CN112308147B - 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 - Google Patents
基于多源域锚适配器集成迁移的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN112308147B CN112308147B CN202011201367.1A CN202011201367A CN112308147B CN 112308147 B CN112308147 B CN 112308147B CN 202011201367 A CN202011201367 A CN 202011201367A CN 112308147 B CN112308147 B CN 112308147B
- Authority
- CN
- China
- Prior art keywords
- sample set
- representing
- source domain
- anchor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000013508 migration Methods 0.000 title claims abstract description 35
- 230000005012 migration Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 91
- 230000006978 adaptation Effects 0.000 claims abstract description 43
- 230000010354 integration Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 description 28
- 238000013526 transfer learning Methods 0.000 description 23
- 238000004088 simulation Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 235000014653 Carica parviflora Nutrition 0.000 description 5
- 241000243321 Cnidaria Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009760 electrical discharge machining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于多源域锚适配器集成迁移的旋转机械故障诊断方法，旨在提高模型的分类精度和泛化能力，实现步骤为：获取源域训练样本和目标域样本；从源域每类样本中随机选择锚点进行相似度计算，建立多个锚适配器矩阵；构建深度域适应网络；利用多个适配器矩阵进行网络训练获得多个分类器。本发明以置信度和准确率为评价指标对每个分类器的综合性能进行评价，通过综合性能指标排序选择性能较优的分类器进行集成，获得故障诊断的预测结果，实现变工况下旋转机械的智能诊断。
Description
技术领域
本发明属于机械技术领域，更进一步涉及旋转机械技术领域中的一种基于多源域锚适配器集成迁移的旋转机械故障诊断方法。本发明可用于对旋转机械故障进行自动诊断。
背景技术
轴承是重大旋转机械中使用最广泛的组件，直接影响旋转机械的健康状态。因此，自动、准确地诊断旋转机械的故障状态在装备维护管理方面尤为重要。随着机器学习和深度学习的快速发展，现代旋转机械设备的故障诊断方法得到蓬勃发展，以支持向量机、人工神经网络、决策树、随机森林等为代表的机器学习方法在故障诊断领域展开应用研究。由于机器学习方法需要大量的有标签数据，进行监督学习故障特征。而真实的工业环境中常常面临无标签信息的工业数据，机器学习方法无法满足这种需求，因此以深度置信网络，深度自编码器、卷积神经网络等深层特征学习的深度学习技术在故障诊断领域迅速得到广泛应用。但是，这些方法都只适用于同一工况下，并且需要大量有标签样本数据作为支撑，针对变工况和未知工况下的故障诊断，其模型精度低，而且泛化能力差，难以用于实际复杂工况下的故障诊断。
针对变工况下故障诊断问题，学者借助迁移学习的思想提出了基于最大均值差异、对比散度的迁移学习故障诊断模型解决了变工况样本数据不足或无标签数据下的故障诊断问题。主要思想是利用源域和目标域工况的样本数据进行特征提取器的训练，引入最大均值差异或对比散度差异的分布差异评价函数提取不同工况下的判别特征，然后再利用有标签的源域样本数据进行softmax分类器的训练，获得性能较好的故障诊断模型，提升模型在目标域工况下的诊断性能。
钱伟伟等人在其发表的论文“A New Transfer Learning Method and itsApplication on Rotating Machine Fault Diagnosis Under Variant WorkingConditions”(IEEE Access，2018，69907-69917；doi:10.1109/ACCESS.2018.2880770)中提出一种基于高阶KL散度的迁移学习用于变工况下滚动轴承故障的诊断方法。该方法的步骤是：首先，采集不同工况滚动轴承的振动数据；其次，将其中一种工况下的数据作为源域，其他工况数据的目标域，利用稀疏滤波和高阶KL散度进行源域和目标域判别特征的学习；最后，利用有标签的源域数据进行Softmax分类器的训练，实现其在目标域上有良好的故障诊断能力。该方法虽然在不同工况的判别特征提取方面，采用系数滤波和高阶KL散度的方法，但是，该方法仍然存在的不足之处是，未从多个不同工况的数据作为源域出发，没有考虑到不同源域工况数据分布的个性导致单源域迁移学习出现域不匹配的现象，影响模型的故障分类精度，导致不同迁移学习任务中的泛化能力差。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提供了基于多源域锚适配器集成迁移的旋转机械故障诊断方法，用于解决旋转机械的故障诊断精度不高的问题。
