CN112906644A - 基于深度迁移学习的机械故障智能诊断方法 - Google Patents

基于深度迁移学习的机械故障智能诊断方法 Download PDF

Info

Publication number
CN112906644A
CN112906644A CN202110304187.4A CN202110304187A CN112906644A CN 112906644 A CN112906644 A CN 112906644A CN 202110304187 A CN202110304187 A CN 202110304187A CN 112906644 A CN112906644 A CN 112906644A
Authority
CN
China
Prior art keywords
cae
domain
dtln
network
classifier
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
CN202110304187.4A
Other languages
English (en)
Other versions
CN112906644B (zh
Inventor
秦毅
钱泉
罗均
蒲华燕
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110304187.4A priority Critical patent/CN112906644B/zh
Publication of CN112906644A publication Critical patent/CN112906644A/zh
Application granted granted Critical
Publication of CN112906644B publication Critical patent/CN112906644B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—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
    • G06F18/24—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于深度迁移学习的机械故障智能诊断方法，属于机械设备故障诊断技术领域。该方法包括：S1：采集机械设备各种故障的不同工况下的振动信号，并进行预处理；S2：将划分的样本集添加不同信噪比的高斯噪声，模拟各种噪音环境；S3：利用关联对齐和域对抗迁移学习方法构建CAE‑DTLN网络；S4：将训练集输入到CAE‑DTLN中，利用源域有标签样本分类误差，CORAL指标和域分类器判别误差对CAE‑DTLN进行迭代更新训练；S6：将测试集输入到训练好的CAE‑DTLN网络中，在不同噪音和工况下对机械设备进行迁移故障诊断。本发明能实现抗噪迁移诊断，具有很好的迁移诊断效果和很强的鲁棒性和泛化能力。

Description

基于深度迁移学习的机械故障智能诊断方法
技术领域
本发明属于机械设备故障诊断技术领域，涉及一种基于深度迁移学习的机械故障智能诊断方法。
背景技术
现存工业系统通常长期连续稳定运行，故障出现频繁低，但一旦发生故障，故障劣化速度快，故障导致威胁大，若不及时控制将会导致机毁人亡的严重事故。因此保证工业系统长周期稳定运行、避免严重事故的发生具有重要的社会意义，并能够带来巨大的经济效益和社会效益。
为了保障工业系统的安全性同时推动智能制造的发展，越来越多的工业复杂系统利用工业物联网平台去建立设备运行状态监测系统，这使得工业系统采集与存储海量的工业设备运行数据，为基于数据驱动的故障诊断方法提供充足的数据源。但是机遇往往伴随着挑战，由于工业系统具备环境高度复杂性、信息不完备性等特点，使得基于数据驱动的故障诊断技术在真正应用时遇到巨大的挑战。对于基于数据驱动的故障诊断技术来说，主要面临的问题来自于数据本身，在实际工业应用中，有标签数据的成本是非常高昂的；同时，在不同工况下的数据分布也有所差异。迁移学习很好地解决了上述的两个问题。
现存迁移学习技术在机械设备诊断领域中主要针对干净无噪声信号，但在工业实际应用中收集到的信号不可能不受到噪音污染。在考虑到实际工业收集的数据中混杂着大量噪声、标签样本昂贵和不同工况下数据存在分布差异，因此，目前亟需一种具有抗噪性的深度迁移学习网络去诊断机械故障。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度迁移学习的机械故障智能诊断方法，能够实现很好的抗噪迁移诊断，具有很好的迁移诊断效果和很强的鲁棒性和泛化能力。
为达到上述目的，本发明提供如下技术方案：
一种基于深度迁移学习的机械故障智能诊断方法，具体包括以下步骤：
S1：采集机械设备各种故障的不同工况下的振动信号，并进行预处理获得样本集，分为训练集和测试集；
S2：将划分的样本集添加不同信噪比的高斯噪声，模拟各种噪音环境；
S3：利用关联对齐和域对抗迁移学习方法构建基于卷积自编码器的深度迁移学习网络(Deep transfer learning network based on convolutional auto-encoder，CAE-DTLN)；
S4：将训练集输入到构建好的CAE-DTLN网络中，利用源域有标签样本分类误差，关联对齐(CORrelation ALignment,CORAL)指标和域分类器判别误差，对CAE-DTLN网络进行迭代更新训练；
S5：经过多次迭代训练，误差曲线趋于稳定，CAE-DTLN我网络训练完成；
S6：将测试集输入到训练好的CAE-DTLN网络中，用于诊断不同噪音和不同工况下的机械设备故障。
