CN112964469B - 一种迁移学习的变负载下滚动轴承在线故障诊断方法 - Google Patents

一种迁移学习的变负载下滚动轴承在线故障诊断方法 Download PDF

Info

Publication number
CN112964469B
CN112964469B CN202110222369.7A CN202110222369A CN112964469B CN 112964469 B CN112964469 B CN 112964469B CN 202110222369 A CN202110222369 A CN 202110222369A CN 112964469 B CN112964469 B CN 112964469B
Authority
CN
China
Prior art keywords
online
data
model
isvm
rolling bearing
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
Application number
CN202110222369.7A
Other languages
English (en)
Other versions
CN112964469A (zh
Inventor
康守强
刘旺辉
王玉静
王庆岩
梁欣涛
谢金宝
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202110222369.7A priority Critical patent/CN112964469B/zh
Publication of CN112964469A publication Critical patent/CN112964469A/zh
Application granted granted Critical
Publication of CN112964469B publication Critical patent/CN112964469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种迁移学习的变负载下滚动轴承在线故障诊断方法，属于故障诊断技术领域，用以解决现有离线训练方式的深度迁移方法不能有效保证变负载下滚动轴承在线故障诊断中的建模效率和准确率问题。本发明的技术要点包括：首先将原始时域振动信号作STFT处理，构建二维频谱数据集；然后使用源域数据训练源域CNN‑ISVM模型，得到源域分类模型，保存模型参数并将其迁移至目标域CNN‑ISVM训练过程中；最后通过在线数据对目标域CNN‑ISVM模型中的ISVM分类器进行更新修正，实现变负载下滚动轴承多状态在线识别。本发明方法极大地减少了模型训练时间和计算量，具有较高的建模效率，同时具有较高的准确率和良好的泛化性；对滚动轴承在实际工作中故障的在线监测与快速诊断有着重要的指导意义。

Description

一种迁移学习的变负载下滚动轴承在线故障诊断方法
技术领域
本发明涉及故障诊断技术领域，具体涉及一种迁移学习的变负载下滚动轴承在线故障诊断方法。
背景技术
滚动轴承作为工业生产设备中的关键零部件，一旦发生故障，将直接影响整台机械设备的安全运行[1]。滚动轴承在变负载条件下，其运行状态复杂多变，数据特征分布差异性较大。实际中目标域数据采集往往按照序列方式在线获取，无法满足测试数据在模型训练过程中的完备性假设，为现有的迁移学习方法提出了新的挑战[2]。因此开展变负载下滚动轴承多状态在线故障诊断工作，具有重要研究意义。
随着机器学习研究的不断深入，基于人工智能的数据驱动方法成为故障诊断领域研究的热点[3]。其中比较有代表性的支持向量机(Support vector machine,SVM)、反向传播神经网络和极限学习机已被广泛应用于故障诊断，并取得了较好的效果[4-6]。虽然数据驱动的诊断方法在旋转机械的故障诊断中做出了显著的成绩，但固有的局限性仍然存在，较浅的网络结构导致难以挖掘和提取故障数据中更深层次的特征[7]，限制了诊断准确率的进一步提升。
近年来深度学习理论逐渐成为机器学习领域中炙手可热的学习算法，其在机械智能故障诊断领域也受到越来越多的关注[8]。卷积神经网络(Convolutional neuralnetworks，CNN)是应用故障诊断最有效的深度学习方法之一，CNN强大的特征提取能力具备识别深层故障特征的潜力，克服了传统智能诊断方法中的固有缺陷。文献[9]将时域信号转变为时频图像，使用改进的CNN自适应提取图像特征并进行分类，获得了较高的故障诊断准确率；文献[10]将振动信号转换为频谱图输入到全卷积神经网络中，可准确识别出轴承故障位置及损伤程度，并具有较好的泛化性；文献[11]通过使用粒子群优化算法设置CNN超参数，针对不同轴承数据集进行有效诊断。由上述文献分析可知，基于深度学习的故障诊断方法能够有效地识别滚动轴承的健康状况。但在实际的工业生产中，滚动轴承常处于变负载的工作状态，相对于恒定负载，变负载下的滚动轴承振动特性更复杂。深度学习对不同负载情况下的故障诊断普适性较差[12]，这限制了深度学习在变负载情况下的应用。
迁移学习放宽了传统机器学习中的两个基本假设，运用已有的知识解决不同但相关领域的问题，是一种新的机器学习方法[13]。其中基于模型参数的知识迁移方法是从源域与目标域中找到共享的参数信息，通过参数传递实现迁移。如何利用深度神经网络进行有效的知识迁移成为学者们思考的问题，深度迁移学习方法在旋转机械故障诊断领域崭露头角。文献[14]构建一种基于领域共享的深度残差网络深度迁移诊断模型，通过实验台滚动轴承数据进行知识迁移识别出机车轴承的健康状态；文献[15]提出一种通用的轴承故障诊断模型，通过模型参数迁移的方法有效减少训练时间，取得了较好的效果；文献[16]提出一种深度迁移的非负约束稀疏自动编码器，利用参数传递解决带标签数据稀缺的滚动轴承故障诊断问题，具有较好的效果。