实现本发明目的的技术思路是，首先，采集旋转机械振动加速度时域信号，获取源域和目标域训练样本集和测试样本集；然后，从多个源域中每类样本中选择1个样本作为锚点，共K个锚点，计算每个锚点与多源域数据和目标域数据的相似度，并基于相似度生成新的源域和目标域适配器数据，并构建基于锚适配器的源域-目标域数据对；其次，对每一个数据对采用基于深度神经网络模型的故障诊断迁移学习方法进行模型训练，得到K个分类器，并利用生成的新目标域数据进行故障分类预测，得到K个预测结果；最后，利用集成选择策略指标对K个分类器的预测结果进行评价，通过选择策略指标排序选择前L个指标值对应的锚点进行适配器集成，即与之对应的分类器进行集成，完成故障诊断模型的构建，再利用分类器对目标域数据进行测试，获得最终故障诊断结果。
为了实现上述目的，本发明采用的技术方案包括如下步骤：
(1)生成源域样本集：
将数据库中选取的两种不同工况下每种至少2000个振动时域信号组成源域样本集S1和源域样本集S2；每个源域样本集包含至少12个故障类别的数据集合；
(2)生成训练样本集和测试样本集：
将通过数据采集系统实时采集的待诊断工况下旋转机械的至少2000个振动时域信号组成目标域样本集，目标域样本集按照3∶1的比例分为目标域训练样本集和目标域测试样本集；
(3)构建锚适配器矩阵：
(3a)从源域样本集S1和源域样本集S2的每一类样本中随机选择一个样本作为锚点，生成一个由K＝2×12个锚点组成的锚集合，其中，K表示锚集合中锚点的总数，锚集合中的一半锚点来自于源域样本集S1，另一半锚点来自于源域样本集S2；
(3b)利用相似度计算公式，计算锚集合中每一个锚点与源域样本集S1中每个样本的相似度；
(3c)利用与步骤(3b)相同的方法，分别计算锚集合中每一个锚点与源域样本集S2和目标域训练样本集中每个样本的相似度；
(3d)按照下式，分别计算两个源域样本集、目标域训练样本集的锚适配器矩阵：
其中，表示锚点集合中第k个锚点对应的源域样本集S1的锚适配矩阵，cos(·)表示余弦操作，ak表示锚点集合中第k个锚点，/>表示源域样本集S1中的第1个样本，/>表示源域样本集S1中的第N1个样本，N1表示源域样本集S1的样本总数，/>表示锚点集合中第k个锚点对应的源域样本集S2的锚适配矩阵，/>表示源域样本集S2中的第1个样本，/>表示源域样本集S2中的第N2个样本，N2表示源域样本集S2的样本总数，/>表示锚点集合中第k个锚点对应的目标域训练样本集的锚适配矩阵，/>表示目标域训练样本集中的第1个样本，表示目标域训练样本集中的第N3个样本，N3表示目标域训练样本集的样本总数；
(4)构建深度域适应网络：
搭建一个4层的深度域适应网络，其结构依次为：输入层→隐藏层→特征输出层→分类层；
设置每层参数如下：将输入层、隐藏层、特征输出层的神经元个数分别设置为200、100、50，输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数，分类层由12个分类器组成，分类器的激活函数为Softmax函数，设置深度域适应网络的学习率为0.02，最大均值惩罚项系数为2；
(5)训练深度域适应网络：
(5a)令k＝1；
(5b)将第k个锚点对应的锚适配矩阵和/>同时输入到深度域适应网络中，利用最小化损失函数对深度域适应网络迭代训练250次，得到与第k个锚点对应的分类器；
(5c)将目标域训练样本集输入到深度域适应网络中，通过第k个锚点对应的分类器输出预测结果；
(5d)判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤(6)，否则，将k加1后执行步骤(5b)；
(6)对每个分类器的性能进行评价：
分别计算每个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；对所有综合性能评价指标由大到小进行排序；
(7)分类器的集成：
(7a)选取所有综合性能评价指标排序中前L个值对应的分类器，L≤K，计算每个分类器的权重；
(7b)利用分类器集成计算公式，对前L个值对应的分类器采用加权的方式进行分类器集成，获得分类器集成的故障诊断模型；
(8)对旋转机械故障进行诊断：
(8a)将目标域测试样本集分别输入到L个值对应的分类器中，输出每个故障类别的预测结果；
(8b)每个故障类别的预测结果通过分类器集成的故障诊断模型，得到每个分类器集成后的预测结果；
(8c)从集成后的预测结果中选取最大值，将该最大值对应的类别作为旋转机械故障诊断的类别，输出预测标签。
本发明与现有技术相比，具有如下优点：
第一，本发明在构建锚适配器矩阵时，从多个源域的每类样本随机选择1个样本构建锚点集，并基于相似度计算构建多个锚适配器矩阵，集成多源域数据信息，利用深度域适应网络模型提取域不变特征，获得多个基于锚适配器的分类器，避免了现有技术采用单源域迁移学习进行故障诊断存在的泛化能力差的缺陷，使得本发明提高了迁移学习进行故障诊断的泛化能力。
第二，本发明在分类器的集成时，采用置信度和准确率的乘积作为分类器的综合性能评价指标，筛选出分类精度较高且置信度较高的分类器进行集成，避免了现有技术存在故障诊断准确性不高、分类精度不高的问题，使得本发明有效地提高了在不同工况下故障诊断的准确性，并且提高了故障诊断的分类精度。
附图说明
图1为本发明的实现流程图；
图2为本发明滚动轴承12种不同故障类型的振动时域信号波形示意图；
图3为本发明筛选的特征子集示意图；
图4为本发明实施的滚动轴承智能故障诊断结果示意图；
图5为本发明方法与其他方法滚动轴承智能故障诊断结果对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步的详细描述。
