CN112629863A - 变工况下动态联合分布对齐网络的轴承故障诊断方法 - Google Patents
变工况下动态联合分布对齐网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112629863A CN112629863A CN202011632478.8A CN202011632478A CN112629863A CN 112629863 A CN112629863 A CN 112629863A CN 202011632478 A CN202011632478 A CN 202011632478A CN 112629863 A CN112629863 A CN 112629863A
- Authority
- CN
- China
- Prior art keywords
- sample
- domain sample
- source domain
- label
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009760 electrical discharge machining Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Abstract
本发明公开了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：采集不同工况下的轴承振动数据，获得源域样本和目标域样本；构建动态联合分布对齐的深度卷积神经网络模型；将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，特征提取器提取源域样本和目标域样本的高层次特征；计算边缘分布距离和条件分布距离；根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型。其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。
Description
技术领域
本发明涉及机械故障诊断和计算机人工智能领域，具体涉及一种变工况下动态联合分布对齐网络的轴承故障诊断方法。
背景技术
近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。滚动轴承作为旋转机械的关键部件之一，其健康状态直接影响着整个旋转机械的稳定性。但同时滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下，容易发生磨损、裂纹、断裂等故障，严重危害整个旋转系统的安全运行。因此研究滚动轴承的状态信息和相应的故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。
大量研究表明轴承振动数据是进行故障诊断的有效依据，传统的故障诊断方法有基于振动信号提取故障特征频率、短时傅里叶变换、经验模式分解、稀疏表示方法等。这些传统的故障诊断方法通常依赖于一定的先验知识，需要专业的信号处理技术和人为手动地提取合适的特征，并不适用于处理海量的振动数据时。针对传统故障诊断方法存在的不足，深度学习方法被广泛地应用于故诊诊断领域。基于人工智能的故障诊断框架一般包括数据采集、模型建立、模型训练和模型验证四个阶段。基于深度学习的故障诊断方法能够自动提取特征，加速计算速度，满足处理大数据时代背景下海量信息的需求。同时，深度学习模型不需要人工提取特征，深度学习模型能够自动学习特征而不需要大量的先验知识，计算机技术的发展也推动了基于深度学习故障诊断技术的迅猛发展。
传统的故障诊断技术假设训练数据跟测试数据服从相同的分布，并且取得了突出的成果。然而这一假设在实际的工业应用中很难成立，一方面由于旋转机械往往处于转速、负载复杂的工作环境下，训练模型所使用的历史数据与实际监测设备状态时采集的实时数据服从不同的分布，使得基于传统深度方法的模型的通用性和泛化性变差。另一方面，在实际应用中我们不可能获取所有工况下每种设备状态足够多的振动数据来训练特定的模型来满足诊断需求。
发明内容
本发明要解决的技术问题是提供一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。
为了解决上述技术问题，本发明提供了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：
S1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；
其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；
S2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；
S3、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；
所述分类器对所述高层次特征进行处理，生成源域样本的预测标签和目标域样本的软伪标签，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失；
运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离；
S4、根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；
S5、利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型，获得优化后的深度卷积神经网络模型；
S6、将目标域样本输入优化后的深度卷积神经网络模型，获得目标域的预测标签；将所述目标域的预测标签与所述目标域的真实标签进行对比，获得诊断精度。
作为优选的，所述S1包括：
建立不同工作负载的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，其中，数据集为源域或目标域；
以连续N个采样点为一个样本长度切割样本制作数据集，获得源域样本和目标域样本；
其中，源域样本
表示C种不同标签的样本组成的源域，
表示源域中第i个样本，
表示源域中第i个样本的标签，ns为源域样本总数；
目标域样本
表示目标域中第j个样本，nt为目标域中所有的样本数；源域的数据在概率分布Ps下采集，目标域的数据在概率分布Pt下采集，Ps≠Pt；源域和目标域的数据服从不同的分布。
作为优选的，所述S2包括：
修改深度卷积神经网络模型的ResNet-50的结构，修改最后一层完全连接层输出的神经元数量等于标签总数。
作为优选的，所述S2和S3之间还包括：
对源域样本和时域样本做快速傅里叶变换，获得频域下的源域样本和时域样本。
作为优选的，所述S2中分类器为softmax分类器。