上述离线训练方式的深度迁移方法虽能较好解决变负载下的故障诊断问题，但应用的一个重要假定是目标域数据的可用性，即在识别模型建立前已准备好全部目标域数据。然而实际情况中数据的在线获取导致待分类目标域的数据按照序列方式到达，无法满足目标域数据在模型训练过程中的完备性假设，因此离线训练方式的深度迁移学习算法将不再适用。
发明内容
鉴于以上问题，本发明提出一种迁移学习的变负载下滚动轴承在线故障诊断方法，用以解决现有离线训练方式的深度迁移方法不能有效保证变负载下滚动轴承在线故障诊断中的建模效率和准确率问题。
一种迁移学习的变负载下滚动轴承在线故障诊断方法，包括以下步骤：
步骤一、获取负载A下离线状态滚动轴承时域振动信号作为源域数据，负载B下在线状态滚动轴承时域振动信号作为目标域数据；其中，所述目标域数据包括在线训练数据和待诊断数据；所述源域数据和所述在线训练数据携带标签；
步骤二、对所述源域数据和所述目标域数据进行预处理；
步骤三、将预处理后的源域数据输入到网络中进行离线训练，获得源域CNN-ISVM模型，并保存源域CNN-ISVM模型网络参数；
步骤四、将源域CNN-ISVM模型网络参数迁移至目标域，作为初始网络参数，获得目标域CNN模型；
步骤五、将预处理后的在线训练数据输入到目标域CNN模型网络中进行在线训练，获得目标域CNN-ISVM模型；在线训练过程包括：
步骤五一、将所述在线训练数据分为N组；
步骤五二、利用所述目标域CNN模型对一组在线训练数据进行特征提取，将提取到的特征向量输入ISVM分类器，获得该组在线训练数据的分类预测值；
步骤五三、将所述分类预测值与对应标签进行比对，判断所述特征向量是否符合KKT条件，若符合则获得该组在线训练数据对应的目标域CNN-ISVM模型；
步骤五四、若所述特征向量不符合KKT条件，则通过构造满足所述特征向量和SV集合的新超平面，从而对ISVM分类器进行更新，获得该组在线训练数据对应的目标域CNN-ISVM模型；
步骤五五、对其余组在线训练数据重复步骤五二至步骤五四，直至分类预测准确率趋于平稳，获取最终的目标域CNN-ISVM模型；
步骤六、将待诊断数据输入所述目标域CNN-ISVM模型，获得滚动轴承在线故障诊断结果。
进一步地，步骤一中所述负载A和所述负载B不相同，且均包含一种或以上负载类型。
进一步地，每种负载类型包含正常状态及内圈故障、外圈故障、滚动体故障的3种故障损伤程度。
进一步地，步骤二中所述预处理包括对所述源域数据和所述目标域数据作短时傅里叶变换，获得二维频谱数据。
进一步地，步骤三的具体步骤包括：
步骤三一、初始化源域CNN模型网络参数；
步骤三二、接收来自输入层的源域数据，利用由多个依次循环堆叠的卷积层和池化层组成的特征提取层对源域数据进行层级式特征提取，获得多个特征矢量；
步骤三二、利用全连接层将所述多个特征矢量首尾连接组成一维向量，获得源域CNN模型；
步骤三三、利用分类输出层接收所述一维向量，训练ISVM分类器，获得源域CNN-ISVM模型。
进一步地，步骤三二中所述全连接层包括全连接层1和全连接层2，并通过Softmax回归函数进行误差反向传播最小化损失函数J(θ)，完成所述一维向量的获取；其中，全连接层2用于对特征向量进一步降维。
进一步地，步骤五四中所述新分类超平面的表达式为：
Figure BDA0002955456390000031
其中，αi表示拉格朗日系数；xi表示样本特征向量；x表示变量；yi表示标签；b表示超平面的截距；n表示特征样本个数；K表示核函数运算。
本发明的有益技术效果是：
本发明基于ISVM具有保留历史知识且能够处理在线新增数据的特点，提出一种深度在线迁移CNN-ISVM的新方法，该方法只需对在线新增数据进行处理，更新现有模型，从而避免了重新训练整个模型，极大地减少了模型训练时间和计算量；利用模型参数知识迁移，减小由于负载变化引起的源域数据与目标域数据之间的分布差异，进而解决变负载下在线采集滚动轴承数据进行故障状态识别问题。实验表明，在处理相同数量的轴承数据时，本发明方法所需模型训练的时间约为离线方法的20％，具有较高的建模效率；同时在不同迁移任务下平均准确率较所对比的离线方法提升3.80％，较所对比的在线学习方法提升至少3.60％，证明本发明方法具有良好的泛化性；且在线学习耗时较短，证明本发明方法在变负载下滚动轴承在线故障诊断问题上具有明显的优势；可较好的解决变负载条件下的滚动轴承在线故障诊断，在保证较高识别准确率的基础上，提高诊断效率，这对滚动轴承在实际工作中故障的在线监测与快速诊断有着重要的指导意义。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是ISVM在线学习过程示意图；
图2是本发明CNN-ISVM算法结构示意图；
图3是本发明一种迁移学习的变负载下滚动轴承在线故障诊断方法的流程示意图；
图4是本发明实施例中滚动轴承数据采集实验台示意图；
图5是本发明实施例中新增故障类型实验结果示意图；
图6是本发明实施例中在线学习准确率实验结果示意图；
图7是本发明实施例中在线学习消耗时间实验结果示意图；
图8是本发明实施例中在线学习SV数量示意图；
图9是本发明实施例中滚动轴承故障分类混淆矩阵示意图；
图10是本发明实施例中t-SNE特征可视化示意图；
图11是本发明方法与其他方法准确率对比结果示意图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
在线学习在保留绝大多数历史知识的前提下,不断地从新样本中学习新知识,使得更新后的知识适应新到达的样本。在线学习在很多领域都展示了它的有效性，如图像识别、语音识别和人机交互等领域。文献[17]提出目标域数据以在线方式接收，并利用来自多个源域的知识进行迁移学习，通过实验证明该方法在图像分类中具有较高的准确率；文献[18]提出一种基于在线学习的非负卷积语音信号识别方法，其效果优于离线式识别方法。在线学习可以改进一些传统方法，例如极限学习机、在线随机森林和增量支持向量机(Incremental support vector machine,ISVM)等以获得在线学习的能力。其中，ISVM就是充分利用历史训练结果，即原始分类面和原始支持向量(Support vector,SV)集，在不断学习过程中，选择最有可能成为新SV的样本，舍弃对分类结果没有太大贡献的历史样本，从而达到加快训练速度、减少存储空间的目的，同时也会保证良好的分类精度[19]。短时傅里叶变换(Short time fourier transform,STFT)是在傅里叶变换基础上发展而来，是一种时-频分析方法，可同时反应出信号的时域和频域信息，被广泛应用于非平稳信号的研究[20]。