参照图1，本发明的步骤作进一步的详细描述。
步骤1，生成源域样本集。
将数据库中选取的两种不同工况下每种至少2000个振动时域信号组成源域样本集S1和源域样本集S2；每个源域样本集包含至少12个故障类别的数据集合。
步骤2，生成训练样本集和测试样本集。
将通过数据采集系统实时采集的待诊断工况下滚动轴承的至少2000个振动时域信号组成目标域样本集，目标域样本集按照3∶1的比例分为目标域训练样本集和目标域测试样本集。
步骤3，构建锚适配器矩阵。
第一步，从源域样本集S1和源域样本集S2的每一类样本中随机选择一个样本作为锚点，生成一个由K＝2×12个锚点组成的锚集合，其中，K表示锚集合中锚点的总数，锚集合中的一半锚点来自于源域样本集S1，另一半锚点来自于源域样本集S2。
第二步，利用相似度计算公式，计算锚集合中每一个锚点与源域样本集S1中每个样本的相似度。
所述的相似度计算公式如下：
其中，cos(·)表示余弦操作，xi表示源域样本集S1或源域样本集S2或目标域训练集中的第i个样本，ak T表示对ak进行转置操作，xi T表示对xi进行转置操作，表示开方操作。
第三步，利用与第二步相同的方法，分别计算锚集合中每一个锚点与源域样本集S2和目标域训练样本集中每个样本的相似度。
第四步，按照下式，分别计算两个源域样本集、目标域训练样本集的锚适配器矩阵：
其中，表示锚点集合中第k个锚点对应的源域样本集S1的锚适配矩阵，ak表示锚点集合中第k个锚点，/>表示源域样本集S1中的第1个样本，/>表示源域样本集S1中的第N1个样本，N1表示源域样本集S1的样本总数，/>表示锚点集合中第k个锚点对应的源域样本集S2的锚适配矩阵，/>表示源域样本集S2中的第1个样本，/>表示源域样本集S2中的第N2个样本，N2表示源域样本集S2的样本总数，/>表示锚点集合中第k个锚点对应的目标域训练样本集的锚适配矩阵，/>表示目标域训练样本集中的第1个样本，/>表示目标域训练样本集中的第N3个样本，N3表示目标域训练样本集的样本总数。
步骤4，构建深度域适应网络。
搭建一个4层的深度域适应网络，其结构依次为：输入层→隐藏层→特征输出层→分类层。
设置每层参数如下：将输入层、隐藏层、特征输出层的神经元个数分别设置为200、100、50，输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数，分类层由12个分类器组成，分类器的激活函数为Softmax函数，设置深度域适应网络的学习率为0.02，最大均值惩罚项系数为2。
步骤5，训练深度域适应网络。
第一步，令k＝1。
第二步，将第k个锚点对应的锚适配矩阵和/>同时输入到深度域适应网络中，利用最小化损失函数对深度域适应网络迭代训练250次，得到与第k个锚点对应的分类器。
所述的最小化损失函数的表达式如下：
其中，J1(·)表示源域样本集S1与目标域训练样本集的最小化损失函数，J2(·)表示源域样本集S2与目标域训练样本集的最小化损失函数，Loss(·)表示分类损失函数，yS1表示源域样本集S1的真实故障类别，表示源域样本集S1的预测故障类别，yS2表示源域样本集S2的真实故障类别，/>表示源域样本集S2的预测故障类别，λ表示惩罚系数，MMD(·)表示深度特征最大均值差异损失函数，FS1表示源域样本集S1的深度特征，FT1表示目标域训练样本集的深度特征，FS2表示源域样本集S2的深度特征，∑表示求和操作，ym表示源域样本集S1中的第m个样本的故障类别标签，yn表示源域样本集S2中的第n个样本的故障类别标签，c表示故障类别，C表示故障类别总数，S[·]表示指标函数，/>log(·)表示以10为底的对数操作，e表示自然常数，θ表示深度域适应网络的权重、偏置参数向量，fm表示源域样本集S1中的第m个特征向量，fn表示源域样本集S2中的第n个特征向量，φ(·)表示映射函数，/>表示源域样本集S1中第m个样本的特征，/>表示源域样本集S2中第n个样本的特征，/>表示目标域训练样本集中第t个训练样本的特征，H表示希尔伯特空间，||·||表示范数操作。
第三步，将目标域训练样本集输入到深度域适应网络中，通过第k个锚点对应的分类器输出预测结果。
第四步，判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤6，否则，将k加1后执行第二步。
步骤6，对每个分类器的性能进行评价。
分别计算每个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；对所有综合性能评价指标由大到小进行排序。
所述的计算每个分类器预测结果的置信度是由下式得到的：
其中，表示第k个锚点对应的分类器的置信度，/>表示第k个锚点对应的分类器在第j个目标域训练样本上的置信度，/>表示第j个目标域训练样本故障类别的预测概率，/>logC表示以故障类别总数C为底的对数操作。
所述的计算每个分类器预测结果的准确率是由下式得到的：
其中，表示第k个锚点对应的分类器的准确率，Count(·)表示计数函数，/>表示第k个锚点对应的分类器对第j个目标域训练样本的预测标签，yj表示第j个目标域训练样本真实的故障类别标签。
步骤7，分类器的集成。
选取所有综合性能评价指标排序中前L个值对应的分类器，L≤K，计算每个分类器的权重。
所述的计算每个分类器的权重由下式得到的：
其中，表示第l个分类器在第j个目标域训练样本上权重，al表示锚点集合中与第l个分类器对应的锚点，xj表示目标域训练样本集中的第j个样本。
利用分类器集成计算公式，对前L个值对应的分类器采用加权的方式进行分类器集成，获得分类器集成的故障诊断模型。
所述的计算分类器集成的预测结果由下式得到的：
其中，表示分类器集成的预测结果，wl表示第l个分类器的权重向量，/>表示第l个分类器的预测结果。
步骤8，对滚动轴承故障进行诊断。
将目标域测试样本集分别输入到L个值对应的分类器中，输出每个故障类别的预测结果。