作为优选的，所述S3中，运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，具体包括：
边缘分布距离
其中，
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数；K(·,·)表示高斯核函数，其公式如下：
其中，σ为带宽，
表示源域中第i个样本，
表示目标域中第j个样本。
作为优选的，所述S3中，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离，具体包括：
加权条件分布距离
其中，
和
表示相应样本的权重，计算公式如下：
其中，
是第i个样本xi对应的软标签yi的第c个位置上的值，
表示源域中第i个样本，
表示目标域中第j个样本；
对于源域样本，yi是样本xi真实标签的独热向量；
对于目标域样本，yi是经过分类器输出的概率分布
分类器输出的概率分布由C个元素组成的向量，每个元素表示样本属于该标签的概率。
作为优选的，所述S3中，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失，具体包括：
标签损失
J(·,·)表示交叉熵损失函数，
作为优选的，所述S4具体包括：
设定动态参数μ，
其中，MMD(Xs,Xt)和WCMMD(Xs,Xt)分别表示源域和目标域样本的边缘分布距离和条件分布距离；
目标函数
其中J(·,·)表示交叉熵损失函数，λ>0是一个超参数，
steps是训练总次数，step是当前训练步数。
本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。
本发明的有益效果：
1、本发明为了处理实际工业应用中复杂多变的工况导致传统神经网络模型泛化性和通用性下降的难题，在深度学习的基础上结合迁移学习的知识，通过寻找不同工况下设备健康状态信号之间的相似点，将从历史训练数据获得的有用知识运用到在线诊断系统采集的实时信号中，极大地增强了模型的鲁棒性；同时借助于计算机硬件使得该模型能处理海量数据，有效地实时地检测大量设备状态，提高作业效率。
2、本发明在训练的过程中同时提取训练样本跟测试样本的高层次特征，运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离，根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离作为目标函数的一部分反向传播以实现自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
3、本发明充分考虑了深度学习模型的不确定性和概率性，加权条件最大均值差异法中用软伪标签代替模型预测的硬标签，提高了条件分布的计算效率，能够更加精确地进行匹配。提出动态调整因子将边缘分布距离和条件分布距离结合在一起，能定量比较两者在处理域漂移问题上的的相对重要性，有助于减少分布差异，并且很容易嵌入到大多数深度学习模型框架中来处理跨域学习问题。
附图说明
图1是本发明变工况下基于卷积神经网络和迁移学习的滚动轴承故障诊断方法的步骤说明图；
图2是本发明对应的动态分布对齐网络模型结构图；
图3为本发明对应的诊断方法流程图；
图4为本发明实施例中轴承故障目标域(测试集)诊断结果图。
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说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
下面结合实际的实验数据对本发明进行详细说明：
实验数据采用实验室自制的轴承数据集，数据采集系统由驱动器电机，螺栓螺母加载系统，健康轴承，测试轴承以及与计算机连接的振动加速度传感器等主要部分组成，利用加速度计采集振动数据，采样频率是10KHz。通过电火花加工技术(EDM)在滚子、内圈和外圈引入故障，并设置不同的故障大小。
如图1-图3所示，本发明包括以下步骤：
步骤一、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小，具体包括以下步骤：
步骤1.1：建立不同工作负载(即不同工况)的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，每个数据集包含轴承正常状态、外圈故障、内圈故障、以及不同的故障尺寸，每个数据集为源域或目标域。
本实施例建立了四种不同工况下的数据集(0、1、2和3hp)，即可变负载，来模拟滚动轴承变工况下的迁移学习任务。这些数据集以其工作负载命名。例如，数据集0hp表示样本来自于在0hp工作负载下采集的振动信号。因此，可变负载的四个数据集表示数据分布不同的四个域。通过电火花加工技术(EDM)在滚子、内圈和外圈设置单点故障，故障程度分别为0.2和0.3毫米。
步骤1.2：源域样本
其中
表示C种不同标签的样本组成的源域，其中
表示源域中第i个样本，
表示源域中第i个样本的标签，ns为源域中样本总数；用
表示没有标签的样本组成的目标域，其中
表示目标域中第j个样本，nt为目标域中所有的样本数；源域数据在概率分布Ps下采集，目标域数据在概率分布Pt下采集，Ps≠Pt。表一为每个域中7种样本的详细描述。
表一
变工况下的诊断任务由符号A hp→B hp表示，源域是A hp数据集，所有样本及其标签参与训练过程，B hp表示目标域，其样本的真实标签不参与训练只用于测试验证过程。
步骤二、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数。
具体的，修改深度卷积神经网络模型的ResNet-50的结构，修改最后一层完全连接层输出的神经元数量等于标签总数。所述S2中分类器为softmax分类器。
所述步骤二和步骤三之间还包括：对源域样本和时域样本做快速傅里叶变换，获得频域下的源域样本和时域样本，具体包括：
对源域有标签样本跟目标域无标签样本做FFT(快速傅里叶变换)，将时域信号转换为频域信号，时间抽取算法的FFT转换公式如下所示：
其中x(n)表示原始样本时间序列中第n个采样点的值，X(k)表示频谱图中第k个值的大小。
步骤三、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；所述分类器对所述高层次特征进行处理，生成源域样本的预测标签和目标域样本的软伪标签，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失。
运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离。
具体的，深度自适应卷积神经网络模型利用改进的ResNet-50提取样本的深层次特征，其过程过下：
g(x)＝f(x) (2)
其中x表示经过FFT变换之后的频域样本，f()表示修改的ResNet-50，g(x)表示改进的ResNet-50对样本提取到的低层次特征；
