CN112329329A - 仿真数据驱动的旋转机械深度半监督迁移诊断方法 - Google Patents

仿真数据驱动的旋转机械深度半监督迁移诊断方法 Download PDF

Info

Publication number
CN112329329A
CN112329329A CN202011002774.XA CN202011002774A CN112329329A CN 112329329 A CN112329329 A CN 112329329A CN 202011002774 A CN202011002774 A CN 202011002774A CN 112329329 A CN112329329 A CN 112329329A
Authority
CN
China
Prior art keywords
data
domain
target domain
feature
discriminator
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.)
Granted
Application number
CN202011002774.XA
Other languages
English (en)
Other versions
CN112329329B (zh
Inventor
马辉
俞昆
杨阳
罗忠
李旭
李响
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.)
Northeastern University China
China North Vehicle Research Institute
Original Assignee
Northeastern University China
China North Vehicle Research Institute
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 Northeastern University China, China North Vehicle Research Institute filed Critical Northeastern University China
Priority to CN202011002774.XA priority Critical patent/CN112329329B/zh
Publication of CN112329329A publication Critical patent/CN112329329A/zh
Application granted granted Critical
Publication of CN112329329B publication Critical patent/CN112329329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明属于旋转机械智能诊断技术领域，公开了仿真数据驱动的旋转机械深度半监督迁移诊断方法。利用源域数据和目标域有标签样本数据实现状态分布对齐，获取可区分性较好的诊断模型。利用源域数据和目标域无标签样本数据实现边缘分布对齐，通过对抗训练的方式将可区分性较好的诊断模型迁移到目标域无标签样本分类任务中，实现旋转机械仿真数据到实际监测数据间诊断知识的迁移。有效解决实际智能诊断方法中带标签数据不足的问题。

Description

仿真数据驱动的旋转机械深度半监督迁移诊断方法
技术领域
本发明属于旋转机械智能诊断技术领域，涉及仿真数据驱动的旋转机械深度半监督迁移诊断方法。
背景技术
现有基于迁移学习的旋转机械故障诊断方法大多将实验室监测数据中获取的诊断知识迁移到工业设备监测数据中，将正常工况下的监测数据中获取的诊断知识迁移到极端工况下的监测数据中。然而，在现有的旋转机械迁移诊断方法中，如何获取源域数据的标签信息是一个常被忽视的问题。当源域数据的标签信息不充足时，利用源域数据学习得到的诊断模型识别能力有限，不能很好的实现源域数据到目标域数据间诊断知识的迁移。
旋转机械的仿真模型能够有效地反映旋转机械的动态运行特性。建模过程中需事先假设旋转机械的运行状态，可自然而然地获取其对应的标签信息，无需耗费额外成本对仿真数据进行标记，可以很好地解决源域数据标记问题。
发明内容
为了克服现有技术中存在的问题，提出了仿真数据驱动的旋转机械深度半监督迁移诊断方法。利用不同故障状态下的旋转机械仿真数据及其对应的标签信息构造源域数据集
Figure BDA0002694889440000011
利用实验室或工业现场采集到的旋转机械监测数据作为目标域数据集，目标域数据集中含有少量有标签信息的监测样本数据
Figure BDA0002694889440000012
和大量无标签信息的监测样本数据
Figure BDA0002694889440000013
假设目标域数据有标签监测样本数据组数mt远小于无标签监测样本数据组数mu。本发明的半监督迁移诊断方法整体性思路如图1所示。其执行过程主要分为两个部分：第一，利用源域数据和目标域有标签样本数据实现状态分布对齐，获取可区分性较好的诊断模型。第二，利用源域数据和目标域无标签样本数据实现边缘分布对齐，通过对抗训练的方式将可区分性较好的诊断模型迁移到目标域无标签样本分类任务中，实现旋转机械仿真数据到实际监测数据间诊断知识的迁移。
本发明的具体技术方案为：
仿真数据驱动的旋转机械深度半监督迁移诊断方法，包括步骤如下：
第一步，源域数据和目标域数据的获取；
源域数据由旋转机械仿真模型求解后产生的振动响应数据组成。所述的旋转机械仿真模型包括：利用旋转机械动力学方程构造的仿真模型、利用旋转机械仿真软件构造的仿真模型；
目标域数据与普通的旋转机械迁移诊断方法中的目标域数据相同，由实验室采集的旋转机械故障数据或工业现场采集的机械设备故障数据组成；
第二步，对抗式迁移学习方法；
所述对抗式迁移学习包括四个基本模块，分别为特征提取器(FeatureExtractor,E)、特征转化器(Feature Translator,T)、域判别器(Discriminator,D)和分类器(Classifier,C)；四个模块的网络参数更新流程如图2所示。四个基本模块的网络参数更新过程主要通过两个阶段实现；第一阶段，利用源域数据和目标域少量有标签样本数据，更新特征提取器、特征转化器以及分类器的网络参数，实现源域数据与目标域数据的状态分布对齐，获取可区分性较好的诊断模型；第二阶段，利用源域数据和目标域大量无标签样本数据，迭代更新域判别器与特征转化器的网络参数，实现源域特征与目标域特征边缘分布对齐，将可区分性较好的诊断模型迁移到目标域无标签样本数据分类任务中；
网络参数更新过程中，第一和第二阶段的网络参数更新准则交替执行，实现四个基本模块的网络参数更新。
进一步地，第二步中网络参数更新的第一阶段，特征提取器、特征转化器以及分类器的网络参数更新主要通过最小化交叉熵函数和对比损失函数来实现。其具体实现过程分为两个步骤：
步骤2-1-1，针对源域数据，通过最小化如下损失函数更新特征提取器和分类器的网络参数：
Figure BDA0002694889440000021
其中，
Figure BDA0002694889440000022
表示针对源域数据的交叉熵函数，其展开形式为：
Figure BDA0002694889440000031
其中，xs表示源域数据，ys表示源域标签信息。E和C分别表示特征提取器和分类器。K表示分类类别数，ms表示源域数据样本个数。
Figure BDA0002694889440000032
表示对比损失函数，其展开形式为：
Figure BDA0002694889440000033
其中，Xs和Xt为源域数据和目标域有标签数据经特征提取器处理后的高维特征，margin为设定的不同特征间的最大边界，classeq表示两组输入数据的标签信息是否一致，其表达式为：
Figure BDA0002694889440000034
对比损失函数中的输入元素Xs为源域数据经特征提取器和分类器处理后的可区分特征，其表达式为：
Xs＝C(E(xs)). (5)
对比损失函数中的输入元素Xt为目标域有标签数据经特征提取、特征转化器和分类器处理后的可分区特性，其表达式为：
Xt＝C(T(E(xt))). (6)
步骤2-1-2，针对目标域有标签样本数据，通过最小化如下损失函数更新特征转化器的网络参数：
Figure BDA0002694889440000035
其中，xt表示目标域有标签数据，
Figure BDA0002694889440000036
表示针对目标域有标签数据的交叉熵函数，其展开形式如下：
Figure BDA0002694889440000037
所述步骤2-1-1利用源域数据更新特征提取器和分类器时，对比损失函数中依据目标域有标签数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；所述步骤2-1-2，利用目标域有标签样本数据更新特征转化器时，对比损失函数中依据源域数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；
第二阶段，特征转化器和域判别器的网络参数更新通过对抗训练的方式实现；
在对抗训练过程中，假设源域数据对应的真实标签信息为0，目标域无标签样本数据对应的真实标签信息为1；对抗训练的执行过程分为两个步骤：
步骤2-2-1固定域判别器的网络参数，更新特征转化器的网络参数；将目标域无标签样本数据经特征提取器、特征转换器处理后的高维特征输入到判别器中，通过更新特征转化器的网络参数，令域判别器针对目标域无标签样本数据对应的高维特征的预测标签信息为0，从而达到混淆域判别器的预测结果的目的，其对应的参数更新过程如下所示：
Figure BDA0002694889440000041
其中，xu表示目标域无标签数据，
Figure BDA0002694889440000042
表示二元交叉熵函数，其展开形式如下：
Figure BDA0002694889440000043
mu表示目标域无标签数据样本个数。
步骤2-2-2固定特征转化器的网络参数，更新域判别器的网络参数；分别将源域数据和目标域无标签样本数据对应的高维特征输入到域判别器中，通过更新域判别器的网络参数，令域判别器针对源域数据对应的高维特征的预测标签信息为0，针对目标域无标签数据对应的高维特征的预测标签信息为1，使得域判别器尽可能正确的区分源域数据和目标域无标签样本数据对应的高维特征，其对应的参数更新过程如下所示：
Figure BDA0002694889440000044
其中，
Figure BDA0002694889440000045
也表示二元交叉熵函数，其展开形式如下：
Figure BDA0002694889440000046
本发明的有益效果为，提出了仿真数据驱动的旋转机械深度半监督迁移诊断方法。利用不同故障状态下的旋转机械仿真数据构造源域数据集，利用实验室或工业现场采集到的旋转机械监测数据作为目标域数据集，实现旋转机械仿真数据到实际监测数据间诊断知识的迁移。有效解决实际智能诊断方法中带标签数据不足的问题。
附图说明
图1为本发明迁移诊断方法整体性框架。
图2为本发明对抗式迁移学习内部参数更新流程。
图3为单盘滚动轴承轴承-转子系统。
图4为不同故障状态下的轴承仿真振动响应时域波形及包络谱。(a)正常状态下加速度信号(b)正常状态下包络谱(c)外圈故障状态下加速度信号(d)外圈故障状态下包络谱(e)内圈故障状态下加速度信号(f)内圈故障状态下包络谱(g)滚珠故障状态下加速度信号(h)滚珠故障状态下包络谱
图5为滚动轴承故障模拟试验台。
图6为四种健康状态下的滚动轴承故障模拟试验台监测数据。(a)正常状态下的加速度信号(b)内圈故障状态下的加速度信号(c)滚珠故障状态下的加速度信号(d)外圈故障状态下的加速度信号
图7为利用本发明得到的训练样本和测试样本特征分布。(a)训练过程中目标域特征分布(b)测试过程中目标域特征分布(c)训练过程源域特征分布(d)训练过程源域与目标域特征对比
具体实施方式
实施例1
依据所提的仿真数据驱动的旋转机械深度半监督迁移诊断方法，以旋转机械中重要的支承部件-滚动轴承为研究对象，构造典型的滚动轴承-转子系统仿真模型，如图3所示，模拟不同故障状态下的滚动轴承运行状态，获取滚动轴承处于不同故障状态下的仿真数据，构造旋转机械半监督迁移诊断方法中所需的源域数据集。利用实验室滚动轴承实验台采集的滚动轴承故障数据构造旋转机械半监督迁移诊断方法中所需的目标域数据集。
利用滚动轴承-转子系统仿真模型构造仿真数据时，选用的轴承型号为JIS6306，其对应的结构参数如表1所示。与该轴承结构参数相对应的轴承不同故障状态下的故障频率如表2所示。为了验证所建立含轴承局部故障的转子系统模型的正确性，选取转轴角速度为200rad/s时左侧轴承外圈垂直方向单元节点在不同故障状态下的加速度信号进行分析。不同故障状态下的时域信号及其对应的包络谱如图4所示。可以看出，正常状态下的轴承仿真信号的时域波形中无明显冲击特征，正常状态下的信号幅值相对于其他故障状态下的信号幅值明显较小，其对应的包络谱中出现与转频相关的频率成分；不同故障状态下的时域信号中包含的调幅特征与理想状态下的结果较为相符，不同故障状态下的包络谱中的在故障频率及其倍频位置均出现明显的峰值。由此可以证明所建立的含轴承局部故障的转子系统模型能够有效反映实际转子系统的运行动态变化规律。
表1轴承JIS6306结构参数
Figure BDA0002694889440000061
表2轴承JIS6306故障特征频率.
Figure BDA0002694889440000062
实验案例中的轴承故障实验数据采集自图5所示滚动轴承故障模拟试验台。实验过程中，转轴转速为1200r/min，通过固定在轴承座水平方向上的加速度传感器采集加速度数据。故障数据采集过程中，采样频率设定为10K Hz，时间长度为1s。轴承故障实验数据集由四种故障状态下的轴承加速度信号组成，即正常状态、内圈故障、滚珠故障和外圈故障，每种故障状态下的振动信号时域波形如图6所示。每种故障状态下采集200组轴承故障数据，随机选取其中100组作为测试数据，其他100组作为目标域训练数据。对于目标域训练数据，选取其中10组作为有标签样本数据，其余90组作为无标签样本数据。考虑到目标域数据中包含四种轴承故障状态，源域数据集中也选用四种故障状态下的仿真振动响应构造而成。
为了更好地说明所提迁移诊断方法的诊断效果，利用t-分布领域嵌入算法将分类器针对训练过程中的源域数据和目标域数据以及测试过程中的目标域数据对应的输出高维特征约简至二维特征向量，图7给出了利用所提迁移诊断方法得到的特征分布结果。从图7(a)-(b)中可以看出，训练过程和测试过程中目标域数据的特征分布基本保持一致，所提方法能够很好的区分目标域数据的高维特征。对比图7(a)、(c)-(d)可以看出，训练过程中的源域数据和目标域数据对应的特征分布规律基本保持一致，表明所提方法能够将源域数据和目标域数据对应的高维特征映射到同一特征空间，可以很好地将源域诊断知识迁移到目标域数据分类中。

Claims (2)

1.仿真数据驱动的旋转机械深度半监督迁移诊断方法，其特征在于，包括步骤如下：
第一步，源域数据和目标域数据的获取；
源域数据由旋转机械仿真模型求解后产生的振动响应数据组成，所述的旋转机械仿真模型包括：利用旋转机械动力学方程构造的仿真模型、利用旋转机械仿真软件构造的仿真模型；
目标域数据由实验室采集的旋转机械故障数据或工业现场采集的机械设备故障数据组成；
第二步，对抗式迁移学习方法；
所述对抗式迁移学习包括四个基本模块，分别为特征提取器、特征转化器、域判别器和分类器；四个基本模块的网络参数更新过程主要通过两个阶段实现；第一阶段，利用源域数据和目标域少量有标签样本数据，更新特征提取器、特征转化器以及分类器的网络参数，实现源域数据与目标域数据的状态分布对齐，获取可区分性较好的诊断模型；第二阶段，利用源域数据和目标域大量无标签样本数据，迭代更新域判别器与特征转化器的网络参数，实现源域特征与目标域特征边缘分布对齐，将可区分性较好的诊断模型迁移到目标域无标签样本数据分类任务中；
网络参数更新过程中，第一和第二阶段的网络参数更新准则交替执行，实现四个基本模块的网络参数更新。
2.根据权利要求1所述的仿真数据驱动的旋转机械深度半监督迁移诊断方法，其特征在于，第二步中网络参数更新的第一阶段，特征提取器、特征转化器以及分类器的网络参数更新，具体实现过程分为两个步骤：
步骤2-1-1，针对源域数据，通过最小化如下损失函数更新特征提取器和分类器的网络参数：
Figure FDA0002694889430000011
其中，
Figure FDA0002694889430000012
表示针对源域数据的交叉熵函数，其展开形式为：
Figure FDA0002694889430000013
Figure FDA0002694889430000014
表示对比损失函数，其展开形式为：
Figure FDA0002694889430000015
其中，classeq表示两组输入数据的标签信息是否一致，其表达式为：
Figure FDA0002694889430000021
对比损失函数中的输入元素Xs为源域数据经特征提取器和分类器处理后的可区分特征，其表达式为：
Xs＝C(E(xs)). (5)
对比损失函数中的输入元素Xt为目标域有标签数据经特征提取、特征转化器和分类器处理后的可分区特性，其表达式为：
Xt＝C(T(E(xt))). (6)
步骤2-1-2，针对目标域有标签样本数据，通过最小化如下损失函数更新特征转化器的网络参数：
Figure FDA0002694889430000022
其中，
Figure FDA0002694889430000023
表示针对目标域有标签数据的交叉熵函数，其展开形式如下：
Figure FDA0002694889430000024
所述步骤2-1-1利用源域数据更新特征提取器和分类器时，对比损失函数中依据目标域有标签数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；所述步骤2-1-2，利用目标域有标签样本数据更新特征转化器时，对比损失函数中依据源域数据得到的特征参量作为基准信息，其梯度不引入参数更新过程；
第二阶段，特征转化器和域判别器的网络参数更新通过对抗训练的方式实现；
在对抗训练过程中，假设源域数据对应的真实标签信息为0，目标域无标签样本数据对应的真实标签信息为1；对抗训练的执行过程分为两个步骤：
步骤2-2-1固定域判别器的网络参数，更新特征转化器的网络参数；将目标域无标签样本数据经特征提取器、特征转换器处理后的高维特征输入到判别器中，通过更新特征转化器的网络参数，令域判别器针对目标域无标签样本数据对应的高维特征的预测标签信息为0，从而达到混淆域判别器的预测结果的目的，其对应的参数更新过程如下所示：
Figure FDA0002694889430000025
其中，
Figure FDA0002694889430000026
表示二元交叉熵函数，其展开形式如下：
Figure FDA0002694889430000027
步骤2-2-2固定特征转化器的网络参数，更新域判别器的网络参数；分别将源域数据和目标域无标签样本数据对应的高维特征输入到域判别器中，通过更新域判别器的网络参数，令域判别器针对源域数据对应的高维特征的预测标签信息为0，针对目标域无标签数据对应的高维特征的预测标签信息为1，使得域判别器尽可能正确的区分源域数据和目标域无标签样本数据对应的高维特征，其对应的参数更新过程如下所示：
Figure FDA0002694889430000031
其中，
Figure FDA0002694889430000032
也表示二元交叉熵函数，其展开形式如下：
Figure FDA0002694889430000033
CN202011002774.XA 2020-09-22 2020-09-22 仿真数据驱动的旋转机械深度半监督迁移诊断方法 Active CN112329329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011002774.XA CN112329329B (zh) 2020-09-22 2020-09-22 仿真数据驱动的旋转机械深度半监督迁移诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011002774.XA CN112329329B (zh) 2020-09-22 2020-09-22 仿真数据驱动的旋转机械深度半监督迁移诊断方法

Publications (2)

Publication Number Publication Date
CN112329329A true CN112329329A (zh) 2021-02-05
CN112329329B CN112329329B (zh) 2024-02-20

Family

ID=74303006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011002774.XA Active CN112329329B (zh) 2020-09-22 2020-09-22 仿真数据驱动的旋转机械深度半监督迁移诊断方法

Country Status (1)

Country Link
CN (1) CN112329329B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
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
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN111442926A (zh) * 2020-01-11 2020-07-24 哈尔滨理工大学 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
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
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法
CN111442926A (zh) * 2020-01-11 2020-07-24 哈尔滨理工大学 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
邵思羽: "基于深度学习的旋转机械故障诊断方法研究", 中国优秀博士学位论文全文库工程科技Ⅱ辑, no. 5, pages 1 - 138 *
金余丰 等: "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, no. 12, 20 December 2019 (2019-12-20), pages 1 - 5 *
陈果: "转子-滚动轴承-机匣耦合系统中滚动轴承故障的动力学分析", 振动工程学报, vol. 21, no. 6, pages 1 - 11 *
雷亚国 等: "大数据下机械装备故障的深度迁移诊断方法", 机械工程学报, no. 07, pages 1 - 12 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统
CN113177448B (zh) * 2021-04-19 2023-06-13 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统
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
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
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

Also Published As

Publication number Publication date
CN112329329B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN112329329B (zh) 仿真数据驱动的旋转机械深度半监督迁移诊断方法
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
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
CN101614787B (zh) 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN113076834B (zh) 旋转机械故障信息处理方法、处理系统、处理终端、介质
CN113177448B (zh) 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统
CN112765890B (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
CN108760300A (zh) 一种依据轴承振动信号对其进行故障智能诊断的方法
CN112926642B (zh) 一种多源域自适应智能机械故障诊断方法及系统
CN110018322B (zh) 一种基于深度学习的转速检测方法及系统
Saravanakumar et al. Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN116186587A (zh) 一种基于深度迁移的边缘端故障诊断方法及系统
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
Wei et al. Convolutional neural networks for fault diagnosis using rotating speed normalized vibration
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN111458145A (zh) 一种基于路图特征的缆车滚动轴承故障诊断方法
CN113869339A (zh) 用于故障诊断的深度学习分类模型及故障诊断方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN116644273A (zh) 基于可释性乘法卷积网络的故障诊断方法及系统
Saha et al. Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions
Brandao et al. Fault Diagnosis of Rotary Machines Using Machine Learning
CN114003493A (zh) 测试数据处理方法、装置、设备及存储介质
Saufi et al. Extremely Low-Speed Bearing Fault Diagnosis Based on Raw Signal Fusion and DE-1D-CNN Network

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