每个故障类别的预测结果通过分类器集成的故障诊断模型，得到每个分类器集成后的预测结果。
从集成后的预测结果中选取最大值，将该最大值对应的类别作为滚动轴承故障诊断的类别，输出预测标签。
下面结合实施例对本发明做进一步的描述。
步骤1,获取源域样本集和目标域样本集。
本发明的实施例是通过数据采集系统采集四种不同工况(1797rpm，1772rpm，1750rpm，1730rpm)的轴承故障数据集(标记为Hp0,Hp1,Hp2,Hp3)下滚动轴承共计12种故障类型的振动时域信号数据，并通过傅里叶变换转化为振动频域信号数据，每种故障类型有300个振动频域信号样本，每种工况下有3600个振动频域信号样本，分别将工况Hp0、Hp1下的振动频域信号样本作为源域样本集S1和源域样本集S2，将Hp2下的振动频域信号样本作为目标域样本集，具体如下：
本实施例使用的振动时域信号均来自轴承加速寿命试验台PRONOSTIA采集的轴承振动时域信号。该平台由三部分组成：驱动模块，负载模块和数采模块。该试验装置的主要功能是提供不同故障类型的信号，实验装置的主要部件包括一台驱动电机、一个扭矩传感器和一台测功机，驱动电机功率1.2Kw，最大转速为6000r/min。轴承型号为6205-2RS JEMSKF，加速度传感器(DYTRAN 3035B)安装在驱动端附近，采样频率为12kHz。工况条件为：转速1800rpm，载荷4000N。试验轴承主要包括正常状态、滚子缺陷(BD)、外圈缺陷(OR)和内圈缺陷(IR)四种故障状态。使用电火花加工将单点故障引入试验轴承，故障直径包括0.007、0.014、0.021和0.028英寸，共四种尺寸类型，获得了包括不同的故障状态、不同故障直径尺寸和不同故障方位的共计12种故障类型的滚动轴承振动时域信号，其波形如图2所示。对于每种故障类型，从原始振动时域信号中生成300个样本，数据点为400个，并通过傅里叶变换获得振动频域信号样本。为了避免样本之间的连续性，提高模型的鲁棒性，从振动频域信号样本中随机选择225个样本作为训练样本，其余75个样本作为测试样本，如表1所示。
表1
参照图2滚动轴承的12种故障对应的振动时域信号波形，对本发明实施例滚动轴承12种不同故障类型的振动时域信号波形做进一步的描述，其中图2中的纵坐标表示振动信号的幅值，横坐标表示时间，图2(a)表示滚动轴承的故障类型为正常，图2(b)表示滚动轴承的故障类型为滚子故障，故障直径为0.007英寸，图2(c)表示滚动轴承的故障类型为滚子故障，故障直径为0.014英寸，图2(d)表示滚动轴承的故障类型为滚子故障，故障直径为0.021英寸，图2(e)表示滚动轴承的故障类型为内圈故障，故障直径为0.007英寸，图2(f)表示滚动轴承的故障类型为内圈故障，故障直径为0.014英寸，图2(g)表示滚动轴承的故障类型为内圈故障，故障直径为0.021英寸，图2(h)表示滚动轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为垂直3点钟方向，图2(i)表示滚动轴承的故障类型为外圈故障，故障直径为0.007英寸，故障方位为水平6点钟方向，图2(j)表示滚动轴承的故障类型为外圈故障，故障直径为0.014英寸，故障方位为水平6点钟方向，图2(k)表示滚动轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为垂直3点钟方向，图2(l)表示滚动轴承的故障类型为外圈故障，故障直径为0.021英寸，故障方位为水平6点钟方向。
对于每种故障类型，从原始振动时域信号中生成300个样本，数据点为400个，并通过傅里叶变换获得振动频域信号样本。
步骤2,构建K＝24个锚适配器矩阵。
锚适配器矩阵的构建过程如图3所示，将Hp0和Hp1同时作为源域样本集S1和源域样本集S2，从源域样本集S1和源域样本集S2中的每一类样本中随机选择一个样本作为锚点，共获得24个锚点作为锚点集，其中12个锚点来自于源域样本集S1，剩余12个锚点来自于源域样本集S2。
按照下式，计算每一个锚点与源域样本集S1、源域样本集S2和目标域样本集中每一个样本的相似度；
其中，cos(·)表示余弦操作，xi表示源域样本集S1或源域样本集S2或目标域训练集中的第i个样本，ak T表示对ak进行转置操作，xi T表示对xi进行转置操作，表示开方操作；
按照下式，通过余弦相似度来计算适应源域样本集和目标域样本集的锚适配器矩阵；
其中，表示锚点集合中第k个锚点对应的源域样本集S1的锚适配矩阵，ak表示锚点集合中第k个锚点，/>表示源域样本集S1中的第1个样本，/>表示源域样本集S1中的第N1个样本，N1表示源域样本集S1的样本总数，/>表示锚点集合中第k个锚点对应的源域样本集S2的锚适配矩阵，/>表示源域样本集S2中的第1个样本，/>表示源域样本集S2中的第N2个样本，N2表示源域样本集S2的样本总数，/>表示锚点集合中第k个锚点对应的目标域训练样本集的锚适配矩阵，/>表示目标域训练样本集中的第1个样本，/>表示目标域训练样本集中的第N3个样本，N3表示目标域训练样本集的样本总数。
步骤3,构建深度域适应网络模型。
设定深度域适应网络模型的超参数，包括：网络层数、每层网络神经元节点数、学习率和最大均值惩罚项系数，如表2所示：
表2
| 网络结构(DNN) | 200-100-50-12 |
| 激活函数 | Sigmoid |
| 学习率(lr) | 0.02 |
| 最大均值惩罚项系数 | 2 |
步骤4,利用锚适配器矩阵和/>进行网络训练。
第一步，确定网络的训练次数Epoch＝250；
第二步,令k＝1；
第三步,将第k个锚点对应的锚适配矩阵和/>同时输入到深度域适应网络中，利用最小化损失函数对深度域适应网络迭代训练250次，得到与第k个锚点对应的分类器，按照下式，计算最小化损失函数；