进一步，步骤S1具体包括：通过加速度传感器采集机械设备各种故障的不同工况下的振动信号；然后，将采集到的原始振动信号利用滑动采样技术划分为多个长度为L的样本；最后，按照各个工况将相应的样本划分为训练集和测试集，其中，训练集包括相等的无标签目标域样本和标签源域样本，测试集包括目标域样本。
进一步，步骤S2中，将划分的样本集按照公式SNR(db)＝10·lg(Psignal/Pnoise)添加不同信噪比的高斯噪声，其中，Psignal、Pnoise分别表示采集信号功率和噪声功率。
进一步，步骤S3中，构建的CAE-DTLN网络包括：特征提取器、故障分类器和域自适应模块；
所述特征提取器由一个深度自编码器组成，该深度自编码器的结构由五个块构成，每个块包含一个卷积层、池化层和归一化层；
所述故障分类器由三个全连接层组成；
所述域自适应模块由CORAL适配层和一个三层全连接层的域分类器组成。
进一步，采用卷积自编码器(Convolution Auto-encoder,CAE)作为特征提取器，在挖掘故障信息的同时滤去信号中的高频噪声。
卷积自编码器(CAE)是自编码器中常见的一类，它是由卷积神经网络去完成编码和解码过程，它的结构通常由一个输入层，多个中间层和一个输出层构成。卷积自编码器可以通过无监督学习获取输入数据的高效表示，这个由中间隐藏层输出的高效表示通常被认为是原始输入数据的典型特征。以图1三层卷积自编码器为例，编码和解码过程可以用公式表示如下：
Figure BDA0002987445950000021
Figure BDA0002987445950000022
其中，
Figure BDA0002987445950000023
表示为编码器中的第i个卷积核的权重，W2为解码器中卷积核的权重，b1和b2分别为编码器和解码器中的偏置；x、
Figure BDA0002987445950000031
和
Figure BDA0002987445950000032
分别代表原始数据、解码器中第i个卷积核的输出和重构数据，N为解码器中卷积核的数量，S为非线性激活函数。输入原始数据x和重构数据
Figure BDA0002987445950000033
之间的重构误差可以定义为：
Figure BDA0002987445950000034
其中，nae代表无监督训练样本个数，它由源域样本ns和目标域样本nt组成。由于在网络训练中重构误差持续减小但不为零，重构的样本就可以在保留输入数据主要特征的同时过滤掉数据中的噪声。
进一步，步骤S3中，在域自适应模块中，采用CORAL和域对抗迁移学习方法一起去增强域混淆能力，从而增强网络对目标域测试样本的诊断精度。
CORAL迁移学习技术是基于统计特征对齐的无监督方法，它致力于使源域样本和目标域样本的二阶统计特征相等，也就是两个域的协方差对齐。其两个域之间的协方差差值可以定义为：
Figure BDA0002987445950000035
其中，d代表原始输入样本的特征维度，||·||F为Frobenius函数，CovS和CovT分别代表了源域和目标域的协方差特征值。
域对抗迁移学习技术是基于对抗博弈的思想，利用深度神经网络的自适应学习能力去自动拉近源域和目标域之间边缘分布的距离。域对抗迁移学习技术在神经网络训练过程中，使网络在学习可分类别的特征的同时混淆网络对源域和目标域样本的识别。如图2所示，域对抗迁移学习网络通常由三部分构成：特征提取器、标签分类器和域分类器。域分类器致力于去更新特征提取器和域分类器的可训练参数，使域分类器可以判别输入x来自于源域还是目标域；在另一方面网络在减小标签分类误差Ly的同时，以一定倍率λ(λ＜1)增加域判别误差Ld。通过上述的对抗过程，特征提取器最后将自动学习到可分和域不变的特征。
进一步，步骤S3中，构建的CAE-DTLN网络的优化目标函数表示为：
Figure BDA0002987445950000036
其中，Lc为源域有标签分类损失，Ld为辨别目标域数据和源域数据的二分类损失，Lae为CAE中原始数据和重构数据之间的重构误差，LCORAL为关联对齐迁移学习技术中两个域之间的协方差差值；θae,θc1,θc2,θd分别表示CAE-DTLN网络中特征提取器、故障分类器前两层、故障分类器最后一层以及域分类器的可训练权重参数，
Figure BDA0002987445950000037
分别表示CAE-DTLN网络中特征提取器、故障分类器前两层、故障分类器最后一层以及域分类器的迭代更新过后的权重参数；u,k,λ分别表示重构损失、特征协方差差值和域分类损失在整个优化目标函数所占的比重。
进一步，步骤S4中，对CAE-DTLN网络进行迭代更新训练，具体包括：定义网络的学习速率为ε，通过RMSprop优化算法对CAE-DTLN网络中的训练参数θae,θc1,θc2,θd的进行迭代更新，其更新过程由以下公式表示：
Figure BDA0002987445950000041
Figure BDA0002987445950000042
Figure BDA0002987445950000043
Figure BDA0002987445950000044
本发明的有益效果在于：本发明能够实现很好的抗噪迁移诊断，其中采用的CAE-DTLN网络具有很好的迁移诊断效果和很强的鲁棒性和泛化能力。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为CAE网络结构图；
图2为域对抗迁移学习网络结构图；
图3为本发明构建的CAE-DTLN网络结构图；
图4为DDS试验台示意图；
图5为不同噪音水平下的各个迁移学习模型的诊断准确率。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图5，本发明优选一种基于深度迁移学习的变工况和不同噪音下的机械故障智能诊断方法，基于DDS试验台和CAE-DTLN迁移学习神经网络实现，具体包括以下步骤：
步骤1：通过加速度传感器采集DDS试验台中行星齿轮箱太阳轮各种故障的不同工况下的振动信号。然后，将采集到的原始振动信号利用滑动采样技术划分为多个长度为L的样本。最终按照各个工况将相应的样本划分为训练集和测试集，其训练集包括相等的无标签目标域样本和标签源域样本，而测试集仅包含目标域样本。
步骤2：将划分的样本集按照公式SNR(db)＝10·lg(Psignal/Pnoise)添加不同信噪比的高斯噪声，模拟各种噪音环境。
步骤3：利用关联对齐和域对抗迁移学习技术构建CAE-DTLN网络。
在机械智能故障诊断中，深度迁移学习网络一般由特征提取器、域自适应模块和故障分类器三个部分构成。如图3所示，对于提出的CAE-DTLN模型，特征提取器由一个深度自编码器组成，该自编码器的结构由五个块构成，每个块又包含一个卷积层、池化层和归一化层；故障分类器为三个全连接层组成；域自适应模块由CORAL适配层和一个三层全连接层的域分类器组成。为了对噪音环境下进行迁移故障诊断，采用CAE作为特征提取器在挖掘故障信息的同时滤去信号中的高频噪声。在域自适应中，结合CORAL和域对抗技术一起去增强域混淆能力，从而增强网络对目标域测试样本的诊断精度。
CAE-DTLN的总目标函数可以表示为：
Figure BDA0002987445950000051
上述符号的详细含义如图3所示，式中Lc为源域有标签分类损失，Ld为辨别目标域数据和源域数据的二分类损失。定义网络的学习速率为ε，通过RMSprop优化算法，CAE-DTLN中的可训练参数(θae,θc1,θc2,θd)的就可以迭代更新，其更新过程可以由以下公式描述：
Figure BDA0002987445950000052
Figure BDA0002987445950000053
Figure BDA0002987445950000054
Figure BDA0002987445950000055
步骤4：将划分好的的训练样本输入到构建好的CAE-DTLN中，利用源域有标签样本分类误差，CORAL指标和域分类器判别误差对CAE-DTLN网络进行迭代更新训练。
步骤5：经过多次迭代训练，误差曲线趋于稳定，CAE-DTLN训练完成，训练好的CAE-DTLN将用于不同噪音和不同工况下的行星齿轮箱太阳轮故障迁移诊断。
以上是提出的深度迁移学习网络及迁移故障诊断方法，通过下面的实验来证明本发明方法的有效性。
验证实验：本实验采用的轴承数据来自DDS试验台，如图4所示。DDS试验台主要由电机、行星齿轮箱、平行齿轮箱及磁粉制动器组成。不同工况信息的原始振动信号可以通过磁粉制动器加载得到，其工况信息共有四种：0、1.4、2.8和25.2N·m。行星齿轮箱的太阳轮共有五种健康信息：正常、表面磨损、齿根破裂、轮齿缺损、轮齿折断。加速度传感器A和传感器B安装在行星齿轮箱上收集振动信号。加速度传感器A是单通道传感器，测量轴向的加速度；加速度传感器B是一个三通道传感器，用于测量轴向，切向，径向的加速度振动信号。两个传感器采样频率为5120Hz，行星齿轮箱的输入转速为1500rpm。每个样本包含的数据点数为3072个。
根据传感器A收集的不同工况的振动信号，六个跨工况迁移故障诊断任务可以被建立，分别为：0→1.4N·m、0→2.8N·m、1.4→2.8N·m、1.4→0N·m、2.8→0N·m、2.8→1.4N·m。每个迁移任务数据集的样本划分如表1所示。
表1六个迁移诊断任务的样本划分
Figure BDA0002987445950000061
对比实验：
为了证明提出本发明CAE-DTLN诊断方法的优越性，对比当前典型迁移学习网络模型，其实验结果如表2所示；同时，为了测试CAE-DTLN在不同噪音环境下的迁移诊断效果，对混有不同水平噪音的测试样本进行诊断测试，测试结果绘制于图5，CAE-DTLN(no-AE)表示优化目标函数中没有重构损失Lae这一项，但网络结构没有任何改变。通过表2的实验结果，可以看出所提出的CAE-DTLN有很好的迁移诊断效果，且拥有很强的鲁棒性和泛化能力。图5反映了CAE-DTLN具有不错的抗噪迁移诊断能力。
表2不同模型的实验诊断结果
Figure BDA0002987445950000071
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度迁移学习的机械故障智能诊断方法，其特征在于，该方法具体包括以下步骤：
S1：采集机械设备各种故障的不同工况下的振动信号，并进行预处理获得样本集，分为训练集和测试集；
S2：将划分的样本集添加不同信噪比的高斯噪声，模拟各种噪音环境；
S3：利用关联对齐和域对抗迁移学习方法构建CAE-DTLN网络，其中，CAE-DTLN网络是基于卷积自编码器的深度迁移学习网络(Deep transfer learning network based onconvolutional auto-encoder，CAE-DTLN)；
S4：将训练集输入到构建好的CAE-DTLN网络中，利用源域有标签样本分类误差，CORAL指标和域分类器判别误差，对CAE-DTLN网络进行迭代更新训练；其中，CORAL是关联对齐(CORrelation ALignment,CORAL)；
S5：经过多次迭代训练，误差曲线趋于稳定，完成CAE-DTLN网络训练；
S6：将测试集输入到训练好的CAE-DTLN网络中，用于诊断不同噪音和不同工况下的机械设备故障。
2.根据权利要求1所述的的机械故障智能诊断方法，其特征在于，步骤S1具体包括：通过加速度传感器采集机械设备各种故障的不同工况下的振动信号；然后，将采集到的原始振动信号利用滑动采样技术划分为多个长度为L的样本；最后，按照各个工况将相应的样本划分为训练集和测试集，其中，训练集包括相等的无标签目标域样本和标签源域样本，测试集包括目标域样本。
3.根据权利要求1所述的的机械故障智能诊断方法，其特征在于，步骤S3中，构建的CAE-DTLN网络包括：特征提取器、故障分类器和域自适应模块；
所述特征提取器由一个深度自编码器组成，该深度自编码器的结构由五个块构成，每个块包含一个卷积层、池化层和归一化层；
所述故障分类器由三个全连接层组成；
所述域自适应模块由CORAL适配层和一个三层全连接层的域分类器组成。
4.根据权利要求3所述的的机械故障智能诊断方法，其特征在于，步骤S3中，采用CAE作为特征提取器，在挖掘故障信息的同时滤去信号中的高频噪声；其中，CAE是卷积自编码器(Convolution Auto-encoder,CAE)。
5.根据权利要求3所述的的机械故障智能诊断方法，其特征在于，步骤S3中，在域自适应模块中，采用CORAL和域对抗方法一起去增强域混淆能力，从而增强网络对目标域测试样本的诊断精度。
6.根据权利要求3所述的机械故障智能诊断方法，其特征在于，步骤S3中，构建的CAE-DTLN网络的优化目标函数表示为：
Figure FDA0002987445940000021
其中，Lc为源域有标签分类损失，Ld为辨别目标域数据和源域数据的二分类损失，Lae为CAE中原始数据和重构数据之间的重构误差，LCORAL为关联对齐迁移学习技术中两个域之间的协方差差值；θae,θc1,θc2,θd分别表示CAE-DTLN网络中特征提取器、故障分类器前两层、故障分类器最后一层以及域分类器的可训练权重参数，
Figure FDA0002987445940000022
分别表示CAE-DTLN网络中特征提取器、故障分类器前两层、故障分类器最后一层以及域分类器的迭代更新过后的权重参数；u,k,λ分别表示重构损失、特征协方差差值和域分类损失在整个优化目标函数所占的比重。
7.根据权利要求6所述的机械故障智能诊断方法，其特征在于，步骤S4中，对CAE-DTLN网络进行迭代更新训练，具体包括：定义网络的学习速率为ε，通过RMSprop优化算法对CAE-DTLN网络中的训练参数θae,θc1,θc2,θd的进行迭代更新，其更新过程由以下公式表示：
Figure FDA0002987445940000023
Figure FDA0002987445940000024
Figure FDA0002987445940000025
Figure FDA0002987445940000026
CN202110304187.4A 2021-03-22 2021-03-22 基于深度迁移学习的机械故障智能诊断方法 Active CN112906644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110304187.4A CN112906644B (zh) 2021-03-22 2021-03-22 基于深度迁移学习的机械故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110304187.4A CN112906644B (zh) 2021-03-22 2021-03-22 基于深度迁移学习的机械故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN112906644A true CN112906644A (zh) 2021-06-04
CN112906644B CN112906644B (zh) 2022-10-14

Family

ID=76105933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110304187.4A Active CN112906644B (zh) 2021-03-22 2021-03-22 基于深度迁移学习的机械故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN112906644B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN113378967A (zh) * 2021-06-28 2021-09-10 哈尔滨工业大学 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法
CN113555004A (zh) * 2021-07-15 2021-10-26 复旦大学 基于特征选择与迁移学习的语音抑郁状态识别方法
CN113591945A (zh) * 2021-07-15 2021-11-02 哈尔滨工程大学 一种跨功率水平的核动力装置故障诊断方法及系统
CN113837071A (zh) * 2021-09-23 2021-12-24 重庆大学 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN113935406A (zh) * 2021-09-27 2022-01-14 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN114021285A (zh) * 2021-11-17 2022-02-08 上海大学 基于相互局部对抗迁移学习的旋转机械故障诊断方法
CN114742165A (zh) * 2022-04-15 2022-07-12 哈尔滨工业大学 基于深度自编码器的航空发动机气路性能异常检测系统
CN115184054A (zh) * 2022-05-30 2022-10-14 深圳技术大学 机械设备半监督故障检测分析方法、装置、终端及介质
CN115328691A (zh) * 2022-10-14 2022-11-11 山东大学 基于模型差异的故障诊断方法、系统、存储介质及设备
CN117473412A (zh) * 2023-09-08 2024-01-30 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
CN117476036A (zh) * 2023-12-27 2024-01-30 广州声博士声学技术有限公司 一种环境噪声识别方法、系统、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN110363290A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于混合神经网络模型的图像识别方法、装置及设备
US20190354850A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Identifying transfer models for machine learning tasks
CN110706720A (zh) * 2019-08-16 2020-01-17 广东省智能制造研究所 一种端到端无监督深度支撑网络的声学异常检测方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354850A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Identifying transfer models for machine learning tasks
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN110363290A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于混合神经网络模型的图像识别方法、装置及设备
CN110706720A (zh) * 2019-08-16 2020-01-17 广东省智能制造研究所 一种端到端无监督深度支撑网络的声学异常检测方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EUIJOON AHN: "Unsupervised Deep Transfer Feature Learning for Medical Image Classification", 《IEEE》 *
MENGQI MIAO: "Adaptive Densely Connected Convolutional Auto-Encoder-Based feature learning of gearbox vibration signals", 《IEEE》 *
QUAN QIAN: "A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis", 《MEASUREMENT》 *
杜小磊: "基于深度学习的滚动轴承故障判断方法", 《中国优秀硕士学位论文全文数据库》 *
秦毅: "基于自适应奇异值分解的行星齿轮箱故障诊断方法", 《振动与冲击》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268833B (zh) * 2021-06-07 2023-07-04 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN113378967B (zh) * 2021-06-28 2022-11-08 哈尔滨工业大学 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法
CN113378967A (zh) * 2021-06-28 2021-09-10 哈尔滨工业大学 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法
CN113591945A (zh) * 2021-07-15 2021-11-02 哈尔滨工程大学 一种跨功率水平的核动力装置故障诊断方法及系统
CN113555004A (zh) * 2021-07-15 2021-10-26 复旦大学 基于特征选择与迁移学习的语音抑郁状态识别方法
CN113837071A (zh) * 2021-09-23 2021-12-24 重庆大学 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN113837071B (zh) * 2021-09-23 2024-02-02 重庆大学 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN113935406A (zh) * 2021-09-27 2022-01-14 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN114021285A (zh) * 2021-11-17 2022-02-08 上海大学 基于相互局部对抗迁移学习的旋转机械故障诊断方法
CN114021285B (zh) * 2021-11-17 2024-04-12 上海大学 基于相互局部对抗迁移学习的旋转机械故障诊断方法
CN114742165A (zh) * 2022-04-15 2022-07-12 哈尔滨工业大学 基于深度自编码器的航空发动机气路性能异常检测系统
