CN112633339A - 轴承故障智能诊断方法、诊断系统、计算机设备及介质 - Google Patents
轴承故障智能诊断方法、诊断系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN112633339A CN112633339A CN202011466643.7A CN202011466643A CN112633339A CN 112633339 A CN112633339 A CN 112633339A CN 202011466643 A CN202011466643 A CN 202011466643A CN 112633339 A CN112633339 A CN 112633339A
- Authority
- CN
- China
- Prior art keywords
- domain
- adaptive
- data
- network
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003044 adaptive effect Effects 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 3
- 108020001568 subdomains Proteins 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 21
- 230000006978 adaptation Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000004576 sand Substances 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002472 multi-metal deposition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Abstract
本发明属于故障诊断技术领域,公开了一种轴承故障智能诊断方法、诊断系统、计算机设备及介质,将源域数据和目标域数据分别转化为灰度图;利用残差网络特征提取器提取高维特征张量;于自适应层利用局部最大均方差(LMMD)自适应方法计算局部最大均值差异误差;将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。本发明引入LMMD来精确对齐源域和目标域中同一类别内相关子域的分布,从而为每一类别挖掘出更细粒度的特征,继而能够提高故障诊断精度。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种轴承故障智能诊断方法、诊断系统、计算机设备及介质。
背景技术
目前,轴承是旋转机械、电机等设备的关键部件之一,在工作过程中承担应力、传递载荷、大多处于高转速、重负载、长期连续运行的工况中,广泛应用于各行中。对轴承的智能诊断研究关系到机械设备的使用于寿命具有重要的意义。
近年来,许多研究者成功研究出来了许多智能轴承故障诊断方法。尤其是,基于深度学习的轴承故诊断方法并不需要很多先验专业知识,就能够快速有效地分析机械监测信号和精准对轴承进行故障诊断。然而,训练一个高性能的智能故障诊断模型往往需要满足以下两个条件:1)具有标签的故障数据;2)训练和测试数据满足相同的概率分布。事实上,许多文献中证明了机器智能故障诊断的成功取决于这两个条件。
但是,在实际工业中,标记的故障数据很难获取到。因为意外故障通常会导致机器故障甚至灾难性事故,因此可能不允许机器发生故障。在这种情况下,无法获得故障数据。其次,机器通常要经历从健康状态到故障的漫长降解过程。这意味着获取机器的故障数据既费时又昂贵。其外,在实际工业应用中,机器的运行工况是处于多变,训练和测试数据之间通常存在分布差异,当训练数据与测试数据属于不同工况下,训练后的模型在测试集中的准确率会明显下降。因此通常的智能诊断方法针对一个工况来训练一个故障诊断模型,这样导致模型的泛化能力比较低和需要过多的计算资源。因此,急需一种基于迁移学习的智能故障诊断方法能够满足只需要从一种工况获取标签数据训练模型就能够自适应去诊断多工况的无故障标签数据,无论机械工况如何变化,都能有较高的故障诊断精度。
通过上述分析,现有技术存在的问题及缺陷为:
1.现有技术,在轴承故障诊断中,泛化诊断能力低,计算量大,计算复杂度高,且需要大量故障数据,同时诊断精度不高。
2.现有故障诊断技术,大多数都是要求训练和测试数据具有相同的概率分布,当训练数据与测试数据属于不同工况下,该故障诊断方法的准确率会明显下降。
3.现有的基于转移学习的故障诊断方法主要集中在利用从一个源领域学习到的故障知识,在另一个目标领域进行轴承故障诊断。然而,由于操作条件的变化,在工业应用中不可避免地需要多次执行转移任务,限制了方法的适用性。
4.现有基于转移学习的故障诊断方法,不考虑两个域中两个子域之间的关系的情况下,大部分都采用了全局自适应方法,通过调整全局源和目标分布来学习全局域。它混淆了源域和目标域的所有数据,每个类别的细粒度信息可能会被省略,导致对目标域的故障诊断率不高。
解决以上问题及缺陷的难度为:
1.在实际工业中,标记的故障数据很难获取到。因为意外故障通常会导致机器故障甚至灾难性事故,因此可能不允许机器发生故障。在这种情况下,无法获得故障数据
2.在实际工业应用中,机器的运行工况是处于多变,训练和测试数据之间通常存在分布差异。
3.在实际工业应用中,机器的运行工况通常处于多变,也导致目标域的数量不明确,现有基于迁移学习的故障诊断方法,无法能够精确执行迁移故障诊断任务。
4.在实际工业应用,由于处于多工况下的轴承故障类型多样,且每个故障类型的特征属性具有多样,因此难以挖掘出来处于多工况下的每个故障类型的分布特性。
解决以上问题及缺陷的意义为:
1.在没有故障数据或者具有少量故障数据下能够对轴承进行故障诊断,这将对实际工业具有很大应用,这也是实际工业亟需的。因为实际工业上的故障数据比较匮乏,导致现有故障诊断方法难以训练出诊断率精度高的模型。
2.实际工业应用,轴承通常处于工况多变下,如果训练好的模型能够在与训练数据集不同分布的实际数据集上适用,这能够推进智能故障诊断方法在实际工业上的应用,也更好保证实际工业上的轴承的可靠性。
3.实际工业应用,轴承通常处于工况多变情况下,即目标域的数量难以确定,若能够只需要一个故障诊断模型就能对处于工况时时变化下轴承进行故障诊断,节约训练多个模型的计算资源,以及更符合实际工业的需求。
4.若在采用迁移自适应方法中,能够地对齐源域和目标域中同一类别内相关子域的分布,即轴承的每个故障类型分布特性,从而能够挖掘出每个故障类别更细粒度的特征,继而可大大提供故障诊断的精度。
发明内容
针对现有技术存在的问题,本发明提供了一种轴承故障智能诊断方法、诊断系统、计算机设备及介质。
本发明是这样实现的,一种基于残差深度子域自适应网络的轴承故障智能诊断方法,所述基于残差深度子域自适应网络的轴承故障智能诊断方法包括:
步骤一,选取源域与目标域数据,将源域数据和目标域数据分别转化为灰度图;
步骤二,将源域数据和目标域数据利用残差网络34特征提取器提取出相应的高维特征张量;
步骤三,于自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
步骤四,通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差;
步骤五,将步骤三的差异误差以及步骤四得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;
步骤六,利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。
无论轴承工况如何变化,本发明的方法只需要执行一次迁移训练,即实现对多个工况下的轴承进行故障诊断,具有很大工程应用性。
进一步,步骤一中,所述选取源域与目标域数据包括:
在机械轴承多工况下随机选取一种带有故障标签的工况进行一维振动数据采集,并将采集的振动数据分为源域;
采集剩余工况的振动数据,并将采集的剩余工况的振动数据分为目标域;所述目标域数据为无故障标签数据。
进一步,步骤一中,所述将源域数据和目标域数据分别转化为灰度图包括:
源域和目标域的一维振动数据中的每一个样本的采样点为4096个,对一维振动数据转化成64×64的灰度图,再将转化得到的灰度图放大至224×224的灰度图。
进一步,所述于自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差包括:
于自适应层采用全连接将大小为512神经元缩小为256个神经元,采用LMMD自适应方法将源域的特征与目标的域特征映射到共同的特征子空间;计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;同时基于相关子域之间分布的关系,减少自适应层的目标域特征与源域特征之间的局部分布差异。
具体地,采用LMMD自适应方法将源域的特征与目标的域特征映射到共同的特征子空间;计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;与现有的全局域自适应方法相比,一个关键的改进是学习局部域分布,精确地对齐源域和目标域中同一类别中相关子域的分布。这使得子域自适应的能力能够捕获每个类别的细粒度信息。
进一步,所述局部最大均值差异的误差εd计算公式如下:
α表示为:
其中,e表示模型训练的当前迭代次数;es表示模型训练的总迭代次数。
进一步,步骤五中,所述将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应网络的优化对象训练残差深度子域自适应故障诊断网络包括:
将差异误差εd以及预测值与真实值之间的误差εc之和ε作为优化对象,采用小批量随机梯度下降算法对残差深度子域自适应故障诊断网络进行训练,当ε最小时,即可得到训练好的残差深度子域自适应故障诊断网络;