其中，J1(·)表示源域样本集S1与目标域训练样本集的最小化损失函数，J2(·)表示源域样本集S2与目标域训练样本集的最小化损失函数，Loss(·)表示分类损失函数，yS1表示源域样本集S1的真实故障类别，表示源域样本集S1的预测故障类别，yS2表示源域样本集S2的真实故障类别，/>表示源域样本集S2的预测故障类别，λ表示惩罚系数，MMD(·)表示深度特征最大均值差异损失函数，FS1表示源域样本集S1的深度特征，FT1表示目标域训练样本集的深度特征，FS2表示源域样本集S2的深度特征，∑表示求和操作，ym表示源域样本集S1中的第m个样本的故障类别标签，yn表示源域样本集S2中的第n个样本的故障类别标签，c表示故障类别，C表示故障类别总数，S[·]表示指标函数，/>log(·)表示以10为底的对数操作，e表示自然常数，θ表示深度域适应网络的权重、偏置参数向量，fm表示源域样本集S1中的第m个特征向量，fn表示源域样本集S2中的第n个特征向量，φ(·)表示映射函数，/>表示源域样本集S1中第m个样本的特征，/>表示源域样本集S2中第n个样本的特征，/>表示目标域训练样本集中第t个训练样本的特征，H表示希尔伯特空间，||·||表示范数操作。
第四步,将目标域训练样本集输入到深度域适应网络中，得到第k个锚点对应的分类器的预测结果Gk，表示第k个锚点对应的分类器在第j个目标域训练样本上的预测结果，/>为2700×12的矩阵；
第五步,判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤5，否则，将k加1后执行第三步；
步骤5,对每个分类器的性能进行评价。
计算24个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；
按照下式，计算24个分类器在目标域训练样本上的置信度，
其中，表示第k个锚点对应的分类器的置信度，/>表示第k个锚点对应的分类器在第j个目标域训练样本上的置信度，/>表示第j个目标域训练样本故障类别的预测概率，/>logC表示以故障类别总数C为底的对数操作。
按照下式，计算24个分类器在目标域训练样本上的准确率，
其中，表示第k个锚点对应的分类器的准确率，Count(·)表示计数函数，/>表示第k个锚点对应的分类器对第j个目标域训练样本的预测标签，yj表示第j个目标域训练样本真实的故障类别标签。
按照下式，计算24个分类器在目标域训练样本上的综合性能评价指标
/>
其中，表示第k个锚点对应的分类器的综合性能评价指标。
对24个分类的综合性能评价指标进行由大到小的排序，选取其中前8个较大值对应的分类器，用于分类器集成。
步骤6,锚适配器对应分类器的器集成。
按照下式，计算选择的8个分类器的权重向量w1,w2,…,wl,…,w8，其中
其中，表示第l个分类器在第j个目标域训练样本上的权重，al表示锚点集合中与第l个分类器对应的锚点，xj表示目标域训练样本集中的第j个样本；
按照下式，采用加权的方式进行8个分类器的集成，获得分类器集成的故障诊断模型；
其中，表示分类器集成的预测结果，wl表示第l个分类器的权重向量，/>表示第l个分类器的预测结果。
步骤7,获取滚动轴承故障诊断结果。
将目标域测试样本输入到获得的8个分类器中，获得8个故障诊断的预测结果其中/>
8个故障诊断的预测结果通过分类器集成的故障诊断模型，获得集成的预测结果其中，N4表示目标域测试样本总数，/>表示第j个目标域测试样本的最终预测结果，/>表示第j个目标域测试样本属于第c个故障类别的概率值，/>
从中选择最大值对应的标签作为最终的输出预测标签，完成对滚动轴承的故障诊断。图4为本发明对目标域900个测试样本进行分类的结果图，以预测标签对应的故障类别为横坐标，真实标签对应的故障类别为纵坐标，得到图4，图4中的数字表示分类结果的准确率。对于源域样本集S1(Hp1)和源域样本集S2(Hp2)迁移至目标域(Hp3)的迁移任务中，只有第10类样本出现误分类到第2类，准确率为0.97，其他11类的分类精度都为1。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的仿真实验的硬件平台为：中央处理器为Intel(R)Core(TM)i5-7500CPU,主频为3.40GHZ，内存16G。
本发明的仿真实验的软件平台为：WINDOWS 7操作系统和Python 3.7。
2.仿真内容及其结果分析：
本发明的仿真实验是分别采用本发明的方法和5个现有技术(基于锚适配器集成的单源域迁移学习方法，基于TCA的迁移学习方法，基于JDA的迁移学习方法，基于BDA的迁移学习方法，基于CORAL的迁移学习方法)对表1中所列的12类不同迁移任务进行分类，进行结果对比。
在仿真实验中，采用的5个现有技术是指：
现有技术基于锚适配器集成的单源域迁移学习方法是指，Fuzhen Zhuang等人在“Ensemble of Anchor Adapters for Transfer Learning，CIKM，October 2016，2335-2340”中提出的迁移学习方法，简称基于锚适配器集成的单源域迁移学习方法。
现有技术基于TCA的迁移学习方法是指，Sinno Jialin Pan等人在“DomainAdaptation via Transfer Component Analysis，IEEE Trans，vol.22，no.2，February2011”中提出的迁移学习方法，简称基于TCA的迁移学习方法。
现有技术基于JDA的迁移学习方法是指，Mingsheng Long等人在“TransferFeature Learning with Joint Distribution Adaptation，IEEE InternationalConference on Computer Vision(ICCV)，2013，pp.2200-2207”中提出的迁移学习方法，简称基于JDA的迁移学习方法。