因此，针对变负载条件下滚动轴承振动数据特征分布差异性较大，目标域数据的在线获取与识别问题，提出一种深度在线迁移学习的故障诊断方法。该方法首先将原始时域振动信号作STFT处理，构建二维频谱数据集；然后使用源域数据训练源域CNN-ISVM模型，得到源域分类模型，保存模型参数并将模型共享参数迁移至目标域CNN-ISVM训练过程中，加速模型建立；最后通过在线数据对目标域CNN-ISVM模型中的ISVM分类器进行更新和修正，实现变负载下滚动轴承多状态在线识别。下面对每一步骤进行具体说明。
CNN是一种专门用于处理具有类网状结构数据的典型前馈神经网络，本质是构建多个能够提取数据特征的滤波器，并运用这些滤波器对输入数据进行逐层卷积和池化，提取蕴含在输入数据中的鲁棒特征。典型的CNN网络通常包含输入层、卷积层、池化层、全连接层和输出层，在CNN的前期特征提取算法中，通过利用交替的卷积层和池化层对输入数据进行层层提取特征，接近输出层则采用普通多层神经网络。
在卷积层中，利用前一层的输出与多个卷积核卷积并生成特征映射，通过激活函数构建输出特征矢量，其数学模型描述为：
Figure BDA0002955456390000051
其中，
Figure BDA0002955456390000052
分别表示第l层第i个卷积核的权重与偏置；*代表卷积运算；σ为激活函数；xl(j)为第l层第j个神经元；输出
Figure BDA0002955456390000053
为卷积核K在输入xl(j)上学习到的特征。
线性修正单元(ReLU)被广泛用作激活函数以缓解神经网络的过拟合问题。ReLU的公式为：
Figure BDA0002955456390000061
其中，
Figure BDA0002955456390000062
为
Figure BDA0002955456390000063
经过激活函数得到的激活值。
池化层是对上一层数据的缩放映射，池化能够提取每个特征映射中最重要的局部信息，并通过该操作可以显著减小特征维度。本发明选取实际中广泛使用的最大池化作为池化方式，池化长度为N，在卷积层与池化层中，所有操作的滑动步长皆为1。池化层的输入为卷积层生成的特征映射：
Figure BDA0002955456390000064
其中，
Figure BDA0002955456390000065
表示第l层第i个特征矢量中第t个神经元的值，t∈[(j-1)N+1,jN]；N为池化区域的长度；
Figure BDA0002955456390000066
表示第l+1层第j个神经元对应的池化值。
全连接层通常会和Softmax组合使用完成分类任务。具体过程是将最后一个池化层的输出展平为一维特征向量作为全连接层的输入，其公式描述为：
Figure BDA0002955456390000067
其中，
Figure BDA0002955456390000068
为第l层第i个神经元与第l+1层第j个神经元之间的权值；
Figure BDA0002955456390000069
为第l层所有神经元对第l+1层第j个神经元的偏置；
Figure BDA00029554563900000610
为第l+1层第j个神经元的输出；σ(*)为激活函数。
Softmax回归函数是Logistic分类器的推广，主要用于多分类问题。类标签y具有向量形式，表明当前样本的类别在所有可能类别中的分布概率，Softmax回归模型的损失代价函数可以表示为：
Figure BDA00029554563900000611
式中，(xi,yi)是训练样本；n为样本个数；yi∈{1,2,…,k}为样本所属类别；I{·}为逻辑指示函数，当大括号内的值为真时，I＝1，否则I＝0；θ为训练模型参数集，用于最小化当前代价函数。
SVM是一种结构风险最小化模型，广泛应用于分类和回归任务，ISVM在SVM基础之上提出，其核心思想是随着在线数据逐步训练一个模型，将其训练过的数据全部丢弃，仅保留作为SV的数据，这些SV将加入下一次循环训练。SV参数优化的准则为搜索支持向量的Karush-Kuhn-Tucker(KKT)条件，以下对ISVM算法[21]进行简要描述。
给定训练数据集为{(xi,yi)}，i＝1，2，…，n，xi∈Rn，yi∈{+1,-1}，标准的SVM分类问题可表述为下列求最优问题：
Figure BDA0002955456390000071
其中，ξi为松弛变量；C为正则化参数。引入拉格朗日系数αi将上述优化问题转化为如下的对偶形式：
Figure BDA0002955456390000072
其中，Qij＝yiyjK(xi,yi)，且K()为核函数运算。KKT条件是求解上述优化问题的充要条件，受KKT条件的影响，训练样本分为三类：正确向量(R)、支持向量(S)和错误向量(E)，取决于αi和C之间的关系，如图1所示。
在线学习过程中，当新样本xc加入到训练集时，不必重新训练，新的SV系数以及分类模型将以如下形式进行更新：
Figure BDA0002955456390000073
使得上述KKT条件重新得到满足。
可得到新的最优分类超平面，SVM的判决函数：
Figure BDA0002955456390000074
其中，αi表示拉格朗日系数；xi表示样本特征向量；x表示变量；yi表示标签；b表示最优分类超平面的截距；n表示特征样本个数；K表示核函数运算。