深层特征提取器提取得到的高层次特征作为softmax分类器的输入，Softmax函数表示如下：
其中qi表示样本属于标签i的概率，C是标签类别总数，vi是sofamax函数输入的第i个位置上的值；
步骤3.3：分别计算源域和目标域高层次特征的边缘分布距离和条件分布距离。边缘分布距离由MMD计算得出，其公式如下：
其中
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数；K(·,·)表示高斯核函数，其公式如下：
其中σ为带宽。通过对MMD求最小化可以最优化源域与目标域之间的边缘距离。
由于训练过程中目标域样本的标签是未知的，匹配源域跟目标域的条件分布距离似乎是无法实现的，利用训练迭代过程中深度学习模型对目标域样本的预判结果作为伪标签来计算源域跟目标域的条件分布距离，引入条件分布距离公式如下：
其中c表示C种标签中的第c个标签，Φ(·)表示特征空间映射的函数；
表示源域中标签为c的样本的第i个样本，
和
表示源域和目标域中标签为c的所有样本的数量，
表示源域中标签为c的样本的第j个样本；上式用于估计条件分布Ps(xs|ys＝c)和Pt(xt|yt＝c)之间的差异；通过最小化上式可以减小源域和目标域的条件分布差异；
然而由于上述模型有可能在训练过程中给出错误的硬标签，而错误标签有可能会导致负迁移，故引入加权条件分布距离，公式如下：
其中
和
表示相应样本的权重，计算公式如下：
其中
是第i个样本xi对应的软标签yi的第c个位置上的值。对于源域样本来说，yi是样本xi真实标签的独热向量。而对于目标域样本来说，yi是经过softmax输出的概率分布，也就是
是由C个元素组成的向量，每个元素表示样本属于该标签的概率。
尽管训练过程中使用的目标域样本的伪标签而非真实标签，但随着迭代次数的增加，训练误差越来越小，伪标签会越来越逼近真实的标签，达到尽可能正确地分类目标域中样本的目的。
计算源域样本的标签训练预测误差，其过程由如下公式所示：
J(·,·)表示交叉熵损失函数，定义如下：
步骤四、根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数。
具体的，引入一个动态参数μ来计算边缘分布和条件分布距离的相对重要性形成联合分布距离，将联合分布距离与源域样本的标签训练预测误差结合在一起形成要优化的最终目标函数，公式如下所示：
其中J(·,·)表示交叉熵损失函数，λ>0是一个超参数，μ是动态参数，通过上式可以使训练所提出的网络能够准确地预测来自目标域的样本的标签。
上式中超参数λ设定如下：
其中steps是训练总次数，step是当前训练步数。
动态参数μ设定如下：
其中MMD(Xs,Xt)和WCMMD(Xs,Xt)分别表示源域和目标域样本的边缘分布距离和条件分布距离。
步骤五、利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型，获得优化后的深度卷积神经网络模型。
具体的，利用SGD(随机梯度下降法)最小化高层次特征对齐目标函数，更新模型参数，训练模型。
其中θ是模型内的所有参数，θi表示第i个参数；l(θ)表示关于参数θ的目标函数,α是学习速率，即步长。
步骤六、将目标域样本输入优化后的深度卷积神经网络模型，获得目标域的预测标签；将所述目标域的预测标签与所述目标域的真实标签进行对比，获得诊断精度。
具体的，将目标域中无标签样本送入训练好的动态联合分布对齐网络模型得到所有目标域样本的预测标签，并于事先人为标记但是没有参与训练过程的标签做对比，得到诊断精度，验证该模型的优越性。诊断精度计算公式如下：
其中sign()代表指示函数，
是目标域中第i个样本的真实标签，
是模型对目标域中第i个样本的预测结果，nt是目标域中的样本总数。4个变工况下的诊断结果如图4所示。由诊断结果可知，4个变工况下的诊断任务平均精度达到了98.1％，召回率为0.98。说明本发明在取得较高诊断精度的基础上，极大地提高了深度学习模型的通用性和泛化性，能很好地处理变工况下域漂移对基于传统深度学习的故障诊断方法的影响。
综上所述，本发明基于卷积神经网络和迁移学习算法设计了一种名为动态联合分布对齐网络的故障诊断模型，与传统的深度学习方法相比，本发明能更好地减轻域漂移对深度学习模型造成的负面影响，更合符工业应用的实际场景，满足变工况下故障诊断的需求。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，包括以下步骤：
S1、采集不同工况下的轴承振动数据，获得源域样本和目标域样本；
其中，每种工况下的轴承健康状态不同，每种工况下不同健康状态的轴承振动数据作为一个数据域，所述源域样本和目标域样本从数据域中选取；所述源域样本附有标签，所述标签对应故障类型和故障大小；
S2、构建动态联合分布对齐的深度卷积神经网络模型，其中，所述深度卷积神经网络模型包括特征提取器和分类器；修改所述分类器的最后一层神经元，使得分类器的最后一层神经元的数量等于标签的种类数；
S3、将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，所述特征提取器提取源域样本和目标域样本的高层次特征；
所述分类器对所述高层次特征进行处理，生成源域样本的预测标签和目标域样本的软伪标签，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失；
运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离；
S4、根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；
S5、利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型，获得优化后的深度卷积神经网络模型；
S6、将目标域样本输入优化后的深度卷积神经网络模型，获得目标域的预测标签；将所述目标域的预测标签与所述目标域的真实标签进行对比，获得诊断精度。
2.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S1包括：
建立不同工作负载的数据集，每个数据集以其工作负载命名，数据集之间的数据服从不同的分布，其中，数据集为源域或目标域；
以连续N个采样点为一个样本长度切割样本制作数据集，获得源域样本和目标域样本；
其中，源域样本
表示C种不同标签的样本组成的源域，
表示源域中第i个样本，
表示源域中第i个样本的标签，ns为源域样本总数；
目标域样本
表示目标域中第j个样本，nt为目标域中所有的样本数；源域的数据在概率分布Ps下采集，目标域的数据在概率分布Pt下采集，Ps≠Pt；源域和目标域的数据服从不同的分布。
3.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2包括：
修改深度卷积神经网络模型的ResNet-50的结构，修改最后一层完全连接层输出的神经元数量等于标签总数。
4.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2和S3之间还包括：
对源域样本和时域样本做快速傅里叶变换，获得频域下的源域样本和时域样本。
5.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S2中分类器为softmax分类器。
6.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S3中，运用最大均值差异法对源域样本和目标域样本的高层次特征进行处理，获得源域样本和目标域样本之间的边缘分布距离，具体包括：
边缘分布距离
其中，
表示再生核希尔伯特空间，Φ(·)表示特征空间映射的函数；K(·,·)表示高斯核函数，其公式如下：
其中，σ为带宽，
表示源域中第i个样本，
表示目标域中第j个样本。
7.如权利要求1所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S3中，运用加权条件最大平均差异法对源域样本和目标域样本高层次特征、源域样本真实标签和目标域样本的软伪标签进行处理，获得源域样本和目标域样本之间的条件分布距离，具体包括：
加权条件分布距离
其中，
和
表示相应样本的权重，计算公式如下：
其中，
是第i个样本xi对应的软标签yi的第c个位置上的值，
表示源域中第i个样本，
表示目标域中第j个样本；
对于源域样本，yi是样本xi真实标签的独热向量；
对于目标域样本，yi是经过分类器输出的概率分布
分类器输出的概率分布由C个元素组成的向量，每个元素表示样本属于该标签的概率。
8.如权利要求7所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S3中，计算分类器输出的源域样本的预测标签与源域样本真实标签的标签损失，具体包括：
标签损失
J(·,·)表示交叉熵损失函数，
9.如权利要求7所述的变工况下动态联合分布对齐网络的轴承故障诊断方法，其特征在于，所述S4具体包括：
设定动态参数μ，
其中，MMD(Xs,Xt)和WCMMD(Xs,Xt)分别表示源域和目标域样本的边缘分布距离和条件分布距离；
目标函数
其中J(·,·)表示交叉熵损失函数，λ>0是一个超参数，
steps是训练总次数，step是当前训练步数。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到9任一项所述方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011632478.8A CN112629863B (zh) | 2020-12-31 | 2020-12-31 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
| PCT/CN2021/071615 WO2022141669A1 (zh) | 2020-12-31 | 2021-01-13 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
| US17/763,494 US20230168150A1 (en) | 2020-12-31 | 2021-01-13 | Dynamic joint distribution alignment network-based bearing fault diagnosis method under variable working conditions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011632478.8A CN112629863B (zh) | 2020-12-31 | 2020-12-31 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112629863A true CN112629863A (zh) | 2021-04-09 |
| CN112629863B CN112629863B (zh) | 2022-03-01 |
Family
ID=75289951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011632478.8A Active CN112629863B (zh) | 2020-12-31 | 2020-12-31 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230168150A1 (zh) |
| CN (1) | CN112629863B (zh) |
| WO (1) | WO2022141669A1 (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113269266A (zh) * | 2021-06-08 | 2021-08-17 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
| CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
| CN114354195A (zh) * | 2021-12-31 | 2022-04-15 | 南京工业大学 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
| 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 |
| CN115049852A (zh) * | 2022-08-15 | 2022-09-13 | 中国长江三峡集团有限公司 | 一种轴承故障诊断方法、装置、存储介质及电子设备 |
| CN115563553A (zh) * | 2022-09-29 | 2023-01-03 | 南京理工大学 | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 |
| CN116878885A (zh) * | 2023-09-04 | 2023-10-13 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
| CN117708656A (zh) * | 2024-02-05 | 2024-03-15 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
| CN117708656B (zh) * | 2024-02-05 | 2024-05-10 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310498B (zh) * | 2022-10-12 | 2023-02-03 | 青岛明思为科技有限公司 | 一种基于神经网络的变转速工况下旋转机械故障分类方法 |
| CN116106005B (zh) * | 2023-04-12 | 2023-06-06 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
| CN117017288B (zh) * | 2023-06-14 | 2024-03-19 | 西南交通大学 | 跨被试情绪识别模型及其训练方法、情绪识别方法、设备 |
| CN117370851B (zh) * | 2023-08-31 | 2024-04-16 | 西南交通大学 | 基于无监督迁移学习的自适应输入长度轴承故障诊断方法 |
| CN117349749B (zh) * | 2023-10-09 | 2024-03-15 | 石家庄铁道大学 | 基于混合卷积的多源域轴承故障诊断方法 |
| CN117390411B (zh) * | 2023-10-16 | 2024-03-29 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
| CN117312962A (zh) * | 2023-11-28 | 2023-12-29 | 中国计量大学 | 基于迁移学习和数据驱动的长期服役电梯导轨故障诊断方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764341A (zh) * | 2018-05-29 | 2018-11-06 | 中国矿业大学 | 一种工况自适应深度神经网络模型及变工况故障诊断方法 |
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| US20190121350A1 (en) * | 2016-05-09 | 2019-04-25 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for learning data patterns predictive of an outcome |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN110880019A (zh) * | 2019-10-30 | 2020-03-13 | 北京中科研究院 | 通过无监督域适应训练目标域分类模型的方法 |
| CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10220124A1 (de) * | 2002-05-06 | 2003-11-27 | Prognost Systems Gmbh | Verfahren zur Überwachung des Zustands einer Maschine |
| CN109711413B (zh) * | 2018-12-30 | 2023-04-07 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
| CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
| CN110866365B (zh) * | 2019-11-22 | 2021-06-01 | 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 |
| CN111442926B (zh) * | 2020-01-11 | 2021-09-21 | 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 |
| CN111444859A (zh) * | 2020-03-30 | 2020-07-24 | 哈尔滨工程大学 | 一种无监督跨域人脸表情识别方法 |
| CN111829782B (zh) * | 2020-07-16 | 2021-12-07 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
-
2020
- 2020-12-31 CN CN202011632478.8A patent/CN112629863B/zh active Active
-
2021
- 2021-01-13 US US17/763,494 patent/US20230168150A1/en active Pending
- 2021-01-13 WO PCT/CN2021/071615 patent/WO2022141669A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190121350A1 (en) * | 2016-05-09 | 2019-04-25 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for learning data patterns predictive of an outcome |
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| CN108764341A (zh) * | 2018-05-29 | 2018-11-06 | 中国矿业大学 | 一种工况自适应深度神经网络模型及变工况故障诊断方法 |
| CN110880019A (zh) * | 2019-10-30 | 2020-03-13 | 北京中科研究院 | 通过无监督域适应训练目标域分类模型的方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Non-Patent Citations (4)
| Title |
|---|
| HONGLIANG YAN: "Mind the Class Weight Bias Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| JINDONG WANG: "Balanced_Distribution_Adaptation_for_Transfer_Learning", 《2017 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》 * |
| ZHENYU WU: "A Weighted Deep Domain Adaptation Method for Industrial Fault Prognostics According to Prior Distribution of Complex Working Conditions", 《IEEE ACCESS》 * |
| 胡明武: "基于迁移学习的变工况下滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN113269266A (zh) * | 2021-06-08 | 2021-08-17 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
| CN113269266B (zh) * | 2021-06-08 | 2023-09-19 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
| CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
| CN114118140B (zh) * | 2021-10-29 | 2022-09-23 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
| 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 |
| CN114354195A (zh) * | 2021-12-31 | 2022-04-15 | 南京工业大学 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
| CN115049852A (zh) * | 2022-08-15 | 2022-09-13 | 中国长江三峡集团有限公司 | 一种轴承故障诊断方法、装置、存储介质及电子设备 |
| CN115049852B (zh) * | 2022-08-15 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种轴承故障诊断方法、装置、存储介质及电子设备 |
| CN115563553A (zh) * | 2022-09-29 | 2023-01-03 | 南京理工大学 | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 |
| CN115563553B (zh) * | 2022-09-29 | 2023-03-31 | 南京理工大学 | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 |
| CN116878885A (zh) * | 2023-09-04 | 2023-10-13 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
| CN116878885B (zh) * | 2023-09-04 | 2023-12-19 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
| CN117708656A (zh) * | 2024-02-05 | 2024-03-15 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
| CN117708656B (zh) * | 2024-02-05 | 2024-05-10 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112629863B (zh) | 2022-03-01 |
| US20230168150A1 (en) | 2023-06-01 |
| WO2022141669A1 (zh) | 2022-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| CN108984893B (zh) | 一种基于梯度提升方法的趋势预测方法 | |
| Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN113792758B (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
| Lu et al. | A deep adversarial learning prognostics model for remaining useful life prediction of rolling bearing | |
| CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN111783242A (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
| CN113933054A (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
| CN115628910B (zh) | 一种基于迁移学习的嵌入式轴承故障诊断装置及设备 | |
| Luo et al. | A fault diagnosis model based on LCD-SVD-ANN-MIV and VPMCD for rotating machinery | |
| Zhou et al. | Degradation state recognition of rolling bearing based on K-means and CNN algorithm | |
| Wang et al. | Similarity-based echo state network for remaining useful life prediction | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| Liu et al. | Intelligent diagnosis of bogie traction seat based on PCA-OVO and SVM optimized by modified arithmetic optimization algorithm | |
| Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
| Li et al. | Bearing fault diagnosis research based on empirical mode decomposition and deep learning | |
| Liu et al. | Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes | |
| Ruan et al. | An enhanced intelligent fault diagnosis method to combat label noise |
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 |