现有技术基于BDA的迁移学习方法是指，Jindong Wang等人在“BalancedDistribution Adaptation for Transfer Learning，IEEE International Conferenceon Data Mining(ICDM)，18-21Nov.2017”中提出的迁移学习方法，简称基于BDA的迁移学习方法。
现有技术基于CORAL的迁移学习方法是指，Baochen Sun等人在“Deep CORAL:Correlation Alignment for Deep Domain Adaptation，ECCV 2016:Computer Vision-ECCV 2016Workshops，pp 443-450”中提出的迁移学习方法，简称基于CORAL的迁移学习方法。
表3
采用分类准确率Acc分别对本发明的五种不同方法分类结果的诊断精度进行评测，Acc的表达式为：
式中，为对第j个目标域测试样本预测的标签，yj表示第j个目标域测试样本的实际标签。
分别采用以下两组对比方式来将本发明方法的故障诊断结果和5种现有技术的故障诊断结果进行对比，验证本发明的性能，具体的对比方式为：
第一组，将本发明与基于锚适配器集成的单源域迁移学习方法进行比较，进行12类不同迁移任务故障诊断结果的对比，对比结果见表3。
根据表3可以看出，两种工况共同进行迁移学习任务的分类准确率基本在99％左右，明显高于其中任意单一源域工况迁移到目标域工况的任务，其中，多工况迁移学习的分类精度相比于其中任意一种单一工况的迁移学习最高可提升8.78％。
第二组，分别采用表4所示的4种迁移学习方法，对4种迁移学习方法进行仿真实验，将本发明与4种迁移学习方法进行12类不同迁移任务故障诊断结果的对比，对比结果如图5所示：
表4
图5中，横坐标表示不同的分类任务，纵坐标表示对不同方法进行仿真实验得到的预测结果的准确率，以星号标示的曲线表示的是采用TCA的迁移学习方法，菱形标示的曲线表示的是采用JDA的迁移学习方法，三角形标示的曲线表示的是采用BDA的迁移学习方法，圆形标示的曲线表示的是采用CORAL的迁移学习方法，正方形标示的曲线表示的是本文采用的迁移学习方法。从图5可以看出，本发明中提出的方法分类诊断精度相比于于其他四种方法，在不同的迁移学习任务上准确率波动较小，具有良好的鲁棒性，而且其分类诊断精度有显著提高。
综上所述，本发明能够筛选出集成多源域的不同数据分布信息，筛选出综合性能较好的分类器，并克服单源域迁移学习由于源域个性差异而造成的分类精度不高和泛化能力差的不足，提高了滚动轴承智能故障诊断的精度。
Claims (5)
1.一种基于多源域锚适配器集成迁移的旋转机械故障诊断方法，其特征在于，从两个工况随机选取样本生成源域样本集，构建锚适配器矩阵，集成多源域数据信息，该方法的步骤包括如下：
(1)生成源域样本集：
将数据库中选取的两种不同工况下每种至少2000个振动时域信号组成源域样本集S1和源域样本集S2；每个源域样本集包含至少12个故障类别的数据集合；
(2)生成训练样本集和测试样本集：
将通过数据采集系统实时采集的待诊断工况下旋转机械的至少2000个振动时域信号组成目标域样本集，目标域样本集按照3∶1的比例分为目标域训练样本集和目标域测试样本集；
(3)构建锚适配器矩阵：
(3a)从源域样本集S1和源域样本集S2的每一类样本中随机选择一个样本作为锚点，生成一个由K＝2×12个锚点组成的锚集合，其中，K表示锚集合中锚点的总数，锚集合中的一半锚点来自于源域样本集S1，另一半锚点来自于源域样本集S2；
(3b)利用相似度计算公式，计算锚集合中每一个锚点与源域样本集S1中每个样本的相似度；
(3c)利用与步骤(3b)相同的方法，分别计算锚集合中每一个锚点与源域样本集S2和目标域训练样本集中每个样本的相似度；
(3d)按照下式，分别计算两个源域样本集、目标域训练样本集的锚适配器矩阵：
其中，表示锚点集合中第k个锚点对应的源域样本集S1的锚适配矩阵，cos(·)表示余弦操作，ak表示锚点集合中第k个锚点，/>表示源域样本集S1中的第1个样本，/>表示源域样本集S1中的第N1个样本，N1表示源域样本集S1的样本总数，/>表示锚点集合中第k个锚点对应的源域样本集S2的锚适配矩阵，/>表示源域样本集S2中的第1个样本，/>表示源域样本集S2中的第N2个样本，N2表示源域样本集S2的样本总数，/>表示锚点集合中第k个锚点对应的目标域训练样本集的锚适配矩阵，/>表示目标域训练样本集中的第1个样本，表示目标域训练样本集中的第N3个样本，N3表示目标域训练样本集的样本总数；
(4)构建深度域适应网络：
搭建一个4层的深度域适应网络，其结构依次为：输入层→隐藏层→特征输出层→分类层；
设置每层参数如下：将输入层、隐藏层、特征输出层的神经元个数分别设置为200、100、50，输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数，分类层由12个分类器组成，分类器的激活函数为Softmax函数，设置深度域适应网络的学习率为0.02，最大均值惩罚项系数为2；
(5)训练深度域适应网络：
(5a)令k＝1；
(5b)将第k个锚点对应的锚适配矩阵和/>同时输入到深度域适应网络中，利用最小化损失函数对深度域适应网络迭代训练250次，得到与第k个锚点对应的分类器；
(5c)将目标域训练样本集输入到深度域适应网络中，通过第k个锚点对应的分类器输出预测结果；
(5d)判断是否获得所有锚点对应的分类器及预测结果，若是，执行步骤(6)，否则，将k加1后执行步骤(5b)；
(6)对每个分类器的性能进行评价：
分别计算每个分类器预测结果的置信度和准确率，利用置信度和准确率两个指标的乘积作为综合性能评价指标；对所有综合性能评价指标由大到小进行排序；
所述每个分类器预测结果的置信度是由下式得到的：
其中，表示第k个锚点对应的分类器的置信度，/>表示第k个锚点对应的分类器在第j个目标域训练样本上的置信度，/> 表示第j个目标域训练样本故障类别的预测概率，/>logC表示以故障类别总数C为底的对数操作；
所述的每个分类器预测结果的准确率是由下式得到的：