在传统CNN网络中，判别输出层通常由一个全连接层与Softmax分类器组合构成，Softmax分类器实质上是对最终的分类结果做一次符合概率分布的归一化操作，其在多分类性能上尚不如SVM功能强大，然而SVM存在对深层特征提取和数据挖掘能力不足[22],及新样本添加后需要重新训练分类器的问题。因此，本发明将迁移学习减小数据分布差异、提高训练效率的能力与ISVM在线处理新增数据的优越性相结合，提出一种在线迁移的CNN-ISVM算法。
本发明所提算法基本结构图如图2所示，其CNN-ISVM算法由输入层、特征提取层和分类判别输出层组成，其中，特征提取层包含多个依次循环堆叠的卷积层和池化层，接收来自输入层的振动数据，利用卷积层中的多个卷积核实现对振动信号的特征提取，得到多个特征矢量。最大池化算子实现对特征矢量的维数约简，同时提高非线性特征的鲁棒性。交替的多个卷积池化层实现对输入信号非线性特征的层级式提取。全连接层实现对特征的“展平”操作，即将所有特征矢量首尾连接组成一维向量，将该一维向量作为ISVM的输入特征向量。分类输出层接收来自特征提取层的一维向量，利用ISVM分类器实现目标输出类别。
不同负载情况下，滚动轴承正常、内圈、外圈和滚动体故障及不同故障程度的多状态在线识别方法流程框图如图3所示，具体流程步骤为：
1)数据预处理
获取离线状态某些负载情况下滚动轴承振动信号作为源域，在线获取其他负载情况下滚动轴承振动信号作为目标域，对轴承原始时域振动信号中的源域数据(离线数据)和目标域数据(在线数据)做STFT，构建二维图像源域数据集和目标域数据集。
2)源域CNN-ISVM预训练模型
离线训练阶段，将处理好的源域数据集输入到网络中。首先通过Softmax函数进行误差反向传播最小化损失函数J(θ)，完成CNN模型参数的训练；其次用训练好的CNN模型对输入数据进行特征提取，将全连接层1中提取到的特征向量和对应标签输入给ISVM完成训练；保存源域CNN-ISVM预训练模型参数，并将卷积层及第一个全连接层参数冻结。
3)目标域CNN-ISVM模型在线更新
在线更新阶段，将步骤2)中冻结的源域CNN-ISVM模型参数迁移至目标域CNN-ISVM模型。当目标域训练数据输入到网络时，利用目标域CNN模型进行特征提取，将该数据提取到的特征向量输入给ISVM分类器，ISVM分类器得到预测值与其真实值比对，判断该特征向量是否违背KKT条件，若违背则需构造满足该特征向量和SV集合的新超平面，以此更新ISVM分类器，否则完成目标域CNN-ISVM模型更新。将目标域中实际测试/诊断数据输入至模型中完成故障分类，输出故障诊断结果。
具体实施例一
为验证本发明方法的有效性和准确性，采用美国凯斯西储大学的轴承数据集进行实验验证[23]。轴承试验台如图4所示，这些数据由加速度传感器在4种负载条件下采集，采样频率为12kHz。
负载类型包括0hp、1hp、2hp和3hp，根据负载的不同，电机转速在1730rpm和1797rpm之间变化。每种负载下均包含正常状态(N)及内圈故障(IR)、外圈故障(OR)、滚动体故障(B)的3种故障损伤程度，损伤直径分别为0.1778mm、0.3556mm、0.5334mm，正常状态下滚动轴承没有发生损伤，因此没有故障部位及故障损伤程度。对滚动轴承的正常状态，内圈、外圈、滚动体故障及不同故障损伤程度10种状态进行分类。以0hp为例，实验数据的表示方法如表1所示。
表1实验数据表示方法
Figure BDA0002955456390000091
本发明共设置12组实验数据集，分别使用某些负载下10种状态数据作为源域数据集，其他负载下10种状态数据作为目标域数据集。目标域数据集包括训练数据集和实际测试/诊断数据集，具体数据集组成如表2所示。以任务1为例进行说明，源域数据集为2hp的2000个样本；目标域训练样本集为1hp的2000个样本，目标域实际测试/诊断数据集为1hp的600个样本，用来验证模型性能。其他任务设置同理。
表2实验数据集组成
Figure BDA0002955456390000092
Figure BDA0002955456390000101
为实现对滚动轴承不同故障位置及不同故障程度的智能识别，建立CNN-ISVM模型。以启发的方式设置CNN模型的超参数，采用ReLU函数作为激活函数，减少过拟合现象；为了控制网络的学习率，使用Adam优化算法更新网络参数，学习率设置为0.001；在全连接层引入Dropout正则化方法，避免过度拟合训练数据，速率为0.5；CNN模型超参数设置如表3所示。经实验验证，ISVM采用线性核函数，惩罚系数C＝1可获得最佳的实验效果。为减少随机初始化训练参数及实验不确定因素对滚动轴承故障诊断结果的影响，每组实验重复验证5次取均值。实验环境硬件配置CPU：Intel Xeon E5-2620 v4；内存：64GB；GPU：NVIDIAGTX1080Ti。
表3 CNN网络超参数设置
Figure BDA0002955456390000102
对目标域训练数据集10种故障类型数据进行设置，以模拟在线学习过程中新增故障类型数据的情况，具体设置如表4所示。
表4新增故障类型数据设置
Figure BDA0002955456390000103
Figure BDA0002955456390000111
任务1、任务7和任务12分别代表表2中1种、2种和3种负载种类组成的目标域训练数据集，每种负载下初始选择5种故障类型共计1000个样本，逐次新增一种故障类型样本，新增故障类型样本为200个，直到包含10种故障类型数据，实验结果如图5所示。
由图5可知，横轴为不同任务下新增故障类型种类，纵轴为所提方法的测试准确率。所提方法能在保留现有故障类型知识的基础上，对新增故障类型进行学习，更新目标域模型，随着目标域模型学习到的故障类型知识越来越全面，准确率逐步提升，最终得到具有较高准确率的故障诊断模型，其他任务也可得到类似实验结果。
为验证本发明所提CNN-ISVM方法具有处理在线新增数据的能力，将目标域训练数据集作为在线数据进行处理。在线数据分批的输入到模型中进行训练，模拟在线学习过程中新增数据样本的情况。以任务1为例进行说明，其余任务设置同理。目标域训练集总量为包含10种故障状态的2000样本，将其按照不同比例划分为4组在线数据集，以模拟在线数据增加过程。第1组在线数据集样本量为总量的10％，即200个样本；第2组在线数据集样本量为总量的30％，即从200个样本增加至600个样本，其余组别以此类推。递增的4组在线数据集分别作为CNN-ISVM的输入进行实验。模拟在线数据集的具体设置如表5所示，实验结果见图6至图8。
表5任务1在线数据集设置
Figure BDA0002955456390000112
任务1是以2hp作为源域，1hp作为目标域的在线迁移变负载下故障诊断实验，采用2hp的2000个样本构建预训练模型，利用1hp设定的在线数据集进行更新目标域模型，最终完成在线迁移的变负载下故障诊断。图6较为直观的反映了随在线数据集百分比的增加，所提方法实验准确率不断上升的过程。在线数据集由10％增加到100％，任务1的实验准确率从97.17％逐渐增加到98.67％并趋于平稳，说明随着在线数据获取增多，模型学习到的故障特征更为充分，准确率有所增加。且任务1的实验准确率未出现较大的波动，说明所提方法具有较好的稳定性。同理，其他任务也可得到类似结论。
图7表示不同百分比在线数据集更新模型时间，由图7任务1可知，在线数据集百分比由30％增加至60％时，更新ISVM只需1.83s而不需重新训练模型，在保证较高准确率的前提下，节约时间成本，提高故障诊断的效率。同理，其他任务也可得到类似结论。
图8表示随在线数据集百分比增加，学习到的SV数量不断增加的过程。结合图6至图8可知，随着在线数据的获取逐渐增多，ISVM学习到的滚动轴承知识更为全面，构造ISVM所需的SV不断增加，模型更新更复杂，所需时间略有增加，同时准确率也趋于平稳，因此所提方法可有效实现变负载下滚动轴承在线故障诊断，准确率高且具有较好的稳定性。
为进一步验证CNN-ISVM算法的有效性，本发明引用精确率[24]和召回率[25]对所提方法进行评价。由于篇幅有限，本发明仅以表2中任务6的实验结果计算如表6所示。
表6 CNN-ISVM模型诊断结果评价
Figure BDA0002955456390000121
从表6中可知，CNN-ISVM模型在故障识别精确率和召回率均为99.83％，充分说明本发明所提出的CNN-ISVM方法具有较好的性能。为了更清楚直观的展示所提方法对故障误判的细节情况，本发明使用多分类混淆矩阵[26]对表6诊断结果进行量化分析，混淆矩阵比较全面的反映了滚动轴承在不同故障等级下的诊断正确率和误判数量，以及真实故障类型被误判为何种类型等信息，混淆矩阵如图9所示。
在图9中，横坐标代表故障状态的预测类别，轴纵坐标代表故障状态的真实标签。每1类故障的测试集样本数为60个，共10类工作状态。主对角线上的数字代表本发明所提算法对每一类故障状态正确诊断的样本个数。从图9中明显可见，在测试集上的600个样本中只有1个样本被预测错误，被错判样本的真实标签为故障类型IR07，而预测类别为故障IR14，均为内圈故障。除此之外其他类型故障的诊断准确率均为100％。
引入流形学习中的t-SNE[27]维数约简算法对图9混淆矩阵结果进行特征可视化。特征可视化如图10所示，可见除IR14的样本含有部分异类外其余样本均聚拢在相应的区域，与图9的结果相符，最终测试集上的整体识别率为99.83％，其他任务也可获得类似的实验结果。经实验验证，本发明CNN-ISVM算法对滚动轴承故障具有优越的识别能力和较高的诊断准确率。
具体实施例二
为更好验证本发明方法的效率，比较了三种方法的时间消耗及准确率，其中在线数据集的设定与表5一致，实验结果如表7所示。
表7三种方法时间消耗及准确率对比
Figure BDA0002955456390000131
实验中方法1和方法2采用离线的训练方式，即每次重新训练模型来处理新增在线数据；方法3为在线训练方式，只需对新增在线数据部分进行更新模型。方法1为CNN与Softmax组合进行反向传播优化训练CNN模型；方法2是将方法1训练好的CNN模型对故障数据进行特征提取后，再输入SVM进行故障分类；方法3为本发明提出的CNN-ISVM滚动轴承多状态识别方法。在准确率方面，本发明方法即方法3诊断准确率均高于方法1和方法2，说明CNN提取深层特征能力与ISVM在多分类功能的优越性相结合，起到较好的效果；在时间方面，方法2和3虽然在CNN的基础上使用SVM和ISVM进行分类，但是在建立模型所需时间上较方法1并未过多增加，但是本发明方法即方法3能在保留已学到的知识基础上继续处理新的样本，通过在线获取的新增样本对ISVM的知识更新和修正，并不需要重新建立模型来处理新增在线数据。由表7训练时间结果对比可知，在线数据集百分比由10％增加至100％时，方法1和方法2的总训练时间消耗各为916.46s和931.78s，而本发明方法只需177.43s，大约是方法2和方法3总时间的20％，极大减少模型训练时间，证明本发明所提方法具有较高的建模效率。
为更好验证所提方法的泛化能力，使用表2中全部实验数据集进行验证。通过对多组实验分析得出，方法1和方法2的平均测试准确率是94.53％、97.79％，方法3的平均测试准确率为98.33％，较方法1和方法2均有提升。说明在更加复杂变负载的条件下，训练集与测试集的数据结构与分布存在较大的差异，CNN-ISVM模型能很好地适应数据分布的变化，模型的泛化性很好。进一步说明所提方法能在保证较高准确率的前提下，节约时间成本，提高故障诊断的效率。
具体实施例三
为进一步证明本发明方法在变负载下滚动轴承在线故障诊断问题上具有明显的优势，选择ISVM、OS-ELM[28]及文献[29]所提在线学习方法进行对比实验研究。其中，ISVM和OS-ELM方法采用文献[30]的特征提取方法，提取10种时域特征和4种频域特征，再将提取的特征输入诊断算法完成故障诊断。实验过程中使用相同的源域及目标域数据集，时间对比结果如表8所示，准确率对比结果如图11所示。
表8与其他方法时间对比
Figure BDA0002955456390000141
