
基于随机梯度下降算法及上述公式2，参数θf，θcls2，θc更新过程可写成如下公式：
Figure BDA0002734462010000142
其中，α为学习率，通过如下方式进行自调整：
Figure BDA0002734462010000143
其中，epoch、epochs分别为模型已完成训练次数和设定的需完成的训练次数；α0、β、δ分别代表常数，此处分别取0.01、0.75、10，t为模型训练进度，从0至1线性变化。
超参数λ和μ的自调节过程与学习率的自调整过程相似，该方法使得域混淆及域适配在模型训练过程的早期阶段对噪声信号的敏感度低，λ的自调整公式为：
Figure BDA0002734462010000144
μ的自调整公式为：
Figure BDA0002734462010000151
其中，γ为常数，此处取为10。
若故障诊断模型的最终优化目标小于预设阈值，将当前的故障诊断模型确定为目标故障诊断模型。
进一步的，参见图4所示，本申请实施例提供的故障诊断模型的训练方法中，所述域混淆层对应有二元领域分类器，所述基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失，包括：
S401、将所述第三目标域特征和所述第三源域特征分别输入到所述二元领域分类器中，得到所述第三目标域特征所属的第一领域类别，以及所述第三源域特征所属的第二领域类别。
本申请实施例中，二元领域分类器为领域判别器，对应有两种输出结果，分别为1和0，将第三目标域特征输入到二元领域分类器中，得到第三目标域特征所属的第一领域类别，将第三源域特征输入到二元领域分类器中，得到第三源域特征所属的第二领域类别。
S402、基于所述第一领域类别和所述第二领域类别，确定所述故障诊断模型的域混淆损失。
本申请实施例中，对应有两类域混淆损失，分别为第一域混淆损失和第二域混淆损失，若第一领域类别与第二领域类别相一致，则故障诊断模型的域混淆损失为第一域混淆损失，若第一领域类别与第二领域类别不一致，则故障诊断模型的域混淆损失为第二域混淆损失。
进一步的，参见图5所示，本申请实施例提供的故障诊断模型的训练方法中，通过如下方式获取所述样本目标域信号：
S501、基于所述第一设备对应的多个第一信号中的上极值点和下极值点，确定所述第一设备对应的上包络线和下包络线。
本申请实施例中，获取第一设备对应的多个第一信号，采用模态分解法(EMD分解法)对多个第一信号进行处理，得到第一设备对应的目标域信号，具体的，从上述多个第一信号中分别选取上极值点和下极值点，根据上极值点确定上包络线，根据下极值点确定下包络线。
S502、基于所述上包络线和所述下包络线，确定所述第一设备对应的均值包络线，并基于所述均值包络线和所述多个第一信号，确定所述第一设备的中间信号。
本申请实施例中，计算上包络线和下包络线的均值，得到第一设备对应的均值包络线，用第一信号减均值包络线，得到中间信号。
S503、根据所述第一设备对应的多个第一信号和中间信号，确定所述第一设备对应的样本信号。
本申请实施例中，判断中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以中间信号作为新的第一信号，重复步骤501-步骤503的过程，直至中间信号满足IMF的两个条件，将中间信号确定为IMF1，进而用第一信号减IMF1，作为新的第一信号，重复上述过程，得到IMF2，以此类推，完成EMD分解，得到第一信号对应的多个IMF，即第一设备对应的样本目标域信号。其中，IMF的两个条件分别为：图线要反复跨越x轴，而不能某次穿过零点后出现多个极点；包络线要对称。IMF的个数根据用户的实际需求进行设置。
采用模态分解法，对第一设备对应的多个第一信号进行分解，将混叠信号进行分离，获取各平稳信号，即第一设备对应的样本目标域信号，相应的，获取第二设备对应的多个第一信号，基于相同的处理方式，得到第二设备对应的样本源域信号。
进一步的，参见图6所示，本申请实施例提供的故障诊断模型的训练方法中，通过如下方式获取所述第一信号：
S601、获取所述第一设备对应的多个第二信号。
S602、针对每类第二信号，计算该类第二信号的平均值和标准差，基于所述平均值和标准差，对每个该类的第二信号进行标准化处理，得到第一信号。
本申请实施例中，第一设备对应的多个第二信号为初始参数，考虑到第一设备的各类初始参数具有不同的数量级，为了消除参数与参数之间的量纲影响，需要对初始参数进行标准化处理，以便各个初始参数之间具有可比性，其次还能够提高模型的训练速率。基于此，采用Z-score数据预处理方法，使预处理后的参数符合标准正态分布。
具体的，针对每类第二信号，计算该类第二信号的平均值k1和标准差k2，针对该类的每个第二信号k0，使用公式score＝(k0-k1)/k2，得到每个初始信号对应的第二信号。相应的，获取第二设备对应的多个第二信号，基于相同的处理方式，得到第二设备对应的第一信号。
进一步的，参见图7所示，本申请实施例提供的故障诊断模型的训练方法中，在训练得到目标故障诊断模型之后，所述训练方法还包括：
S701、将第一设备对应的目标域信号和第二设备对应的源域信号输入到所述目标故障诊断模型中，获取所述目标故障诊断模型输出的所述第一设备所属的当前故障类型。
S702、基于所述第一设备所属的当前故障类型，生成并显示针对所述第一设备的故障处理提示信息。
本申请实施例中，在基于训练集对故障诊断模型训练完成后，再基于测试集对故障诊断模型进行测试，若故障诊断模型测试通过，则将当前的故障诊断模型确定为目标故障诊断模型，采集第一设备对应的目标域信号和第二设备对应的源域信号，其中，目标域信号为第一设备的实时振动信号，源域信号为第二设备的实时振动信号，获取目标故障诊断模型输出的第一设备所属的当前故障类型，本地预存有每类故障类型对应的故障处理提示信息，显示与当前故障类型相对应的故障处理提示信息。
参见图8所示，第一设备和第二设备均为滚动轴承，样本目标域信号为目标域滚动轴承信号，样本源域信号为源域滚动轴承信号，当故障诊断模型由健康状态高阶特征提取模块、深度领域适配模块以及分类模块三部分组成时，采用前文所述的模态分解法对输入的信号进行经验模态分解，将分解后的信号输入多级卷积层进行处理，提取信号的健康状态高阶特征，其中，每个卷积层对应相同的权值，经过全连接层将得到的高阶特征输入到深度领域适配模块，这里，深度领域适配模块为域适配层，域适配层为堆叠多层多核最大均值差异MK-MMD适配层，将深度领域适配模块的输出结果输入到分类模型，获取分类模型输出的故障类型，其中，故障类型包括故障类型1～故障类型n，具体的，根据用户的实际需求设置故障类型1～故障类型n。
参见图9所示，第一设备和第二设备均为滚动轴承，样本目标域信号为目标域滚动轴承信号，样本源域信号为源域滚动轴承信号，当故障诊断模型由健康状态高阶特征提取模块、深度自适应模块以及故障诊断模块三部分组成时，健康状态高阶特征提取模块作为特征提取器，由多级卷积层构成，将信号输入到多级卷积层中，获取卷积层输出的高阶特征，其中，多级卷积层对应的权重相同，经过全连接层(FC1)将高阶特征输入到域适配层(FC2～FC4)和域混淆层(FC5)，计算每级两个域适配层的处理结果之间的多核最大均值差异(域适配损失)，并基于领域判别器确定两个域混淆层的处理结果之间的域混淆损失，进而基于故障诊断模块确定第一设备的故障类型，其中，故障类型包括故障类型1～故障类型n，具体的，根据用户的实际需求设置故障类型1～故障类型n。
基于同一发明构思，本申请实施例中还提供了与故障诊断模型的训练方法对应的故障诊断模型的训练装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述故障诊断模型的训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图10所示，图10为本申请一实施例提供的一种故障诊断模型的训练装置的结构示意图，所述故障诊断模型包括卷积层和域适配层，所述训练装置包括：
第一确定模块1001，用于将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；
第二确定模块1002，用于将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；
第三确定模块1003，用于基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；
第四确定模块1004，用于若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
在一种可能的实施方式中，所述故障诊断模型还包括域混淆层，所述训练装置还包括：
第五确定模块，用于将所述第二目标域特征和所述第二源域特征输入到各自对应的域混淆层中，得到第三目标域特征和第三源域特征，基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失；
第六确定模块，用于基于所述第三目标域特征和所述第三源域特征，确定所述第一设备分别归属于预设故障类型的第二概率，基于所述第二概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第二分类损失；
第七确定模块，用于若所述故障诊断模型的域适配损失、域混淆损失以及第二分类损失满足第二训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
在一种可能的实施方式中，所述故障诊断模型对应有多级域适配层，所述第二确定模块1002，在基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失时，包括：
针对每级域适配层，基于该级域适配层对应的第二目标域特征和第二源域特征，确定该级域适配层对应的域适配损失；
基于每级域适配层对应的域适配损失，确定所述故障诊断模型的域适配损失。
在一种可能的实施方式中，所述域混淆层对应有二元领域分类器，所述第五确定模块，在基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失时，包括：
将所述第三目标域特征和所述第三源域特征分别输入到所述二元领域分类器中，得到所述第三目标域特征所属的第一领域类别，以及所述第三源域特征所属的第二领域类别；
基于所述第一领域类别和所述第二领域类别，确定所述故障诊断模型的域混淆损失。