其中，表示第k个锚点对应的分类器的准确率，Count(·)表示计数函数，/>表示第k个锚点对应的分类器对第j个目标域训练样本的预测标签，yj表示第j个目标域训练样本真实的故障类别标签；
(7)分类器的集成：
(7a)选取所有综合性能评价指标排序中前L个值对应的分类器，L≤K，计算每个分类器的权重；
(7b)利用分类器集成计算公式，对前L个值对应的分类器采用加权的方式进行分类器集成，获得分类器集成的故障诊断模型；
(8)对旋转机械故障进行诊断：
(8a)将目标域测试样本集分别输入到L个值对应的分类器中，输出每个故障类别的预测结果；
(8b)每个故障类别的预测结果通过分类器集成的故障诊断模型，得到每个分类器集成后的预测结果；
(8c)从集成后的预测结果中选取最大值，将该最大值对应的类别作为旋转机械故障诊断的类别，输出预测标签。
2.根据权利要求1所述的基于多源域锚适配器集成迁移的旋转机械故障诊断方法，其特征在于，步骤(3b)中所述的相似度计算公式如下：
其中，xi表示源域样本集S1或源域样本集S2或目标域训练集中的第i个样本，ak T表示对ak进行转置操作，xi T表示对xi进行转置操作，表示开方操作。
3.根据权利要求1所述的基于多源域锚适配器集成迁移的旋转机械故障诊断方法，其特征在于，步骤(5b)中所述的最小化损失函数的表达式如下：
其中，J1(·)表示源域样本集S1与目标域训练样本集的最小化损失函数，J2(·)表示源域样本集S2与目标域训练样本集的最小化损失函数，Loss(·)表示分类损失函数，yS1表示源域样本集S1的真实故障类别，表示源域样本集S1的预测故障类别，yS2表示源域样本集S2的真实故障类别，/>表示源域样本集S2的预测故障类别，λ表示惩罚系数，MMD(·)表示深度特征最大均值差异损失函数，FS1表示源域样本集S1的深度特征，FT1表示目标域训练样本集的深度特征，FS2表示源域样本集S2的深度特征，∑表示求和操作，ym表示源域样本集S1中的第m个样本的故障类别标签，yn表示源域样本集S2中的第n个样本的故障类别标签，c表示故障类别，C表示故障类别总数，S[·]表示指标函数，/>log(·)表示以10为底的对数操作，e表示自然常数，θ表示深度域适应网络的权重、偏置参数向量，fm表示源域样本集S1中的第m个特征向量，fn表示源域样本集S2中的第n个特征向量，φ(·)表示映射函数，/>表示源域样本集S1中第m个样本的特征，/>表示源域样本集S2中第n个样本的特征，/>表示目标域训练样本集中第t个训练样本的特征，H表示希尔伯特空间，||·||表示范数操作。
4.根据权利要求1所述的基于多源域锚适配器集成迁移的旋转机械故障诊断方法，其特征在于，步骤(7a)中所述的每个分类器的权重由下式得到的：
其中，表示第l个分类器在第j个目标域训练样本上权重，al表示锚点集合中与第l个分类器对应的锚点，xj表示目标域训练样本集中的第j个样本。
5.根据权利要求1所述的基于多源域锚适配器集成迁移的旋转机械故障诊断方法，其特征在于，步骤(7b)中所述的分类器集成计算公式如下：
其中，表示分类器集成的预测结果，wl表示第l个分类器的权重向量，/>表示第l个分类器的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201367.1A CN112308147B (zh) | 2020-11-02 | 2020-11-02 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201367.1A CN112308147B (zh) | 2020-11-02 | 2020-11-02 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308147A CN112308147A (zh) | 2021-02-02 |
| CN112308147B true CN112308147B (zh) | 2024-02-09 |
Family
ID=74334201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011201367.1A Active CN112308147B (zh) | 2020-11-02 | 2020-11-02 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308147B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966559B (zh) * | 2021-02-03 | 2022-09-06 | 中国科学技术大学 | 可靠主动域适应方法、环境感知方法、装置及存储介质 |
| CN112926642B (zh) * | 2021-02-22 | 2022-06-07 | 山东大学 | 一种多源域自适应智能机械故障诊断方法及系统 |
| CN113008559B (zh) * | 2021-02-23 | 2022-02-22 | 西安交通大学 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
| CN113011568A (zh) * | 2021-03-31 | 2021-06-22 | 华为技术有限公司 | 一种模型的训练方法、数据处理方法及设备 |
| CN113191245B (zh) * | 2021-04-25 | 2023-04-11 | 西安交通大学 | 一种多源滚动轴承健康状态融合的迁移智能诊断方法 |
| CN114266977B (zh) * | 2021-12-27 | 2023-04-07 | 青岛澎湃海洋探索技术有限公司 | 基于超分辨可选择网络的多auv的水下目标识别方法 |