由表8可知，本发明所提方法在线学习的平均时间为16.97s，约为文献[29]所提方法用时的10％，与其他对比的在线学习方法相比，用时也仅增加了约10s。由图11可以看出，在不同迁移任务的在线学习中，对变负载下滚动轴承进行状态分类时，所提方法平均准确率达到98.46％，相对于其他对比的在线学习方法准确率大幅提升。进一步说明所提方法能保证在较短的学习时间前提下，提高识别准确率，可有效解决变负载下滚动轴承在线故障诊断并具有更加优越的效果。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
本发明援引的文献如下：
[1]曲建岭,余路,袁涛,等.基于卷积神经网络的层级化智能故障诊断算法[J].控制与决策,2019,34(12):2619-2626.
[2]Wang J,Mo Z,Zhang H,et al.Ensemble Diagnosis Method based onTransfer Learning andIncremental Learning Towards Mechanical Big Data[J].Measurement,2020.155:107544-107571.
[3]Liu R N,Yang B Y,E Z,et al.Artificial Intelligence for FaultDiagnosis of Rotating Machinery:a Review,Mechanical Systems and SignalProcessing,2018,108:33-47.
[4]黄海松,魏建安,任竹鹏,等.基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断[J].振动与冲击,2020,39(10):65-74+132.
[5]Yang Y,Yu D J,Cheng J.A Roller Bearing Fault Diagnosis Methodbased on EMD Energy Entropyand ANN[J].Journal of Sound and Vibration,2006,294(1):269-277.
[6]马洪斌,佟庆彬,张亚男.优化参数的变分模态分解在滚动轴承故障诊断中的应用[J].中国机械工程,2018,29(04):390-397.
[7]Shao H,Jiang H,Lin Y,et al.A Novel Method for Intelligent FaultDiagnosis of RollingBearings Using Ensemble Deep Auto-encoders[J].MechanicalSystems and Signal Processing,2018,102:278-297.
[8]任浩,屈剑锋,柴毅,等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策,2017,32(08):1345-1358.
[9]V D,F A,D E L,et al.Deep Learning Enabled Fault Diagnosis UsingTime-frequency ImageAnalysis of Rolling Element Bearings[J].Shock andVibration,2017,2017:1-17.
[10]Zhang W,Zhang F,Chen W,et al.Fault State Recognition of RollingBearing based FullyConvolutional Network[J].Computing in Science&Engineering,2018,21:55-63.
[11]Wang F,Jiang H,Shao H,et al.An Adaptive Deep Convolutional NeuralNetwork for RollingBearing Fault Diagnosis[J].Measurement Science andTechnology,2017,28(9):095005.
[12]Zhang R,Tao H Y,Wu L F,et al.Transfer Learning with NeuralNetworks for Bearing FaultDiagnosis in Changing Working Conditions[J].IEEEAccess,2017,5:14347-14357.
[13]陈超,沈飞,严如强.改进LSSVM迁移学习方法的轴承故障诊断[J].仪器仪表学报,2017,38(1):33-40.
[14]雷亚国,杨彬,杜兆钧,等.大数据下机械装备故障的深度迁移诊断方法[J].机械工程学报,2019,55(7):1-8.
[15]Wang J,Mo Z,Zhang H,et al.A Deep Learning Method for BearingFault Diagnosis Based onTime-Frequency Image[J].IEEE Access,2019,7:42373-42383.
[16]Li X,Jiang H,Zhao K,et al.A Deep Transfer Nonnegativity-Constraint Sparse Autoencoderfor Rolling Bearing Fault Diagnosis With FewLabeled Data[J].IEEE Access,2019,7:91216-91224.
[17]Wu Q Y,Wu H R,Zhou X M,et al.Online Transfer Learning withMultiple Homogeneous orHeterogeneous Sources[J].Transactions on Knowledge andData Engineering,2017,29(7):1494-1507.
[18]Wang D,V R,E N,et al.Online Non-negative Convolutive PatternLearning for Speech Signals[J].Transactions on Signal Processing,2013,61(1):44-56.
[19]Chen Y,Xiong J,Xu W,et al.A Novel Online Incremental andDecremental Learning Algorithmbased on Variable Support Vector Machine[J].Cluster Computing,2018,8:1-11.
[20]朱茂桃,吴新佳,郑国峰,等.基于短时傅里叶变换的汽车零部件耐久性载荷信号编辑方法[J].机械工程学报,2019,55(04):126-134.
[21]C G,P T.Incremental and Decremental Support Vector MachineLearning[C].InternationalConference on Neural Information Processing Systems,Denver,2000:409-415.
[22]宫文峰,陈辉,张美玲,等.基于深度学习的电机轴承微小故障智能诊断方法[J].仪器仪表学报,2020,41(01):195-205.
[23]Loparo K A,Bearings Vibration Data Set[EB/OL].Cleveland,Ohio,USA:The Case Western ReserveUniversity Bearing Data Center,2011[2019-12-14].
[24]Shao H,Jiang H,Lin Y,et al.A Novel Method for Intelligent FaultDiagnosis of RollingBearings Using Ensemble Deep Auto-encoders[J].MechanicalSystems and Signal Processing,2018,102:278-297.
[25]M D M,Lin Q,A J,et al.Training Object Detection and RecognitionCNN Models Using DataAugmentation[J].Electronic Imaging,2017,2017(10):27-36.
[26]刘小峰,舒仁杰,柏林,等.一种新的稀疏分类融合方法及其在机车轴承故障诊断中的应用[J].中国电机工程学报,2020,40(17):5675-5682.
[27]H G E.Visualizing High-dimensional Data Using tSNE[J].VigiliaeChristianae,2008,9(2):2579-2605.
[28]Liang N,Huang G,Saratchandran P,et al.A Fast and Accurate OnlineSequential LearningAlgorithm for Feedforward Networks[J].IEEE Transactions onNeural Networks,2006,17(06):1411-1423.
[29]Liang N,Huang G,Saratchandran P,et al.A Fast and Accurate OnlineSequential LearningAlgorithm for Feedforward Networks[J].IEEE Transactions onNeural Networks,2006,17(06):1411-1423.
[30]Xia M,Li T,Xu L,et al.Fault Diagnosis for Rotating MachineryUsing Multiple Sensors andConvolutional Neural Networks[J].IEEE/ASMETransactions on Mechatronics,2018,23(01):101-110.

Claims (7)

1.一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，包括以下步骤：
步骤一、获取负载A下离线状态滚动轴承时域振动信号作为源域数据，负载B下在线状态滚动轴承时域振动信号作为目标域数据；其中，所述目标域数据包括在线训练数据和待诊断数据；所述源域数据和所述在线训练数据携带标签；
步骤二、对所述源域数据和所述目标域数据进行预处理；
步骤三、将预处理后的源域数据输入到网络中进行离线训练，获得源域CNN-ISVM模型，并保存源域CNN-ISVM模型网络参数；
步骤四、将源域CNN-ISVM模型网络参数迁移至目标域，作为初始网络参数，获得目标域CNN模型；
步骤五、将预处理后的在线训练数据输入到目标域CNN模型网络中进行在线训练，获得目标域CNN-ISVM模型；在线训练过程包括：
步骤五一、将所述在线训练数据分为N组；
步骤五二、利用所述目标域CNN模型对一组在线训练数据进行特征提取，将提取到的特征向量输入ISVM分类器，获得该组在线训练数据的分类预测值；
步骤五三、将所述分类预测值与对应标签进行比对，判断所述特征向量是否符合KKT条件，若符合则获得该组在线训练数据对应的目标域CNN-ISVM模型；
步骤五四、若所述特征向量不符合KKT条件，则通过构造满足所述特征向量和SV集合的新分类超平面，从而对ISVM分类器进行更新，获得该组在线训练数据对应的目标域CNN-ISVM模型；
步骤五五、对其余组在线训练数据重复步骤五二至步骤五四，直至分类预测准确率趋于平稳，获取最终的目标域CNN-ISVM模型；
步骤六、将待诊断数据输入所述目标域CNN-ISVM模型，获得滚动轴承在线故障诊断结果。
2.根据权利要求1所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，步骤一中所述负载A和所述负载B不相同，且均包含一种或以上负载类型。
3.根据权利要求2所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，每种负载类型包含正常状态及内圈故障、外圈故障、滚动体故障的3种故障损伤程度。
4.根据权利要求1所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，步骤二中所述预处理包括对所述源域数据和所述目标域数据作短时傅里叶变换，获得二维频谱数据。
5.根据权利要求1所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，步骤三的具体步骤包括：
步骤三一、初始化源域CNN模型网络参数；
步骤三二、接收来自输入层的源域数据，利用由多个依次循环堆叠的卷积层和池化层组成的特征提取层对源域数据进行层级式特征提取，获得多个特征矢量；
步骤三二、利用全连接层将所述多个特征矢量首尾连接组成一维向量，获得源域CNN模型；
步骤三三、利用分类输出层接收所述一维向量，训练ISVM分类器，获得源域CNN-ISVM模型。
6.根据权利要求5所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，步骤三二中所述全连接层包括全连接层1和全连接层2，并通过Softmax回归函数进行误差反向传播最小化损失函数J(θ)，完成所述一维向量的获取；其中，全连接层2用于对特征向量进一步降维；θ为训练模型参数集，用于最小化当前代价函数。
7.根据权利要求1所述的一种迁移学习的变负载下滚动轴承在线故障诊断方法，其特征在于，步骤五四中所述新分类超平面的表达式为：
Figure FDA0003527425240000021
其中，αi表示拉格朗日系数；xi表示样本特征向量；x表示变量；yi表示标签；b表示超平面的截距；n表示特征样本个数；K表示核函数运算。
CN202110222369.7A 2021-02-28 2021-02-28 一种迁移学习的变负载下滚动轴承在线故障诊断方法 Active CN112964469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110222369.7A CN112964469B (zh) 2021-02-28 2021-02-28 一种迁移学习的变负载下滚动轴承在线故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110222369.7A CN112964469B (zh) 2021-02-28 2021-02-28 一种迁移学习的变负载下滚动轴承在线故障诊断方法

Publications (2)

Publication Number Publication Date
CN112964469A CN112964469A (zh) 2021-06-15
CN112964469B true CN112964469B (zh) 2022-05-27

Family

ID=76275930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110222369.7A Active CN112964469B (zh) 2021-02-28 2021-02-28 一种迁移学习的变负载下滚动轴承在线故障诊断方法

Country Status (1)

Country Link