如下:
其中,l表示初始的学习率;e百世当前的迭代次数,es表示总的迭代次数。
本发明的另一目的在于提供一种实施所述基于残差深度子域自适应网络的轴承故障智能诊断方法的基于残差深度子域自适应网络的轴承故障智能诊断系统,所述基于残差深度子域自适应网络的轴承故障智能诊断系统包括:
数据划分模块,用于选取源域与目标域数据;
数据处理模块,用于将源域数据和目标域数据分别转化为灰度图;
模型构建模块,用于构建并训练残差深度子域自适应故障诊断网络;
故障诊断模块,用于基于训练好的残差深度子域自适应故障诊断网络进行轴承故障诊断。
进一步,所述残差深度子域自适应故障诊断网络由残差网络34特征提取器、自适应层和共享分类层构成;
所述残差网络34特征提取器,用于提取源域数据和目标域数据的高维特征张量;
自适应层,用于计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
共享分类层,用于通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
选取源域与目标域数据,将源域数据和目标域数据分别转化为灰度图;
将源域数据和目标域数据利用残差网络特征提取器提取出相应的高维特征张量;
自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差;
将得到的差异误差以及得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;
利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的基于残差深度子域自适应网络的轴承故障智能诊断方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明中采用残差网络34作为特征提取器,解决了常规的CNN随着网络层数的加深暴露出退化和梯度消失或暴涨的问题,有效提高了对故障诊断信号的特征提取能力。
以往的全局域适应方法相比,本发明中考虑到相关子域之间分布的关系,能够准确地对齐源域和目标域内同一类别内相关子域的分布,使得子域适应能力能够捕获每个类别的细粒度信息,更好将源域与目标与特征映射到共同的特征子空间中,实现对无故障标签的目标域精准故障诊断。
在实际工业中,现有故障诊断技术,大多数都是要求训练和测试数据具有相同的概率分布。机器的运行工况是处于多变,训练和测试数据之间通常存在分布差异。当训练数据与测试数据属于不同工况下,导致故障诊断方法的准确率会明显下降。本发明训练的模型能够自适应去对不同数据分布的数据集进行故障诊断,即不需要求训练数据集与测试数据集具有相同的分布,这就更加符合实际工业上的需求。
在实际工业中,常用智能故障诊断算法需要大量轴承故障数据才能取得良好故障诊断效果,而获取轴承的故障数据是比较费时又昂贵的。本发明只需获取一种工况下的轴承故障样本即可对所有工况下的轴承进行故障诊断,降低了对故障样本量的需求,继而降低成本。
常用的轴承故障自适应诊断方法中都是从一源域学到的故障知识迁移到另一个目标域中去。然而在实际工业中,机械通常在多种不同的工况下运行,这就使得这些方法不可避免地需要训练多个自适应故障诊断模型,从而使得该模型的泛化能力比较弱,以及需要耗费更多计算资源。本发明中只需要训练一个故障诊断模型就能对所有工况进行自适应故障诊断,从而增加模型的泛化能力和耗费更少计算资源,更加符合实际工业需求。
对比的技术效果或者实验效果。包括:
为了突出本发明方法在故障诊断方面的优势,本发明与现有流行的残差网络34(Resent)、深度域混乱网络(DDC),改进的深度适应网络(DAN),域对抗神经网(DANN)和深度域适应的相关对齐网络(D-coral)。在一组数据上开展七次迁移实验,并与五种方法开展了对比实验,如下表展示了它们之间的诊断精度对比结果,从表中可以看到本发明的故障诊断精度明显高于其他5种方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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的附图。
图1是本发明实施例提供的基于残差深度子域自适应网络的轴承故障智能诊断方法原理图。
图2是本发明实施例提供的基于残差深度子域自适应网络的轴承故障智能诊断方法流程图。
图3是本发明实施例提供的基于残差深度子域自适应网络的轴承故障智能诊断系统结构示意图;
图中:1、数据划分模块;2、数据处理模块;3、模型构建模块;4、故障诊断模块。
图4是本发明实施例提供的残差34网络提取器示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于残差深度子域自适应网络的轴承故障智能诊断方法,下面结合附图对本发明作详细的描述。
本发明选取源域与目标域数据,将源域数据和目标域数据分别转化为灰度图;利用残差网络特征提取器提取高维特征张量;于自适应层利用局部最大均方差(LMMD)自适应方法计算局部最大均值差异误差;通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差;将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。本发明引入LMMD来精确对齐源域和目标域中同一类别内相关子域的分布,从而为每一类别挖掘出更细粒度的特征,继而能够提高故障诊断精度。其外它的显著优点是无论操作条件如何变化,只需训练一个模型就能对处于多工况下的轴承进行故障诊断,这也是符合实际工业的需求。
具体地,
如图1-图2所示,本发明实施例提供的基于残差深度子域自适应网络的轴承故障智能诊断方法包括以下步骤:
S101,对轴承运行于多个工况下采集到的数据集,随机选取一个工况下的采集到数据集为源域,剩下多个工况采集数据集为多个目标域,将源域数据和多个目标域数据分别转化为灰度图。
S102,将源域数据和多个目标域数据利用残差网络34特征提取器提取出相应的高维特征张量。
S103,以往的深域自适应方法主要是学习全局域分布,即在不考虑同一类不同域内两个子域之间的关系的情况下,对全局的源域和目标域分布进行调整,从而没能捕捉到子域的细粒度信息,导致故障诊断精度低。而本发明与现有的全局域自适应方法相比,一个关键的改进是学习局部域分布,精确地对齐源域和目标域中同一类别中相关子域的分布。这使得子域自适应的能力能够捕获每个类别的细粒度信息。因此在自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差。
S104,通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差。
S105,将步骤S103的差异误差以及步骤S104得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象,采用小批量随机梯度下降算法的优化器,以及对其中分类器的学习率被设置为其他层的10倍,使用退火策略对训练残差深度子域自适应故障诊断网络。
S106,利用训练好的残差深度子域自适应故障诊断网络基于待测试的多个目标域数据进行轴承故障诊断。
步骤S101中,本发明实施例提供的选取源域与目标域数据包括:
在机械轴承多工况下随机选取一种带有故障标签的工况进行一维振动数据采集,并将采集的振动数据分为源域;
采集剩余工况的振动数据,并将采集的剩余工况的振动数据分为目标域;所述目标域数据为无故障标签数据。
步骤S101中,本发明实施例提供的将源域数据和目标域数据分别转化为灰度图包括:
源域和目标域的一维振动数据中的每一个样本的采样点为4096个,对一维振动数据转化成64×64的灰度图,再将转化得到的灰度图放大至224×224的灰度图。
本发明实施例提供的于自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差包括:
自适应层采用全连接将Resent34特征提取器提取的大小为1×512张量的高维特征缩小为具有代表性1×512张量的特征,采用LMMD自适应方法将源域的特征与目标的域特征映射到共同的特征子空间;计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;同时基于相关子域之间分布的关系,减少自适应层的目标域特征与源域特征之间的局部分布差异。
本发明实施例提供的局部最大均值差异的误差εd计算公式如下:
α表示为:
其中,e表示模型训练的当前迭代次数;es表示模型训练的总迭代次数。
步骤S105中,本发明实施例提供的将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应网络的优化对象训练残差深度子域自适应故障诊断网络包括:
将差异误差εd以及预测值与真实值之间的误差εc之和ε作为优化对象,采用小批量随机梯度下降算法对残差深度子域自适应故障诊断网络进行训练,
其采用小批量随机梯度下降算法的优化器,对其中分类器的学习率被设置为其他层的10倍。学习率都采用了退火策略:
其中,l表示初始的学习率;e代表当前的迭代次数,es表示总的迭代次数。
如图3所示,本发明实施例提供的基于残差深度子域自适应网络的轴承故障智能诊断系统包括:
数据划分模块1,用于选取源域与目标域数据;
数据处理模块2,用于将源域数据和目标域数据分别转化为灰度图;
模型构建模块3,用于构建并训练残差深度子域自适应故障诊断网络;
故障诊断模块4,用于基于训练好的残差深度子域自适应故障诊断网络进行轴承故障诊断。
本发明实施例提供的残差深度子域自适应故障诊断网络由残差网络34特征提取器、自适应层和共享分类层构成;
所述残差网络34特征提取器,用于提取源域数据和目标域数据的高维特征张量;
自适应层,用于计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
共享分类层,用于通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例1:
本发明提供的基于残差深度子域自适应网络的多个工况的轴承故障智能诊断方法,图1表示改方法具体处理流程,主要包括以下步骤:
步骤1,对于机械轴承通常运行在不同的工况下,随机选取一种工况下的采集到振动数据分为源域,该源域的数据是带有故障标签的数据;剩下多个工况下采集到振动数据归为目标域,该目标域的数据是无故障标签的数据。将源域的数据和目标域的数据转化为大小224×224的灰度图。
具体地,源域和目标域分别表示Ds和Dt,源域和目标域的样本空间可以表示为和其中i和j代表样本数,k是目标域的数目。其中,目标域中的所有数据都是没有故障标签的数据。假定轴承有C故障类型,故障样本标签空间表示为Y={1,2,…,C}。源域和目标域标签空间可以表示为Yi s和源域和目标域的概率分布是不同的,分别表示为Ps和其中p≠qk,源域和目标域可以进一步表示为和对于故障诊断任务,其目的在于从表示为的源域样本中学习故障知识,并将其直接应用于目标领域。
步骤2,将源域和目标域转化后的灰度图一起输入到残差网络34特征提取器,提取相应的高维特张量输入到自适应层中待激活。
具体地,该特征提取器是从ImageNet2012已经预训练好的残差34网络模型并对其微调。如图4所示,残差34网络提取器输入图片大小为224*224,经过一个7*7初始化卷积和四个残差模块处理操作,最后输出为大小为512神经元的一维张量。其中每个残差块包括卷积层、批处理归一化(BN)层、非线性激活函数层和全连连接。
标准卷积层由几个卷积核(滤波器)组成,其中kernel的大小通常小于输入映射,这种设置形成了局部接受域。此外,当每个核在输入映射上滑动时,权值保持不变,称为权值共享。在数学上,卷积层的运算可以表示为:
Cln=f(W(1)x1+B(1)
其中xl代表卷积的输入,W(1)和B(1)分别表示权值和偏差,f(·)表示非线性映射的激活函数。
选取ReLU作为激活函数对于卷积后进行非线性变换,其运算过程为:
F(Cln)=max(Cln,0)
其中F()是ReLU的激活函数。
其中γ,β由训练学习得到。
基于上述相关基础,残差块的输入X和输出Y被定为:
Y=F(X,W)+X
其中,F(·)函数表示要学习的残差映射,包括卷积层、BN层和ReLU激活函数;W为对应参数。
步骤3,在自适应层中,通过LMMD自适应方法计算出自适应层中目标域特征与源域特征之间的局部最大均值差异的误差εd,然后通过训练残差网络34特征提取器和自适应层的权重来减少εd,训练后的自适应层可以将源域与目标域特征映射到共同的特征子空间。
具体地,计算局部最大均方差误差过程如下:
这里的Xs和Xt分别是Ds和Dt的实例。不同的MMD计算不同全局差异,而以上公式计算的是局部分布差异。通过将最小化以上方程的内相关子域的分布同样的类别将被拉近。
假设每个样本属于每个类的权重wc,然后无偏估计量计算为:
这里的yic是第c类的张量Yi,例如在源域,使用真正的标签作为张量去计算每个样本的但是在无监督方法中,目标域是没有标签的数据,因此是不能直接用计算上面公式。可以用深度学习的输出作为然后通过上面公式计算出目标域的
而在本发明中,假定轴承故障类别有k类,则局部最大均值差异的误差εd为:
这里e是代表模型训练的当前迭代次数;es表示模型训练的总迭代次数。
步骤4,通过共享分类层只对源域的自适应层输出进行故障状态预测,采用交叉熵损失函数测量预测值与真实值之间误差εc;最后以εd与εc之和ε为优化对象,不断训练残差网络34提取器、自适应层和共享分类层的权重使得ε最小化来获得残差深度子域网络,使得目标域能够从源域中学到故障知识,实现自适应的故障诊断。
具体地,共享分类器时采用全连接层的softmax作为分类任务。
这里的Yi代表轴承健康分类状态,ui代表域特征的输出.然后根据softmax的输出,使用交叉熵损失测量网络输出之间的误差,相应的操作表示为:
这里代表K代表多少种故障健康状态,这里的p代表真实的标签。εc代表健康状态类别分类损失误差。最后通过最小化总损失误差来更新模型,相应计算如下:
ε(θc,θd)=εc+εd
残差深度子域网络的训练主要采用的小批量随机梯度下降(SGD)算法,学习率设置与每次迭代次数有关,这样使得目标样本的标签通常会变得更加准确。相应操作如下:
这里的l代表初始的学习率,初始学习率为0.01,e代表了当前的迭代次数,es代表了总的迭代次数。
步骤5,将待测试的目标域数据输入训练好的残差深度子域适应网络,经残差网络34特征提取器、自适应层和共享分类层后,能够自适应对目标域数据进行故障诊断,从而完成多工况故障诊断。
为了对本发明进行进一步地详细说明,使用旋转机械的轴承数据来验证本发明。该实验数据集机械故障预防协会的轴承试验台生成。该试验台的加速计安装在外座圈上以收集振动信号;施加7种工作载荷,分别是25、50、100、150、200、250和300磅的载荷;采样频率设置为4.828khz,采集了七种不同工况下的振动数据。改试验台模拟三种故障模式,分别是正常、外圈故障和内圈故障,具体数据描述如表1所示。为了确保训练数据集和测试数据集之间不存在重复点,原始数据集的前半部分用于训练,其余部分用于测试。一个样本中的有4096采样点。由于不同的操作条件会导致数据分布的变化,因此可以用该数据集构造七个迁移实验任务,如表2所示。
表1
表2
基于上述实验室数据,本发明的具体验证过程如下:
步骤1:对于机械轴承通常运行在七种的工况下,首先选取工况M1采集的数据作为源域,该源域的数据是带有故障标签的数据;剩下6个工况下采集到数据归为目标域,该目标域的数据是无故障标签的数据。因此可以进行七种迁移实验任务,如表2所示。最后将源域的数据和目标域的数据都转化为灰度图;
步骤2:将源域的数据和目标域的数据一起输入到残差网络34特征提取器,提取相应的高维特张量输入到自适应层中待激活;
步骤3:在自适应层中,通过LMMD自适应方法计算出自适应层中目标域特征与源域特征之间的局部最大均值差异的误差εd,然后通过训练残差网络34特征提取器和自适应层的权重来减少εd,训练后的自适应层可以将源域与目标域特征映射到共同的特征子空间;
步骤4:通过共享分类层只对源域的自适应层输出进行故障状态预测,采用交叉熵损失函数测量预测值与真实值之间误差εc;最后以εd与εc之和ε为优化对象,不断训练残差网络34提取器、自适应层和共享分类层的权重使得ε最小化来获得残差深度子域网络,使得目标域能够从源域中学到故障知识,实现自适应的故障诊断。
步骤5:将待测试的目标域数据输入训练好的残差深度子域适应网络,经残差网络34特征提取器、自适应层和共享分类层后,能够自适应对目标域数据进行故障诊断,从而完成多工况故障诊断。
为了突出本发明方法在故障诊断方面的优势,本发明与残差网络34(Resent)、深度域混乱网络(DDC),改进的深度适应网络(DAN),域对抗神经网(DANN)和深度域适应的相关对齐网络(D-coral)。表3展示了它们之间的诊断精度对比结果,从表中可以看到本发明的故障诊断精度明显高于其他5种方法。
表3
为进一步证明本方法的有效以及创造性,将对本发明的方法进行实例验证。对实际工业的电机轴承试验台上采集了振动数据,采样频率为64khz。数据集中有三种健康状况,包括正常(N)、内圈故障(IF)和外圈故障(oF)。轴承数据集是在四种运行条件下收集的:电机转速为900rpm或1500rpm,负载扭矩为0.7Nm或0.1Nm,轴承上的径向力为1000N或4000N。对于每个操作条件,记录了20次每次4秒的测量。为了确保训练数据集和测试数据集之间不存在重复点,前10个测量数据集用于训练,其余的用于测试。每个数据样本被转换成大小为224×224的灰度图像。针对每个健康状况,收集了500个训练样本和500个测试样本,每个样本有4096个数据点。因此,可以使用表4中列出的数据集构造四个传输任务如表5,分别是任务A1、任务A2、任务A3和任务A4。P1为操作条件,P3为操作条件,P3为操作条件。所有带标记的源域数据集和一半未标记的目标数据集作为训练数据集,其余一半目标数据集用于测试数据集。
表4
表5
基于上述实验数据,采用与上述一样的验证过程进行验证,本发明的具体验证结果如表3。表3展示了它们之间的诊断精度对比结果,从表中可以看到本发明的故障诊断精度明显高于其他5种方法。也进一步证明本发明的具有很强的创造和适用性,能够适用于实际工业上。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于残差深度子域自适应网络的轴承故障智能诊断方法,其特征在于,所述基于残差深度子域自适应网络的轴承故障智能诊断方法包括:
选取一个带标签的源域与多个无标签的目标域数据,将一个源域数据和多个目标域数据分别转化为灰度图;
将源域数据和多个目标域数据利用残差网络特征提取器提取出相应的高维特征张量;
自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差;
将得到的局部最大均值差异误差以及得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;
利用训练好的残差深度子域自适应故障诊断网络基于待测试的多个目标域数据进行轴承故障诊断。
2.如权利要求1所述基于残差深度子域自适应网络的轴承故障智能诊断方法,其特征在于,所述选取源域与目标域数据包括:
在机械轴承多工况下随机选取一种带有故障标签的工况进行一维振动数据采集,并将采集的振动数据分为源域;
采集剩余工况的振动数据,并将采集的剩余工况的振动数据分为目标域,;所述目标域数据为无故障标签数据,以及目标域是多个且每个目标域的数据分布不相同。
3.如权利要求1所述基于残差深度子域自适应网络的轴承故障智能诊断方法,其特征在于,所述于自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差包括:
于自适应层采用全连接将Resent34特征提取器提取的大小为1×512张量的高维特征缩小为具有代表性1×512张量的特征,采用LMMD自适应方法将源域的特征与目标的域特征映射到共同的特征子空间;计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差。
6.一种基于残差深度子域自适应网络的轴承故障智能诊断系统,其特征在于,所述基于残差深度子域自适应网络的轴承故障智能诊断系统包括:
数据划分模块,用于选取一个带有故障标签的源域与多个无故障标签的目标域数据;
数据处理模块,用于将源域数据和目标域数据分别转化为灰度图;
模型构建模块,用于构建并训练残差深度子域自适应故障诊断网络;
故障诊断模块,用于基于训练好的残差深度子域自适应故障诊断网络对多个目标域进行轴承故障诊断。
7.如权利要求6所述基于残差深度子域自适应网络的轴承故障智能诊断系统,其特征在于,所述残差深度子域自适应故障诊断网络由残差网络34特征提取器、自适应层和共享分类层构成;
所述残差网络34特征提取器,用于提取源域数据和多个目标域数据的高维特征张量;
自适应层,用于计算得到源域与多个目标域的高维特征张量之间的局部最大均值差异误差;
共享分类层,用于通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
选取源域与多个目标域数据,将源域数据和多个目标域数据分别转化为灰度图;
将源域数据和多个目标域数据利用残差网络特征提取器提取出相应的高维特征张量;
自适应层利用LMMD自适应方法计算得到源域与目标域的高维特征张量之间的局部最大均值差异误差;
通过共享分类器对带有标签的源域数据进行预测,利用交叉熵损失函数测量预测值与真实值之间误差;
将得到的差异误差以及得到的预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络;
利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~5所述的基于残差深度子域自适应网络的轴承故障智能诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466643.7A CN112633339A (zh) | 2020-12-14 | 2020-12-14 | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466643.7A CN112633339A (zh) | 2020-12-14 | 2020-12-14 | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633339A true CN112633339A (zh) | 2021-04-09 |
Family
ID=75312659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011466643.7A Pending CN112633339A (zh) | 2020-12-14 | 2020-12-14 | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633339A (zh) |
Cited By (8)
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 |
CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
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 |
CN114239859A (zh) * | 2022-02-25 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种基于迁移学习的时序数据预测方法、装置及存储介质 |
CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹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 |
CN115935250A (zh) * | 2022-11-10 | 2023-04-07 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259941A (zh) * | 2020-01-10 | 2020-06-09 | 中国科学院计算技术研究所 | 基于细粒度领域自适应的跨领域图像分类方法及系统 |
-
2020
- 2020-12-14 CN CN202011466643.7A patent/CN112633339A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259941A (zh) * | 2020-01-10 | 2020-06-09 | 中国科学院计算技术研究所 | 基于细粒度领域自适应的跨领域图像分类方法及系统 |
Cited By (14)
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 |
CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
CN113673397B (zh) * | 2021-08-11 | 2023-12-05 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
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 |
CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
CN114239859A (zh) * | 2022-02-25 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种基于迁移学习的时序数据预测方法、装置及存储介质 |
CN114239859B (zh) * | 2022-02-25 | 2022-07-08 | 杭州海康威视数字技术股份有限公司 | 基于迁移学习的用电量数据预测方法、装置及存储介质 |
CN115935250A (zh) * | 2022-11-10 | 2023-04-07 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN115935250B (zh) * | 2022-11-10 | 2023-10-27 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633339A (zh) | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
EP3139313B1 (en) | Anomaly detection system and method | |
CN102112933B (zh) | 异常检测方法及系统 | |
CN101907681B (zh) | 基于gsd_svdd的模拟电路动态在线故障诊断方法 | |
Tong et al. | Bearing fault diagnosis based on domain adaptation using transferable features under different working conditions | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
Aremu et al. | Structuring data for intelligent predictive maintenance in asset management | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
CN114429150A (zh) | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 | |
CN113032929A (zh) | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 | |
CN110706213A (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
Entezami et al. | Condition assessment of civil structures for structural health monitoring using supervised learning classification methods | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN114740726B (zh) | 基于深度最优特征传输的工业过程小样本故障诊断方法 | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
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 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
Outzen et al. | Investigation of the applicability of recurrent neural networks for structural health monitoring in the frequency domain | |
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 |
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 |