| CN114648044B (zh) * | 2022-03-18 | 2023-04-07 | 江苏迪普勒信息科技有限公司 | 基于eemd和深度域对抗网络的振动信号诊断分析方法 |
| CN115510926B (zh) * | 2022-11-23 | 2023-04-18 | 武汉理工大学 | 跨机型的柴油机燃烧室故障诊断方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090878A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
| 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 |
| CN111242144A (zh) * | 2020-04-26 | 2020-06-05 | 北京邮电大学 | 电网设备异常的检测方法和装置 |
| CN111507278A (zh) * | 2020-04-21 | 2020-08-07 | 浙江大华技术股份有限公司 | 一种检测路障的方法、装置及计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160078359A1 (en) * | 2014-09-12 | 2016-03-17 | Xerox Corporation | System for domain adaptation with a domain-specific class means classifier |
-
2020
- 2020-11-02 CN CN202011201367.1A patent/CN112308147B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090878A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
| 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 |
| CN111507278A (zh) * | 2020-04-21 | 2020-08-07 | 浙江大华技术股份有限公司 | 一种检测路障的方法、装置及计算机设备 |
| CN111242144A (zh) * | 2020-04-26 | 2020-06-05 | 北京邮电大学 | 电网设备异常的检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘冬冬 ; 李友荣 ; 徐增丙 ; .选择性集成迁移算法在轴承故障诊断领域的应用.机械设计与制造.2020,(第05期),全文. * |
| 金余丰 ; 刘晓锋 ; 姚美常 ; 黄凤良 ; .基于域对抗迁移的变工况滚动轴承故障诊断模型.自动化仪表.2019,(第12期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308147A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308147B (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
| CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN110751207B (zh) | 基于深度卷积域对抗迁移学习的故障诊断方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
| CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
| CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
| CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
| CN112308038B (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
| CN114091539A (zh) | 一种多模态深度学习的滚动轴承故障诊断方法 | |
| CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
| Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
| CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN115935187B (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
| CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
| CN108414228B (zh) | 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法 | |
| Matsuura | An application of neural network for selecting feature parameters in machinery diagnosis | |
| CN113780230A (zh) | 一种基于不变时空注意融合网络的不平衡故障诊断方法 | |
| Zhang et al. | Towards intelligent fault diagnosis under small sample condition via a signals augmented semi-supervised learning framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |