CN112418013A - 一种小样本下基于元学习的复杂工况轴承故障诊断方法 - Google Patents
一种小样本下基于元学习的复杂工况轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112418013A CN112418013A CN202011238989.1A CN202011238989A CN112418013A CN 112418013 A CN112418013 A CN 112418013A CN 202011238989 A CN202011238989 A CN 202011238989A CN 112418013 A CN112418013 A CN 112418013A
- Authority
- CN
- China
- Prior art keywords
- meta
- fault
- learning
- model
- working condition
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 238000013136 deep learning model Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种小样本下基于元学习的复杂工况轴承故障诊断方法,包括步骤:获取轴承在不同工况下的振动信号数据,归一化处理;利用短时傅里叶变换将振动信号转换为时频图像;时频图像按照工况类别划分为元训练集、元验证集和元测试集;构建元学习故障诊断模型;在给定工况的任务分布下,设置元学习故障诊断模型的超参数;随机采样N‑way K‑shot故障分类任务,支持子集和查询子集分别进行内外两次参数优化,完成元训练和元验证;元验证阶段选出的故障识别率最高的诊断模型,在元测试集数据上进行任务采样,通过支持子集微调模型,模型查询子集上进行性能评估。本发明实现新工况下轴承的快速、准确的故障诊断,降低模型对样本数量的依赖,提高轴承故障诊断的准确性与智能化。
Description
技术领域
本发明属于复杂工况轴承故障诊断技术领域,涉及一种小样本下基于元学习的复杂工况轴承故障诊断方法。
背景技术
故障诊断对于设备的健康运行及安全服役起到关键性作用。近年来,随着深度学习的快速发展,基于深度学习的故障诊断研究取得了较大的进步。深度置信网络、自编码网络、卷积神经网络、生成对抗网络等深度学习模型广泛应用于设备故障诊断领域,但是目前深度学习的成功依赖于大量数据和充足的计算资源来训练模型,这严重制约了深度学习在故障诊断领域的应用。
但是在故障诊断领域,特殊服役环境(例如有毒,高温和高压)下的数据收集和故障状态会导致生命危险和重大财产损失;大量数据采集需要通过许多传感器来收集,且标记数据需要大量的人力,从而导致大量的成本投入;设备工作状态数据中存在长尾现象,与正常状态数据相比,故障数据有限且难以获得;设备的健康状态会因许多因素而变化,例如电动机速度,负载和生产任务,无法收集所有可变工作条件下的数据。因此,必须研究基于小样本数据下的设备故障诊断方法,以降低深度学习模型对大量故障数据的依赖,降低数据采集的成本,有效提高复杂工况下基于有限样本的设备故障诊断精确度和智能化水平。
发明内容
本发明要解决的技术问题是:提供一种小样本下基于元学习的复杂工况轴承故障诊断方法,通过将元训练过程中学习到的故障知识快速应用于新工况下的故障识别,克服了传统故障诊断中对大量样本的依赖,且在不同的复杂工况中均可达到较高的准确率。
本发明采取的技术方案为:一种小样本下基于元学习的复杂工况轴承故障诊断方法,该方法包括以下步骤:
步骤一,利用加速度传感器收集获取轴承在不同工况下(涉及不同转速、不同负载等工况)的振动信号数据,并做归一化处理;
步骤二,利用短时傅里叶变换将轴承原始振动信号转换为时频图像,以获取轴承时域、频域的综合故障信息;
步骤三,将步骤二STFT处理所得到的时频图像按照工况类别划分为元训练集、元验证集和元测试集,每个数据集代表一种工况,且每个数据集包含支持子集和查询子集;
步骤四,基于模型无关元学习框架构建元学习故障诊断模型,模型为具有10层深度的卷积神经网络;
步骤五,在给定工况的任务分布P(T)下,设置元学习故障诊断模型的超参数,包括元学习率,批尺寸,梯度更新步、迭代次数等;
步骤六,基于步骤五给定的任务分布P(T),随机采样多个不同的N-way K-shot故障分类任务,在支持子集和查询子集上分别进行内外两次参数优化,完成模型的元训练和元验证;
步骤七,使用步骤六中元验证阶段选出的故障识别率最高的诊断模型,在元测试集数据上进行任务采样,通过支持子集微调模型,模型查询子集上进行性能评估,最终实现小样本下基于元学习的复杂工况轴承智能故障诊断。
优选的,上述归一化处理采用平均归一化方法,数学公式为:
式中,x表示原始振动信号,max(x)、min(x)和mean(x)分别表示振动信号的最大值、最小值和均值,x'表示归一化后的数据。
优选的,上述短时傅里叶变换采用汉宁窗,窗口长度取1024。
优选的,上述元训练集、元验证集和元测试集各有10种故障类型,每种故障的时频图为120张。
优选的,上述元学习故障诊断基模型依次由4层卷积层-最大池化层、全连接层和sofamax层共10层组成。
优选的,上述元学习故障诊断模型的内外优化学习率分别为0.001和0.01,批尺寸为4,梯度更新步为5,训练过程中为避免模型出现过拟合,使用Early-stopping训练策略。
优选的,上述随机采样的每个任务包括10种故障,其中,支持子集中每种故障只有1个(或5个)样本,即10-way 1(/5)-shot分类,查询集每种故障只有一个样本。
优选的,上述模型在元训练过程中,首先基于支持子集进行模型内部参数的优化,数学表达式如下:
式中,DS为元训练阶段随机采样于任务Ti的支持集,θ为模型的初始化参数,m为模型梯度更新步数,其取值范围为[0,n],为第i个任务Ti在第m-1步梯度更新后的模型参数,α为元学习率,L是损失函数,▽θ为θ关于损失L的梯度,损失函数采用交叉熵损失函数,计算公式为:
优选的,上述模型在元训练过程中,利用更新参数θ后的模型,基于查询子集计算一批样本梯度更新n步后的损失函数,数学表达式如下:
式中,任务Ti随机采样于元训练集分布ptr(T);
基于该损失函数和元学习率β,实现模型参数的外部优化,表达式为:
优选的,上述更新后的参数θ'相比随机初始化参数θ获取了已知工况下轴承的故障信息,在新的复杂工况(变转速工况、噪声工况、多因素叠加工况等)下,模型基于元测试数据集的支持子集进行微调,并基于查询集利用最优θ实现小样本下轴承的故障诊断。
本发明的有益效果:与现有技术相比,本发明利用浅层卷积神经网络对轴承故障时频图进行特征提取,相比利用一维时域信号,可获得较为全面的故障信息,同时避免了传统故障诊断人工特征提取的繁琐流程;本发明基于元学习框架,在元训练过程中,通过对多个任务的学习,分别基于支持子集和查询子集对模型进行内外两次优化,获得轴承故障的通用知识;本发明在元测试阶段,利用获取的知识可实现新工况小样本下快速准确的轴承故障诊断,且在变工况、噪声变工况、不同轴承对象等复杂工况下具有较高的准确率和泛化性能,大大减少设备故障诊断的成本;基于小样本数据下的设备故障诊断方法,以降低深度学习模型对大量故障数据的依赖,降低数据采集的成本,有效提高复杂工况下基于有限样本的设备故障诊断精确度和智能化水平。
附图说明
图1是本发明的流程图;
图2是本发明的网络结构图;
图3是在变工况下,本发明方法与其他深度学习模型的轴承故障诊断准确率对比图;
图4是在噪声(SNR=2dB)变工况下,本发明方法与其他深度学习模型的轴承故障诊断准确率对比图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1:本发明基于浅层卷积神经网络,利用元学习策略在元训练过程中,通过对多个任务的学习优化模型,获得轴承故障的通用知识,利用获取的知识元测试阶段可实现新工况小样本下快速准确的轴承故障诊断,轴承故障诊断方法具体包括以下步骤:
步骤1:利用加速度传感器收集获取轴承在不同工况下的振动信号数据,并做归一化处理;
步骤2:利用短时傅里叶变换将轴承原始振动信号转换为时频图像,以获取轴承时域、频域的综合故障信息,构建元学习数据集;
步骤3:将步骤二STFT处理所得到的时频图像按照工况类别划分元学习数据集为元训练集、元验证集和元测试集,每个数据集代表一种工况,且每个数据集包含支持子集和查询子集;
步骤4:基于模型无关元学习框架构建元学习故障诊断模型,基模型为具有10层深度的卷积神经网络;
步骤5:在给定工况的任务分布P(T)下,设置元学习故障诊断模型的超参数,包括元学习率,批尺寸,梯度更新步、迭代次数等;
步骤6:基于步骤五给定的任务分布P(T),随机采样多个不同的N-way K-shot故障分类任务,在支持子集和查询子集上分别进行内外两次参数优化,完成模型的元训练和元验证;
步骤7:使用步骤六中元验证阶段选出的故障识别率最高的诊断模型,在元测试集数据上进行任务采样,通过支持子集微调模型,模型查询子集上进行性能评估,最终实现小样本下基于元学习的复杂工况轴承智能故障诊断。
本发明对对获取的轴承振动信号归一化处理采用平均归一化预处理;利用STFT对信号进行时频域转换;按照工况类别划分并建立元训练集、元验证集和元测试集;基于卷积神经网络构建元学习故障诊断模型;设置元学习故障诊断模型的超参数;模型分别基于元训练集的支持子集、查询子集采集故障分类任务以优化模型参数;经过元测试集的支持子集对模型进行微调,在查询子集上测试其性能。本发明基于已有工况数据,只需采集及标记新工况下的少量样本,有效降低了大量数据样本获取的成本;利用元学习策略,提高了模型在有限样本复杂工况下轴承的智能诊断准确率和泛化性能,减少了设备故障诊断的成本。
实施例2:所使用的轴承故障数据集一共有三种运行工况(负载、转速不同),每种工况包括正常、内圈故障、外圈故障和滚珠故障,且每种故障具有三种不同故障尺寸,一共有10种轴承运行状态,每种运行状态包括120张时频图,每种工况下一共有1200张时频图。基于元学习训练策略,构建10-way 1(/5)shot故障分类任务。在元训练过程中,一共随机采集200个任务,在元测试过程中随机采集100个任务。通过在一种工况下进行元训练,其他不同工况下进行元测试。
参照图1,本发明的轴承故障诊断方法包括以下步骤:
步骤1:利用加速度传感器收集获取轴承在不同工况下的振动信号数据,并做归一化处理,表达式为:
式中,x表示原始振动信号,max(x)、min(x)和mean(x)分别表示振动信号的最大值、最小值和均值,x'表示归一化后的数据。
步骤2:利用短时傅里叶变换将轴承原始振动信号转换为时频图像,以获取轴承时域、频域的综合故障信息,短时傅里叶变换采用汉宁窗,窗口长度取1024;
步骤3:将步骤二STFT处理所得到的时频图像按照工况类别划分为元训练集、元验证集和元测试集,元训练集、元验证集和元测试集各有10种故障类型,每个数据集代表一种工况,且每个数据集包含支持子集和查询子集;
步骤4:基于模型无关元学习框架构建元学习故障诊断模型,基模型为具有10层深度的卷积神经网络,模型依次由4层卷积层-最大池化层、全连接层和sofamax层共10层组成;
步骤5:在给定工况的任务分布P(T)下,设置元学习故障诊断模型的超参数,内外优化学习率分别为0.001和0.01,批尺寸为4,梯度更新步为5,训练过程中为避免模型出现过拟合,使用Early-stopping训练策略;
步骤6:基于步骤五给定的任务分布P(T),随机采样多个不同的10-way 1(/5)-shot故障分类任务,支持子集中每种故障只有1个(或5个)样本,查询集每种故障只有一个样本。在支持子集和查询子集上分别进行内外两次参数优化。模型在元训练过程中,首先基于支持子集进行模型内部参数的优化,数学表达式如下:
式中,θ为模型的初始化参数,m为模型梯度更新步数,α为元学习率,L是损失函数,本发明中采用了交叉熵损失函数,计算公式为:
式中,(x(j),y(j))为从任务中采样的数据点。
模型在元训练过程中,利用更新参数θ后的模型,基于查询子集计算一批样本梯度更新n步后的损失函数,数学表达式如下:
基于该损失函数和元学习率β,实现模型参数的外部优化,表达式为:
步骤7:使用步骤六中元验证阶段选出的故障识别率最高的诊断模型,在元测试集数据上进行任务采样,更新后的参数θ'相比随机初始化参数θ获取了已知工况下轴承的故障信息,在新的复杂工况下,模型基于元测试数据集的支持子集进行微调,并基于查询集利用最优θ实现小样本下轴承的故障诊断。在变工况下10-way 5-shot可达到99.45%的准确率,实现了小样本复杂工况下轴承的智能故障诊断。
综上所述,本发明首先利用短时傅里叶变换将轴承原始振动信号转换为时频图像,构建元学习数据集,所述数据集包括元训练数据集、元验证数据集和元测试数据集。本发明使用模型无关元学习框架构建元学习故障诊断模型,所述模型在元训练过程中,通过执行已知工况下多个故障分类任务,优化模型初始化参数的同时获取关于故障模式的先验知识,在元测试阶段利用所学知识在少量样本上即可实现新工况下轴承的快速、准确的故障诊断。本发明能够实现变工况、噪声变工况及变轴承对象等复杂工况下轴承的端到端智能故障诊断,有效降低了模型对样本数量的依赖,提高轴承故障诊断准确度和泛化性能的同时减少设备故障诊断的成本。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:该方法包括以下步骤:
步骤一,利用加速度传感器收集获取轴承在不同工况下的振动信号数据,并做归一化处理;
步骤二,利用短时傅里叶变换将轴承原始振动信号转换为时频图像,获取轴承时域、频域的综合故障信息;
步骤三,将步骤二短时傅里叶变换处理所得到的时频图像按照工况类别划分为元训练集、元验证集和元测试集,每个数据集代表一种工况,且每个数据集包含支持子集和查询子集;
步骤四,基于模型无关元学习框架构建元学习故障诊断模型,基模型为具有10层深度的卷积神经网络;
步骤五,在给定工况的任务分布P(T)下,设置元学习故障诊断模型的超参数,超参数包括元学习率、批尺寸、梯度更新步和迭代次数;
步骤六,在步骤五给定的任务分布P(T)后,随机采样多个不同的N-way K-shot故障分类任务,在支持子集和查询子集上分别进行内外两次参数优化,完成模型的元训练和元验证;
步骤七,使用步骤六中元验证阶段选出的故障识别率最高的诊断模型,在元测试集数据上进行测试任务的采样:首先通过支持子集对进行模型微调,然后在查询子集上进行模型的性能评估,最终实现小样本下基于元学习的复杂工况轴承智能故障诊断。
2.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤一中归一化处理采用平均归一化方法,数学公式为:
x'=x-mean(x)/max(x)-min(x)
式中,x表示原始振动信号,max(x)、min(x)和mean(x)分别表示振动信号的最大值、最小值和均值,x'表示归一化后的数据。
3.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤二中短时傅里叶变换采用汉宁窗,窗口长度取1024。
4.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤三中元训练集、元验证集和元测试集各有10种故障类型,每种故障的时频图像为120张。
5.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤四中10层深度的卷积神经网络依次由4层卷积层、4层最大池化层、全连接层和sofamax层组成。
6.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤五中元学习故障诊断模型的内外优化学习率分别为0.001和0.01,批尺寸为4,梯度更新步为5,训练过程中使用Early-stopping训练策略。
7.根据权利要求1所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤六中随机采样的每个故障分类任务包括10种故障,其中,支持子集中每种故障只有1个或5个样本,即10-way1/5-shot分类,查询集每种故障只有一个样本。
10.根据权利要求9所述的一种小样本下基于元学习的复杂工况轴承故障诊断方法,其特征在于:步骤七中更新后的参数θ'相比随机初始化参数θ获取了已知工况下轴承的故障信息,在新的复杂工况下,模型基于元测试数据集的支持子集进行微调,并基于查询集利用最优θ实现小样本下轴承的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238989.1A CN112418013B (zh) | 2020-11-09 | 2020-11-09 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238989.1A CN112418013B (zh) | 2020-11-09 | 2020-11-09 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418013A true CN112418013A (zh) | 2021-02-26 |
CN112418013B CN112418013B (zh) | 2024-02-09 |
Family
ID=74782201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238989.1A Active CN112418013B (zh) | 2020-11-09 | 2020-11-09 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418013B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052144A (zh) * | 2021-04-30 | 2021-06-29 | 平安科技(深圳)有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113095419A (zh) * | 2021-04-20 | 2021-07-09 | 中国石油大学(华东) | 一种基于元学习的故障检测方法 |
CN113156900A (zh) * | 2021-03-30 | 2021-07-23 | 南京航空航天大学 | 一种基于元强化学习的加工变形控制方法 |
CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
CN113466681A (zh) * | 2021-05-31 | 2021-10-01 | 国网浙江省电力有限公司营销服务中心 | 一种基于小样本学习的断路器寿命预测方法 |
CN113569486A (zh) * | 2021-07-30 | 2021-10-29 | 安徽容知日新科技股份有限公司 | 一种工业设备的故障检测方法、计算设备及可读存储介质 |
CN113723451A (zh) * | 2021-07-20 | 2021-11-30 | 山东师范大学 | 视网膜图像分类模型训练方法、系统、存储介质及设备 |
CN113792845A (zh) * | 2021-09-07 | 2021-12-14 | 未鲲(上海)科技服务有限公司 | 基于元学习的预测模型训练方法、装置、电子设备及介质 |
CN113837000A (zh) * | 2021-08-16 | 2021-12-24 | 天津大学 | 一种基于任务排序元学习的小样本故障诊断方法 |
CN114418117A (zh) * | 2022-01-20 | 2022-04-29 | 北京航空航天大学 | 用于少样本故障诊断的具有自适应学习率的元学习方法 |
CN114563130A (zh) * | 2022-02-28 | 2022-05-31 | 中云开源数据技术(上海)有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
CN115730300A (zh) * | 2022-12-12 | 2023-03-03 | 西南大学 | 基于混合式对抗元学习算法的程序安全模型构建方法 |
CN116089860A (zh) * | 2023-01-10 | 2023-05-09 | 苏州大学 | 多阶段分布校正引导的设备故障诊断方法及装置 |
CN117404765A (zh) * | 2023-12-14 | 2024-01-16 | 山东省人工智能研究院 | 弱监督条件下空调系统风机故障诊断方法、系统及空调 |
CN118136050A (zh) * | 2024-02-26 | 2024-06-04 | 安徽中科昊音智能科技有限公司 | 一种设备故障声音识别方法、设备及存储介质 |
CN118296329A (zh) * | 2024-06-06 | 2024-07-05 | 贵州大学 | 一种用于非独立同分布情况下的联邦元学习故障诊断方法 |
CN118296500A (zh) * | 2024-06-06 | 2024-07-05 | 贵州大学 | 一种面向变工况噪声标签场景的小样本智能故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
-
2020
- 2020-11-09 CN CN202011238989.1A patent/CN112418013B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
Non-Patent Citations (2)
Title |
---|
徐萌;席泽西;王雍;李晓露;: "基于集成学习的航空发动机故障诊断方法", 中国民航大学学报, no. 02 * |
李恒;张氢;秦仙蓉;孙远韬;: "基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法", 振动与冲击, no. 19 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156900B (zh) * | 2021-03-30 | 2022-06-28 | 南京航空航天大学 | 一种基于元强化学习的加工变形控制方法 |
CN113156900A (zh) * | 2021-03-30 | 2021-07-23 | 南京航空航天大学 | 一种基于元强化学习的加工变形控制方法 |
CN113095419A (zh) * | 2021-04-20 | 2021-07-09 | 中国石油大学(华东) | 一种基于元学习的故障检测方法 |
CN113052144A (zh) * | 2021-04-30 | 2021-06-29 | 平安科技(深圳)有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113052144B (zh) * | 2021-04-30 | 2023-02-28 | 平安科技(深圳)有限公司 | 活体人脸检测模型的训练方法、装置、设备及存储介质 |
CN113466681A (zh) * | 2021-05-31 | 2021-10-01 | 国网浙江省电力有限公司营销服务中心 | 一种基于小样本学习的断路器寿命预测方法 |
CN113466681B (zh) * | 2021-05-31 | 2024-05-10 | 国网浙江省电力有限公司营销服务中心 | 一种基于小样本学习的断路器寿命预测方法 |
CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
CN113723451A (zh) * | 2021-07-20 | 2021-11-30 | 山东师范大学 | 视网膜图像分类模型训练方法、系统、存储介质及设备 |
CN113569486A (zh) * | 2021-07-30 | 2021-10-29 | 安徽容知日新科技股份有限公司 | 一种工业设备的故障检测方法、计算设备及可读存储介质 |
CN113837000A (zh) * | 2021-08-16 | 2021-12-24 | 天津大学 | 一种基于任务排序元学习的小样本故障诊断方法 |
CN113792845A (zh) * | 2021-09-07 | 2021-12-14 | 未鲲(上海)科技服务有限公司 | 基于元学习的预测模型训练方法、装置、电子设备及介质 |
CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
CN114418117B (zh) * | 2022-01-20 | 2024-05-28 | 北京航空航天大学 | 用于少样本故障诊断的具有自适应学习率的元学习方法 |
CN114418117A (zh) * | 2022-01-20 | 2022-04-29 | 北京航空航天大学 | 用于少样本故障诊断的具有自适应学习率的元学习方法 |
CN114563130A (zh) * | 2022-02-28 | 2022-05-31 | 中云开源数据技术(上海)有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
CN114563130B (zh) * | 2022-02-28 | 2024-04-30 | 中云开源数据技术(上海)有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
CN115730300A (zh) * | 2022-12-12 | 2023-03-03 | 西南大学 | 基于混合式对抗元学习算法的程序安全模型构建方法 |
CN116089860A (zh) * | 2023-01-10 | 2023-05-09 | 苏州大学 | 多阶段分布校正引导的设备故障诊断方法及装置 |
CN116089860B (zh) * | 2023-01-10 | 2024-09-20 | 苏州大学 | 多阶段分布校正引导的设备故障诊断方法及装置 |
CN117404765B (zh) * | 2023-12-14 | 2024-03-22 | 山东省人工智能研究院 | 弱监督条件下空调系统风机故障诊断方法、系统及空调 |
CN117404765A (zh) * | 2023-12-14 | 2024-01-16 | 山东省人工智能研究院 | 弱监督条件下空调系统风机故障诊断方法、系统及空调 |
CN118136050A (zh) * | 2024-02-26 | 2024-06-04 | 安徽中科昊音智能科技有限公司 | 一种设备故障声音识别方法、设备及存储介质 |
CN118296329A (zh) * | 2024-06-06 | 2024-07-05 | 贵州大学 | 一种用于非独立同分布情况下的联邦元学习故障诊断方法 |
CN118296500A (zh) * | 2024-06-06 | 2024-07-05 | 贵州大学 | 一种面向变工况噪声标签场景的小样本智能故障诊断方法 |
CN118296329B (zh) * | 2024-06-06 | 2024-08-20 | 贵州大学 | 一种用于非独立同分布情况下的联邦元学习故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418013B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN111506862A (zh) | 一种基于多源加权集成迁移学习的滚动轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114386526A (zh) | 旋转机械故障的联合卷积神经网络诊断方法 | |
CN117708574B (zh) | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 | |
CN118094342B (zh) | 旋转机械无监督域自适应故障诊断方法及系统 | |
CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
CN113776835A (zh) | 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法 | |
CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN114624027A (zh) | 一种基于多输入cnn的轴承故障诊断方法 | |
CN114593917A (zh) | 一种基于三元组模型的小样本轴承故障诊断方法 | |
CN112347917B (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 |
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 |