在一种可能的实施方式中，所述故障诊断模型的训练装置还包括：
第八确定模块，用于基于所述第一设备对应的多个第一信号中的上极值点和下极值点，确定所述第一设备对应的上包络线和下包络线；
第九确定模块，用于基于所述上包络线和所述下包络线，确定所述第一设备对应的均值包络线，并基于所述均值包络线和所述多个第一信号，确定所述第一设备的中间信号；
第十确定模块，用于根据所述第一设备对应的多个第一信号和中间信号，确定所述第一设备对应的样本信号。
在一种可能的实施方式中，所述故障诊断模型的训练装置还包括：
第一获取模块，用于获取所述第一设备对应的多个第二信号；
标准化处理模块，用于针对每类第二信号，计算该类第二信号的平均值和标准差，基于所述平均值和标准差，对每个该类的第二信号进行标准化处理，得到第一信号。
在一种可能的实施方式中，所述故障诊断模型的训练装置还包括：
第二获取模块，用于将第一设备对应的目标域信号和第二设备对应的源域信号输入到所述目标故障诊断模型中，获取所述目标故障诊断模型输出的所述第一设备所属的当前故障类型；
生成模块，用于基于所述第一设备所属的当前故障类型，生成并显示针对所述第一设备的故障处理提示信息。
本申请实施例提供的故障诊断模型的训练装置，在对第一设备的故障诊断模型进行训练时，将第一设备的目标域信号，以及与第一设备相关联的第二设备的源域信号共同作为训练故障诊断模型的样本信号，增加了模型训练的样本数据，进而提高了故障诊断模型的准确度，提高了第一设备的故障诊断效率。
参见图11所示，图11为本申请实施例提供的一种电子设备1100，该电子设备1100包括：处理器1101、存储器1102和总线，所述存储器1102存储有所述处理器1101可执行的机器可读指令，当电子设备运行时，所述处理器1101与所述存储器1102之间通过总线通信，所述处理器1101执行所述机器可读指令，以执行如上述故障诊断模型的训练方法的步骤。
具体地，上述存储器1102和处理器1101能够为通用的存储器和处理器，这里不做具体限定，当处理器1101运行存储器1102存储的计算机程序时，能够执行上述故障诊断模型的训练方法。
对应于上述故障诊断模型的训练方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述故障诊断模型的训练方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种故障诊断模型的训练方法，其特征在于，所述故障诊断模型包括卷积层和域适配层，所述训练方法包括：
将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；
将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；
基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；
若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
2.根据权利要求1所述的故障诊断模型的训练方法，其特征在于，所述故障诊断模型还包括域混淆层，所述训练方法还包括：
将所述第二目标域特征和所述第二源域特征输入到各自对应的域混淆层中，得到第三目标域特征和第三源域特征，基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失；
基于所述第三目标域特征和所述第三源域特征，确定所述第一设备分别归属于预设故障类型的第二概率，基于所述第二概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第二分类损失；
若所述故障诊断模型的域适配损失、域混淆损失以及第二分类损失满足第二训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
3.根据权利要求1所述的故障诊断模型的训练方法，其特征在于，所述故障诊断模型对应有多级域适配层，所述基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失，包括：
针对每级域适配层，基于该级域适配层对应的第二目标域特征和第二源域特征，确定该级域适配层对应的域适配损失；
基于每级域适配层对应的域适配损失，确定所述故障诊断模型的域适配损失。
4.根据权利要求2所述的故障诊断模型的训练方法，其特征在于，所述域混淆层对应有二元领域分类器，所述基于所述第三目标域特征和所述第三源域特征，确定所述故障诊断模型的域混淆损失，包括：
将所述第三目标域特征和所述第三源域特征分别输入到所述二元领域分类器中，得到所述第三目标域特征所属的第一领域类别，以及所述第三源域特征所属的第二领域类别；
基于所述第一领域类别和所述第二领域类别，确定所述故障诊断模型的域混淆损失。
5.根据权利要求1所述的故障诊断模型的训练方法，其特征在于，通过如下方式获取所述样本目标域信号：
基于所述第一设备对应的多个第一信号中的上极值点和下极值点，确定所述第一设备对应的上包络线和下包络线；
基于所述上包络线和所述下包络线，确定所述第一设备对应的均值包络线，并基于所述均值包络线和所述多个第一信号，确定所述第一设备的中间信号；
根据所述第一设备对应的多个第一信号和中间信号，确定所述第一设备对应的样本信号。
6.根据权利要求5所述的故障诊断模型的训练方法，其特征在于，通过如下方式获取所述第一信号：
获取所述第一设备对应的多个第二信号；
针对每类第二信号，计算该类第二信号的平均值和标准差，基于所述平均值和标准差，对每个该类的第二信号进行标准化处理，得到第一信号。
7.根据权利要求1所述的故障诊断模型的训练方法，其特征在于，在训练得到目标故障诊断模型之后，所述训练方法还包括：
将第一设备对应的目标域信号和第二设备对应的源域信号输入到所述目标故障诊断模型中，获取所述目标故障诊断模型输出的所述第一设备所属的当前故障类型；
基于所述第一设备所属的当前故障类型，生成并显示针对所述第一设备的故障处理提示信息。
8.一种故障诊断模型的训练装置，其特征在于，所述故障诊断模型包括卷积层和域适配层，所述训练装置包括：
第一确定模块，用于将第一设备对应的样本目标域信号和第二设备对应的样本源域信号分别输入到各自对应的卷积层中，得到第一目标域特征和第一源域特征；其中，所述第一设备与所述第二设备相关联；
第二确定模块，用于将所述第一目标域特征和所述第一源域特征分别输入到各自对应的域适配层中，得到第二目标域特征和第二源域特征，基于所述第二目标域特征和所述第二源域特征，确定所述故障诊断模型的域适配损失；
第三确定模块，用于基于所述第二目标域特征和所述第二源域特征，确定所述第一设备分别归属于预设故障类型的第一概率，基于所述第一概率以及所述第一设备对应的目标故障类型，确定所述故障诊断模型的第一分类损失；
第四确定模块，用于若所述故障诊断模型的域适配损失和第一分类损失满足第一训练条件，则将当前的故障诊断模型确定为目标故障诊断模型。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一项所述的故障诊断模型的训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一项所述的故障诊断模型的训练方法的步骤。
CN202011128977.3A 2020-10-20 2020-10-20 故障诊断模型的训练方法、装置、电子设备及存储介质 Withdrawn CN112200114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011128977.3A CN112200114A (zh) 2020-10-20 2020-10-20 故障诊断模型的训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011128977.3A CN112200114A (zh) 2020-10-20 2020-10-20 故障诊断模型的训练方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112200114A true CN112200114A (zh) 2021-01-08

Family

ID=74009621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011128977.3A Withdrawn CN112200114A (zh) 2020-10-20 2020-10-20 故障诊断模型的训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112200114A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
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
WO2022179586A1 (zh) * 2021-02-26 2022-09-01 华为技术有限公司 一种模型训练方法及其相关联设备
CN115062685A (zh) * 2022-04-29 2022-09-16 北京邮电大学深圳研究院 一种故障诊断方法、装置、电子设备及存储介质
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统
CN116257034A (zh) * 2022-12-27 2023-06-13 深圳市捷代电子科技有限公司 一种摩托车故障诊断装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022179586A1 (zh) * 2021-02-26 2022-09-01 华为技术有限公司 一种模型训练方法及其相关联设备
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
CN113343855B (zh) * 2021-06-09 2022-09-16 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
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
CN115062685A (zh) * 2022-04-29 2022-09-16 北京邮电大学深圳研究院 一种故障诊断方法、装置、电子设备及存储介质
CN116257034A (zh) * 2022-12-27 2023-06-13 深圳市捷代电子科技有限公司 一种摩托车故障诊断装置
CN116257034B (zh) * 2022-12-27 2024-03-26 深圳市捷代电子科技有限公司 一种摩托车故障诊断装置
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统

Similar Documents

Publication Publication Date Title
CN112200114A (zh) 故障诊断模型的训练方法、装置、电子设备及存储介质
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
CN109359669B (zh) 医保报销异常检测方法、装置、计算机设备和存储介质
CN115688018B (zh) 一种多工况下轴承的状态监测与故障诊断方法
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN111144548A (zh) 抽油机井工况的识别方法及装置
Oliinyk et al. The decision tree construction based on a stochastic search for the neuro-fuzzy network synthesis
CN112464990B (zh) 一种基于电流电压传感器感知振动数据的方法和装置
JP2019105871A (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
CN112132102A (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
Lee et al. An enhanced binary particle swarm optimization for optimal feature selection in bearing fault diagnosis of electrical machines
Desiani et al. Handling missing data using combination of deletion technique, mean, mode and artificial neural network imputation for heart disease dataset
CN116306277A (zh) 一种滑坡位移预测方法、装置及相关组件
Levitin Evaluating correct classification probability for weighted voting classifiers with plurality voting
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN116933077A (zh) 装备制胜机理挖掘方法、装置、电子设备及存储介质
Jobi-Taiwo et al. Mahalanobis-Taguchi system for multiclass classification of steel plates fault
AlThobiani A Novel Framework for Robust Bearing Fault Diagnosis: Preprocessing, Model Selection, and Performance Evaluation
Medina et al. Gearbox fault classification using dictionary sparse based representations of vibration signals
Pristyanto et al. Comparison of ensemble models as solutions for imbalanced class classification of datasets
Zhang et al. Bearing performance degradation assessment based on a combination of multi-scale entropy and K-medoids clustering
CN115658371B (zh) 基于案例学习与可诊断性分析的诊断算法量化推荐方法
Gaol et al. Software testing model by measuring the level of accuracy fault output using neural network algorithm

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108

WW01 Invention patent application withdrawn after publication