CN112729835B - 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 - Google Patents
一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112729835B CN112729835B CN202110131442.XA CN202110131442A CN112729835B CN 112729835 B CN112729835 B CN 112729835B CN 202110131442 A CN202110131442 A CN 202110131442A CN 112729835 B CN112729835 B CN 112729835B
- Authority
- CN
- China
- Prior art keywords
- domain
- fault
- samples
- signal
- 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.)
- Active
Links
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
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06F2218/02—Preprocessing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种轴向柱塞泵轴承的多域半监督故障诊断方法,包括获取源域信号和目标域信号并均进行变换处理,得到源域样本和目标域样本;源域信号为某一工况下已知部分故障信息的振动信号;目标域信号为另一工况下未知部分故障信息的振动信号;采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;将源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,诊断结果包括正常、内圈故障、外圈故障和滚动体故障。实施本发明,能够解决现有轴向柱塞泵轴承故障诊断跨域问题。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,尤其涉及一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置。
背景技术
轴向柱塞泵在工业应用中扮演着重要的角色,随着工业的迅猛发展,对于轴向柱塞泵的要求越来越严苛,其被要求在诸如高温、高压、高转速等条件下长时间工作。在这样的工作环境中长时间工作会导致轴向柱塞泵中的一些关键部件出现故障。轴承作为其中一种易损部件,发生故障将是异常严重的,可能会导致整个生产线停工,造成经济损失,严重的可能会导致工作人员的伤亡。现阶段对于轴承的故障诊断主要通过人工经验或者仪器判断,但是在实际工程中获取的振动信号往往由于工作条件复杂,噪声较大等问题,导致很难获得故障特征明显的信号。目前轴承故障诊断存在诊断困难,诊断失误率高等问题。
目前,振动信号比其他信号更广泛地用于故障诊断中,主要原因在于:轴承发生故障后,会导致轴向柱塞泵异常振动并以周期性脉冲的形式反映在振动信号中,而该振动信号携带有机械故障的大多数固有信息。随着计算机技术的飞速发展,故障诊断领域迎来了技术革新。如今,许多机器学习算法被用于故障诊断中,但是大部分用于故障诊断的机器学习算法都为监督学习,这就要求需要大量有标签的数据,然而要达到这一条件是十分困难的,标记数据需要工程师有丰富的工程经验,这将耗费大量的成本。
因此,为了解决这个问题,很多半监督学习故障诊断方法被提出。半监督学习是一种利用现有的少量有标签数据进行模型训练的深度学习算法。另外,监督学习的故障诊断方法默认所有的信号样本都服从同分布,这就导致了训练模型的泛化能力不强,当信号样本与训练样本不同分布时,已经训练好的模型将会失去效果。为了解决故障诊断模型跨域诊断问题,因此有必要提出一种能够进行跨多个域的半监督故障诊断方法,用于轴向柱塞泵轴承故障诊断。
发明内容
本发明实施例所要解决的技术问题在于,提供一种轴向柱塞泵轴承的多域半监督故障诊断方法,能够解决现有轴向柱塞泵轴承故障诊断跨域问题。
为了解决上述技术问题,本发明实施例提供了一种轴向柱塞泵轴承的多域半监督故障诊断方法,所述方法包括以下步骤:
S1、获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
S2、采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;
S3、将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
其中,所述步骤S1具体包括:
获取所述源域信号和所述目标域信号;
根据一定的信号切片规则对所述源域信号和所述目标域信号均进行切片,并确保每个信号切片上至少包含一个转动周期的振动信息;
待所述源域信号和所述目标域信号经切片被分成若干个样本之后,对所有样本均进行时频变换来突出隐藏在信号中的故障特征,得到每个样本对应的图像样本;
将所得到的每个样本对应的图像样本进行归类整理,分别得到相应的源域样本和目标域样本。
K表示每个切片后信号包含的数据点数,k是一个正整数,表示信号对应机械旋转k圈,n是泵的转速,单位是转/分钟,f是采样频率,单位为Hz。
其中,对所有样本均进行时频变换的具体步骤包括:
其中,所述半监督故障诊断模型为基于改进的DCGAN模型构建出来的;其中,
所述改进的DCGAN模型包括一个生成器和一个判别器;其中,改进的DCGAN模型中的生成器的参数通过生成器损失函数进行优化;改进的DCGAN模型中的判别器的参数通过判别器损失函数进行优化,还被聚类的距离损失优化。
其中,所述判别器被聚类的距离损失优化的具体步骤包括:
在所述判别器最后一个卷积激活层连接聚类算法,并通过设定已知同类标记数据的高维特征向量均值为聚类中心,且进一步通过类内距离和类间距离损失函数来优化判别器中参数;
其中,聚类产生的损失函数为Lcluster=αganLgan+αintraLintra-αinterLinter;Lcluster表示聚类算法的总的损失函数,Lgan表示DCGAN的损失函数,Lintra表示不同类别间的距离损失函数,Linter表示同类别中各个特征向量的距离损失函数,αgan>0,αintra>0,αinter>0分别表示Lgan,Lintra,Linter的惩罚系数。
其中,所述判别器最后一个卷积激活层连接的聚类算法为k-mean+聚类算法,具体的聚类过程如下:
1)选择每个类别的标记数据高维特征向量的均值作为聚类中心;
2)重复步骤1)选出M个聚类中心;
3)对于数据集中的每个样本s,计算它们到所选出的M个聚类中心的距离并将它们划分给最近距离聚类中心所对应的类别;
5)重复3)和4),直到聚类中心位置不再发生变化。
其中,所述多目标域迁移学习网络包括域适配器、分类器和域判别器;其中,
所述域适配器,用于各个域样本学习各自的域不变特征;
所述分类器,用于源域样本输入之后输出每个样本对应的标签,以及目标域样本输入之后输出每个样本对应的伪标签;
所述域判别器,用于判别出各个样本所属域。
n表示类别数,Rn表示对应类别的概率值,概率值最大的对应着输出的类别结果。
本发明实施例还提供了一种轴向柱塞泵轴承的多域半监督故障诊断装置,包括:
多域信号处理单元,用于获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
源域故障诊断单元,用于采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;
跨域故障诊断单元,用于将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
实施本发明实施例,具有如下有益效果:
1、本发明可以同时将源域信号及目标域信号处理后的样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果,从而能够解决现有轴向柱塞泵轴承故障诊断跨域问题;
2、本发明将所有信号样本(包括源域信号及目标域信号)进行时频变换,进而使故障特征更加突出,有利于后续故障诊断网络的特征识别与提取;
3、本发明对原始的DCGAN进行改进,与聚类算法相结合,进而使其能够更加稳定和准确地提取各个故障类别的特征,还对迁移学习网络进行改进,进而使其可以提取多个域的域不变特征并进行故障诊断,不仅使其半监督诊断效果更加突出,还能够同时提取各个域样本的域不变特征对其进行有效地故障诊断,能实现跨多个域进行较准确故障诊断的目标,具有较强的多域故障诊断优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的轴向柱塞泵轴承的多域半监督故障诊断方法的流程图;
图2为步骤S1中源域信号含有正常、内圈故障、外圈故障和滚动体故障等不同健康状态标签的结构示意图;
图3为图2中不同健康状态的源域信号连续小波变换后所得到的能量图;
图4为本发明实施例提供的轴向柱塞泵轴承的多域半监督故障诊断方法的应用场景中源域半监督学习后的特征聚类结果对比图;
图5为本发明实施例提供的轴向柱塞泵轴承的多域半监督故障诊断方法的应用场景中多域半监督故障诊断结果对比图;
图6为本发明实施例提供的轴向柱塞泵轴承的多域半监督故障诊断装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种轴向柱塞泵轴承的多域半监督故障诊断方法,用于计算机设备上,该计算机设备依次连接多通道数据采集仪及固定在测试轴承的外壳上的加速度传感器;所述方法包括以下步骤:
步骤S1、获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
具体过程为,计算机设备从加速度传感器(采样频率为48kHz)处获得的信号并不适合直接送入模型中进行处理和训练,因此所有信号进行一些必要的前处理,具体如下:
首先,获取源域信号和目标域信号;其中,源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号。
应当说明的是,标签包括但不限于正常、内圈故障、外圈故障和滚动体故障等。如图2所示,为含有正常、内圈故障、外圈故障和滚动体故障等标签的振动信号的示意图。
其次,根据一定的信号切片规则对所述源域信号和所述目标域信号均进行切片,并确保每个信号切片上至少包含一个转动周期的振动信息;其中,通过公式计算得到每个信号切片的数据点数;K表示每个切片后信号包含的数据点数,k是一个正整数,表示信号对应机械旋转k圈,n是泵的转速,单位是转/分钟,f是采样频率,单位为Hz。
接着,待源域信号和目标域信号经切片被分成若干个样本之后,对所有样本均进行时频变换来突出隐藏在信号中的故障特征,得到每个样本对应的图像样本;其中,对所有样本均进行时频变换的具体步骤包括:利用连续小波变换对各个样本进行处理,并使用修正复Morlet小波基函数;Morlet小波基函数具体为fb表示带宽参数,fc表示中心小波频率。
在一个实施例中,将不同健康状况下的振动信号进行连续小波变换后,得到对应的能量图(热力图,如图3所示),为了降低计算机的负担,采用灰度图并进行双线性插值缩放图片大小。
最后,将所得到的每个样本对应的图像样本进行归类整理,分别得到相应的源域样本和目标域样本。例如,源域样本记为源域中无标签的样本记为有标签的样本记为表示每个有标签样本对应的标签,ns1表示源域中无标签样本的数量,ns2表示源域中有标签样本的数量。目标域样本记为 表示目标域1中的样本,表示目标域2中的样本,表示目标域n中的样本,和分别表示目标域1,目标域2,和目标域n。nt1,nt2,和ntn分别表示目标域1中样本数目。
S2、采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;
具体过程为,首先,多域半监督诊断模型并用实测数据进行训练,得到训练好的半监督故障诊断模型。其次,采用训练好的半监督故障诊断模型对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本。
应当说明的是,半监督故障诊断模型为基于改进的DCGAN模型构建出来的,且该改进的DCGAN模型包括一个由数个反卷积层和一些激活函数组成的生成器以及一个由卷积层和一些激活函数组成的判别器。
其中,该改进的DCGAN模型中的生成器的参数通过生成器损失函数进行优化,该生成器的损失函数如下:
式(1)中,z表示生成器的输入,θG表示生成器中的参数;
其中,该改进的DCGAN模型中的判别器的参数通过判别器损失函数进行优化,该判别器的损失函数如下:
式(2)中,i表示判别器的输入,θD表示判别器中的参数。
该改进的DCGAN模型中的判别器的参数还被聚类的距离损失优化,具体为:在判别器最后一个卷积激活层连接聚类算法,并通过设定已知同类标记数据的高维特征向量均值为聚类中心,且进一步通过类内距离和类间距离损失函数来优化判别器中参数;其中,聚类产生的损失函数如下:
Lcluster=αganLgan+αintraLintra-αinterLinter (3);
Lcluster表示聚类算法的总的损失函数,Lgan表示DCGAN的损失函数,Lintra表示不同类别间的距离损失函数,Linter表示同类别中各个特征向量的距离损失函数,αgan>0,αintra>0,αinter>0分别表示Lgan,Lintra,Linter的惩罚系数。
此时,判别器最后一个卷积激活层连接的聚类算法为k-mean+聚类算法,具体的聚类过程如下:
1)选择每个类别的标记数据高维特征向量的均值作为聚类中心;
2)重复步骤1)选出M个聚类中心;
3)对于数据集中的每个样本s,计算它们到所选出的M个聚类中心的距离并将它们划分给最近距离聚类中心所对应的类别;
5)重复3)和4),直到聚类中心位置不再发生变化。
S3、将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
具体过程为,多目标域迁移学习网络包括域适配器、分类器和域判别器;其中,域适配器,用于各个域样本学习各自的域不变特征;分类器,用于源域样本输入之后输出每个样本对应的标签,以及目标域样本输入之后输出每个样本对应的伪标签;域判别器,用于判别出各个样本所属域。
首先,各个域样本被送入域适配器中学习它们中的域不变特征,输出结果被分别输入分类器与域判别器中。
其次,训练好的迁移学习网络,分类器将会输出各个域样本正确的类别标签。对于源域样本输入,分类器会输出每个样本对应的标签;对于各目标域样本,分类器会输出每个样本对应的伪标签。在一个例子中,多目标域迁移学习网络中分类器输出的结果为一个向量R={R1,R2,R3,......,Rn},并依据最大概率原则,求出每个样本对应的类别标签其中,n表示类别数,Rn表示对应类别的概率值,概率值最大的对应着输出的类别结果。
最后,对于所有输入的样本域判别器会判别其是否属于源域数据,即域判别器将判别出各个样本所属域。所有源域样本已经具备标签之后,将带标签的源域数据导入搭建好的域适应网络中后接分类器,分类网络会被分类损失进行优化,分类损失函数为:
式(4)中,k表示类别数,yi表示真实标签,pi表示预测标签概率分布。
将未标记的各个目标域样本与标记的源域数据一同导入域适应网络中,并对其输出进行域判别,通过与判别损失优化域适应网络,域判别损失函数为:
式(5)中,A表示域适配器,B表示域判别器,Xt表示目标域数据,pt表示目标域分布。
即,将源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果均为正常、内圈故障、外圈故障和滚动体故障之其中一种。
如图4和图5所示,为本发明实施例中的轴向柱塞泵轴承的多域半监督故障诊断方法的应用场景图。其中,图4为实验台测得数据经过本发明的半监督学习阶段后的结果图,根据结果与已知正确故障类别相比,半监督学习阶段的结果达到98%,由可视化聚类结果可以看出此阶段的结果令人满意;图5为实验台测得的不同工况下的数据经过本发明提出的半监督跨域故障诊断后的特征分类结果,精度达到了97%。
为了验证本专利提出方法的有效性,四种经典的迁移学习算法被用于比较。分别为半监督迁移成分分析(SSTCA),基于边缘MMD和条件MMD迁移学习深度迁移网络(DTN),深度自编码迁移学习网络(TLDA),以及对抗学习迁移学习算法(DANN)。除此之外,还将SVM和RNN用于比较不适用任何迁移策略,直接用源域数据训练的得到的网络对目标域数据进行分类的结果,如下表1所示。
表1
模型 | SVM | RNN | SSTCA | DTN | TLDA | DANN | 本文方法 |
准确率 | 62.67% | 68.41% | 87.24% | 78.2% | 84.72% | 88.25% | 92.64% |
如图6所示,为本发明实施例中,提出的一种轴向柱塞泵轴承的多域半监督故障诊断装置,包括:
多域信号处理单元110,用于获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
源域故障诊断单元120,用于采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;
跨域故障诊断单元130,用于将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
实施本发明实施例,具有如下有益效果:
1、本发明可以同时将源域信号及目标域信号处理后的样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果,从而能够解决现有轴向柱塞泵轴承故障诊断跨域问题;
2、本发明将所有信号样本(包括源域信号及目标域信号)进行时频变换,进而使故障特征更加突出,有利于后续故障诊断网络的特征识别与提取;
3、本发明对原始的DCGAN进行改进,与聚类算法相结合,进而使其能够更加稳定和准确地提取各个故障类别的特征,还对迁移学习网络进行改进,进而使其可以提取多个域的域不变特征并进行故障诊断,不仅使其半监督诊断效果更加突出,还能够同时提取各个域样本的域不变特征对其进行有效地故障诊断,能实现跨多个域进行较准确故障诊断的目标,具有较强的多域故障诊断优势。
值得注意的是,上述装置实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种轴向柱塞泵轴承的多域半监督故障诊断方法,其特征在于,所述方法包括以下步骤:
S1、获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
S2、采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;所述半监督故障诊断模型为基于改进的DCGAN模型构建出来的;其中,
所述改进的DCGAN模型包括一个生成器和一个判别器;其中,改进的DCGAN模型中的生成器的参数通过生成器损失函数进行优化;改进的DCGAN模型中的判别器的参数通过判别器损失函数进行优化,还被聚类的距离损失优化;
S3、将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述多目标域迁移学习网络包括域适配器、分类器和域判别器;所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
2.如权利要求1所述的轴向柱塞泵轴承的多域半监督故障诊断方法,其特征在于,所述步骤S1具体包括:
获取所述源域信号和所述目标域信号;
根据一定的信号切片规则对所述源域信号和所述目标域信号均进行切片,并确保每个信号切片上至少包含一个转动周期的振动信息;
待所述源域信号和所述目标域信号经切片被分成若干个样本之后,对所有样本均进行时频变换来突出隐藏在信号中的故障特征,得到每个样本对应的图像样本;
将所得到的每个样本对应的图像样本进行归类整理,分别得到相应的源域样本和目标域样本。
5.如权利要求1所述的轴向柱塞泵轴承的多域半监督故障诊断方法,其特征在于,所述判别器被聚类的距离损失优化的具体步骤包括:
在所述判别器最后一个卷积激活层连接聚类算法,并通过设定已知同类标记数据的高维特征向量均值为聚类中心,且进一步通过类内距离和类间距离损失函数来优化判别器中参数;
其中,聚类产生的损失函数为Lcluster=αganLgan+αintraLintra-αinterLinter;Lcluster表示聚类算法的总的损失函数,Lgan表示DCGAN的损失函数,Lintra表示不同类别间的距离损失函数,Linter表示同类别中各个特征向量的距离损失函数,αgan>0,αintra>0,αinter>0分别表示Lgan,Lintra,Linter的惩罚系数。
7.如权利要求1所述的轴向柱塞泵轴承的多域半监督故障诊断方法,其特征在于,
所述域适配器,用于各个域样本学习各自的域不变特征;
所述分类器,用于源域样本输入之后输出每个样本对应的标签,以及目标域样本输入之后输出每个样本对应的伪标签;
所述域判别器,用于判别出各个样本所属域。
9.一种轴向柱塞泵轴承的多域半监督故障诊断装置,其特征在于,包括:
多域信号处理单元,用于获取源域信号和目标域信号,并对所述源域信号和所述目标域信号均进行变换处理,分别得到相应的源域样本和目标域样本;其中,所述源域信号为轴向柱塞泵轴承某一工况下已知部分故障信息的振动信号,包括有标签的振动信号和无标签的振动信号;所述目标域信号为轴向柱塞泵轴承另一工况下未知部分故障信息的振动信号;
源域故障诊断单元,用于采用训练好的半监督故障诊断模型,对时频变换处理处理后的源域样本进行源域半监督故障诊断,得到源域所有标记的故障样本;
跨域故障诊断单元,用于将所述源域所有标记的故障样本和时频变换处理处理后的目标域样本同时导入训练好的多目标域迁移学习网络中进行各个域的故障诊断,得到所有样本的诊断结果;其中,所述诊断结果包括正常、内圈故障、外圈故障和滚动体故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131442.XA CN112729835B (zh) | 2021-01-30 | 2021-01-30 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131442.XA CN112729835B (zh) | 2021-01-30 | 2021-01-30 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729835A CN112729835A (zh) | 2021-04-30 |
CN112729835B true CN112729835B (zh) | 2022-06-03 |
Family
ID=75594956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110131442.XA Active CN112729835B (zh) | 2021-01-30 | 2021-01-30 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729835B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505664B (zh) * | 2021-06-28 | 2022-10-18 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
CN113554621B (zh) * | 2021-07-23 | 2023-09-22 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
CN113792758B (zh) * | 2021-08-18 | 2023-11-07 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
CN114034486B (zh) * | 2021-10-11 | 2024-04-23 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
CN114136619A (zh) * | 2021-10-27 | 2022-03-04 | 国家能源集团宿迁发电有限公司 | 一种基于卷积自编码的变工况下滚动轴承故障诊断方法 |
CN114817856B (zh) * | 2022-04-15 | 2024-05-28 | 重庆科技学院 | 一种基于结构信息保持域适应网络的抽油机故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
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 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190138238A (ko) * | 2018-06-04 | 2019-12-12 | 삼성전자주식회사 | 딥 블라인드 전의 학습 |
CN109409394A (zh) * | 2018-07-19 | 2019-03-01 | 中国矿业大学 | 一种基于半监督聚类的cop-kmeans方法与系统 |
-
2021
- 2021-01-30 CN CN202110131442.XA patent/CN112729835B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
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 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112729835A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112729835B (zh) | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 | |
Yang et al. | Conditional GAN and 2-D CNN for bearing fault diagnosis with small samples | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
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 | |
CN112819059A (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN115221930A (zh) | 一种滚动轴承的故障诊断方法 | |
Lu et al. | Bearing fault diagnosis based on clustering and sparse representation in frequency domain | |
Wang et al. | Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
CN112541524B (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 | |
Chen et al. | A texture-based rolling bearing fault diagnosis scheme using adaptive optimal kernel time frequency representation and uniform local binary patterns | |
CN110097134B (zh) | 一种基于时间序列的机械故障早期诊断方法 | |
CN117113078A (zh) | 基于多源数据集成的小样本轴承故障模式识别方法和系统 | |
CN116561641A (zh) | 一种基于多视图生成算法的工业设备故障诊断方法及系统 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
Yu et al. | A class-weighted supervised contrastive learning long-tailed bearing fault diagnosis approach using quadratic neural network | |
Jin | Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion Sequence in Complex Scenarios | |
Gao et al. | Bearing Small Sample Fault Diagnosis Based on DCGAN and CNN | |
Husebø et al. | Diagnosis of incipient bearing faults using convolutional neural networks | |
CN115880524A (zh) | 基于马氏距离损失特征注意力网络的小样本图像分类方法 | |
Wang et al. | Fault Diagnosis of Bearing with Small Sample based on Siamese Networks and Metric Learning |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210430 Assignee: TEJI VALVE GROUP Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2023330000105 Denomination of invention: A multi domain semi supervised fault diagnosis method and device for axial piston pump bearings Granted publication date: 20220603 License type: Common License Record date: 20230311 |