CN (1) CN112964469B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469230B (zh) * 2021-06-17 2023-07-07 北京信息科技大学 一种转子系统深度迁移故障诊断方法、系统及介质
TWI794907B (zh) * 2021-07-26 2023-03-01 友達光電股份有限公司 用於系統管理之故障預測與健康管理系統與相關方法
CN113865682B (zh) * 2021-09-29 2023-11-21 深圳市汉德网络科技有限公司 货车轮胎载重确定方法、装置及存储介质
CN116206154B (zh) * 2023-02-17 2024-02-13 北京科技大学 一种非常见工况下的污水处理过程的故障分类方法
CN115965627B (zh) * 2023-03-16 2023-06-09 中铁电气化局集团有限公司 一种应用于铁路运营的微小部件检测系统及方法
CN116864343A (zh) * 2023-07-25 2023-10-10 江苏双汇电力发展股份有限公司 一种一体化下三工位开关及其智能化监测方法
CN116894190B (zh) * 2023-09-11 2023-11-28 江西南昌济生制药有限责任公司 轴承故障诊断方法、装置、电子设备和存储介质
CN117330315B (zh) * 2023-12-01 2024-02-23 智能制造龙城实验室 一种基于在线迁移学习的旋转机械故障监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001253522A1 (en) * 2000-04-13 2002-01-17 Accenture Global Services Limited Method for a health care solution framework
WO2017199658A1 (ja) * 2016-05-19 2017-11-23 株式会社ニコン 基板支持装置、露光装置、および、パターニング装置
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5352201A (en) * 2000-04-13 2001-10-30 Accenture Llp Method for a health care solution framework
CN102081597A (zh) * 2009-12-01 2011-06-01 鸿富锦精密工业（深圳）有限公司 失效分析报告生成系统及方法
US8402543B1 (en) * 2011-03-25 2013-03-19 Narus, Inc. Machine learning based botnet detection with dynamic adaptation
CN108414226B (zh) * 2017-12-25 2019-07-19 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN108376264A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种基于支持向量机增量学习的冷水机组故障诊断方法
CN108344574B (zh) * 2018-04-28 2019-09-10 湖南科技大学 一种基于深度联合适配网络的风电机组轴承故障诊断方法
WO2019241022A1 (en) * 2018-06-13 2019-12-19 Nvidia Corporation Path detection for autonomous machines using deep neural networks
CN110162018B (zh) * 2019-05-31 2020-11-24 天津开发区精诺瀚海数据科技有限公司 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
CN110210974A (zh) * 2019-05-31 2019-09-06 三峡大学 一种基于粒子群优化增量支持向量机的内幕交易辨别方法
CN110849627B (zh) * 2019-11-27 2021-11-16 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
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001253522A1 (en) * 2000-04-13 2002-01-17 Accenture Global Services Limited Method for a health care solution framework
WO2017199658A1 (ja) * 2016-05-19 2017-11-23 株式会社ニコン 基板支持装置、露光装置、および、パターニング装置
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111721536A (zh) * 2020-07-20 2020-09-29 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN112964469A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112964469B (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
Zhao et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains
CN111721536B (zh) 一种改进模型迁移策略的滚动轴承故障诊断方法
Zhao et al. A visual long-short-term memory based integrated CNN model for fabric defect image classification
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
Tang et al. A novel adaptive convolutional neural network for fault diagnosis of hydraulic piston pump with acoustic images
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
Wang et al. Temporal convolutional network with soft thresholding and attention mechanism for machinery prognostics
Zhao et al. Deep multi-scale adversarial network with attention: A novel domain adaptation method for intelligent fault diagnosis
Su et al. A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity
CN113988126B (zh) 一种基于少标签数据特征迁移的滚动轴承故障诊断方法
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
Guo et al. Deep convolution feature learning for health indicator construction of bearings
Pu et al. A one-class generative adversarial detection framework for multifunctional fault diagnoses
Plakias et al. A novel information processing method based on an ensemble of Auto-Encoders for unsupervised fault detection
CN115659174A (zh) 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备
CN113177577A (zh) 一种基于改进卷积神经网络的轴承故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
Wang et al. Bearing fault diagnosis algorithm based on granular computing
Wang et al. Transferred parallel convolutional neural network for large imbalanced plankton database classification
Huang et al. Intelligent Fault Identification for Industrial Internet of Things via Prototype Guided Partial Domain Adaptation with Momentum Weight
CN117154256A (zh) 锂电池的电化学修复方法
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法

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