CN114742165B (zh) * 2022-04-15 2023-04-18 哈尔滨工业大学 基于深度自编码器的航空发动机气路性能异常检测系统
CN115184054A (zh) * 2022-05-30 2022-10-14 深圳技术大学 机械设备半监督故障检测分析方法、装置、终端及介质
CN115184054B (zh) * 2022-05-30 2022-12-27 深圳技术大学 机械设备半监督故障检测分析方法、装置、终端及介质
CN115328691A (zh) * 2022-10-14 2022-11-11 山东大学 基于模型差异的故障诊断方法、系统、存储介质及设备
CN115328691B (zh) * 2022-10-14 2023-03-03 山东大学 基于模型差异的故障诊断方法、系统、存储介质及设备
CN117473412A (zh) * 2023-09-08 2024-01-30 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
CN117473412B (zh) * 2023-09-08 2024-05-07 西南交通大学 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统
CN117476036A (zh) * 2023-12-27 2024-01-30 广州声博士声学技术有限公司 一种环境噪声识别方法、系统、设备和介质
CN117476036B (zh) * 2023-12-27 2024-04-09 广州声博士声学技术有限公司 一种环境噪声识别方法、系统、设备和介质

Also Published As

Publication number Publication date
CN112906644B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
Qian et al. A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis
Hoang et al. Rolling element bearing fault diagnosis using convolutional neural network and vibration image
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN112161784B (zh) 基于多传感器信息融合迁移网络的机械故障诊断方法
CN109827777B (zh) 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN112183581A (zh) 基于自适应迁移神经网络的半监督机械故障诊断方法
CN110210381A (zh) 一种域分离自适应一维卷积神经网络智能故障诊断方法
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Chen et al. A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data
CN117030263A (zh) 多传感器信号融合下基于改进残差网络的轴承故障诊断方法
CN116702076A (zh) 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
CN112116029A (zh) 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法
Wang et al. A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background
He et al. Using deep learning based approaches for bearing fault diagnosis with AE sensors
CN110044619B (zh) 一种基于稀疏多周期组套索的多故障特征辨识方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN116758922A (zh) 一种用于变压器的声纹监测与诊断方法
Yadav et al. Variable dropout one-dimensional cnn for vibration-based shaft unbalance detection in industrial machinery
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置
Niu et al. A deep residual convolutional neural network based bearing fault diagnosis with multi-sensor data
Felix et al. A feature selection committee method using empirical mode decomposition for multiple fault classification in a wind turbine gearbox
CN113723592A (zh) 一种基于风电齿轮箱监测系统的故障诊断方法
CN113435321A (zh) 一种主轴轴承状态评估方法、系统、设备及可读存储介质

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