CN113032917A - 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 - Google Patents

一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 Download PDF

Info

Publication number
CN113032917A
CN113032917A CN202110236892.5A CN202110236892A CN113032917A CN 113032917 A CN113032917 A CN 113032917A CN 202110236892 A CN202110236892 A CN 202110236892A CN 113032917 A CN113032917 A CN 113032917A
Authority
CN
China
Prior art keywords
layer
convolution
neural network
data
network
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.)
Withdrawn
Application number
CN202110236892.5A
Other languages
English (en)
Inventor
杨富超
徐岳
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN202110236892.5A priority Critical patent/CN113032917A/zh
Publication of CN113032917A publication Critical patent/CN113032917A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，本方法设计计算机视觉领域，主要解决工业生产中故障轴承数据量少，故障样本不平衡，成功检测率低的问题。应用生成对抗网络提高样本容量，在通过卷积循环神经网络训练样本，以达到对轴承故障的分类，提高检测准确率。

Description

一种基于生成对抗及卷积循环神经网络的机电轴承故障检测 方法及应用系统
技术领域
本发明属于轴承故障检测领域，具体涉及一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统。
背景技术
我的机电设备行业蓬勃发展，机电设备的关键核心部件轴承严重影响着机电设备的使用，对机电轴承故障及时的检测能够大大提高机电设备的使用寿命，但目前对机电轴承的检测大多数还停留在人工检测或一般的智能检测，检测效率较低，极大影响了机电行业的生产效率。
随着卷积神经网络的不断发展，卷积神经网络在物体的识别与检测方向产生了很好的效果，循环神经网络对处理具有序列特性的数据非常有效,它能挖掘数据中的时序信息。优良的卷积神经网络和循环神经网络需要大量的数据进行训练，但实际生产中缺少轴承故障数据，应用生成对抗神经网络可以使不平衡的样本趋向平衡，进而使用平衡数据集训练卷积神经网络与循环神经网络相结合的网络结构，从而提高预测是准确率，提升模型泛化性，减少训练所需要的时间。
发明内容
针对以上问题，本发明提供了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统。本方法将生成对抗神经网络、卷积神经网络、循环神经网络相结合，从而能够准确检测机电设备轴承的故障。
本发明是这样实现的，本发明提供了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，第一步是通过加速度传感器采集轴承数据，对数据集进行清洗、分类，第二步是通过生成对抗神经网络数据使不平衡的数据集趋于平衡，第三步是构建卷积循环神经网络，第四步是对构建的卷积循环神经网络进行训练，第五步是对训练好的卷积循环神经网络进行测试，输出是否存在故障以及故障种类。
（一）数据准备阶段:通过加速度传感器对轴承加速度进行实时采集，对采集的数据进行清洗、分类，并且按照9:1比例划分成训练样本、测试样本；
（二）生成对抗神经网络数据增强阶段：利用深层卷积神经网络提取不平衡样本特征，构建DCGAN的生成器和判别器，应用DCGAN产生足量故障数据。
（三）卷积循环神经网络构建阶段：该模型包括两个部分：第一个部分为卷积神经网络CNN，第二部分分为双向长短期记忆网络BiLSTM；
（四）网络训练阶段：使用经过加强的数据集对卷积循环神经网络进行训练。
（五）、网络测试阶段：使用训练好的卷积神经网络对测试数据进行测试，检测是否存在轴承故障，以及故障种类，最终将结果反馈给用户。
步骤（一）中，数据准备阶段按以下步骤：
a、通过将加速度传感器安装在轴承端，通过传感器对轴承数据进行采集、清洗，将处理过的数据按照K-means算法进行故障分类；
b、将分类好的数据，按照9:1比例划分成训练样本、测试样本，每组样本100条数据，每条数据包含1024个点,使用one-hot编码技术对样本数据进行标签化处理。
步骤（二）中，生成对抗神经网络数据增强阶段按以下步骤：
a、使用不平衡数据训练深层卷积神经网络，将提取到的不平衡样本参数添加到生成对抗网络生成器的训练损失函数中；
b、生成对抗网络的损失函数：
Figure 544427DEST_PATH_IMAGE001
其中V（D，G）表示真实样本与生成样本的差异程度，G表示生成器，D代表判别器，D（x）表示对真实的样本进行判别，G（z）表示生成的样本；
c、构建DCGAN，生成器包含四层：第一层是一个卷积层（卷积核大小3
Figure 742190DEST_PATH_IMAGE002
1，卷积核数 量32，步长1，填充方式same），第二层是一个卷积层（卷积核大小3
Figure 289846DEST_PATH_IMAGE002
1，卷积核数量32，步长1， 填充方式same），第三层是一个卷积层（卷积核大小3
Figure 256665DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式 same），第四层是一个卷积层（卷积核大小3
Figure 497153DEST_PATH_IMAGE002
1，卷积核数量1，步长1，填充方式same）；
d、判别器包含五层：第一层是一个卷积层（卷积核大小3
Figure 916633DEST_PATH_IMAGE002
1，卷积核数量32，步长1， 填充方式same），第二层是一个卷积层（卷积核大小3
Figure 267980DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式 same），第三层是一个卷积层（卷积核大小3
Figure 823726DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式same）,第四 层是一个全连接层128
Figure 235116DEST_PATH_IMAGE002
1），第五层是一个全连接层（1
Figure 407471DEST_PATH_IMAGE002
1）；
e、在生成器和判别器的所有卷积层后进行归一化操作，加快网络的训练和收敛的速度，控制梯度爆炸防止梯度消失，防止过拟合。
f、生成器使用的激活函数为：
ReLU：
Figure 296930DEST_PATH_IMAGE003
生成器输出层使用激活函数为：
tanh：
Figure 238341DEST_PATH_IMAGE004
判别器中使用的激活函数为：
Figure 820632DEST_PATH_IMAGE005
g、通过生成对抗网络产生的数据将步骤（一）所得到的样本补充到每组样本256条数据。
步骤（三）中，卷积循环神经网络构建阶段按以下步骤：
a、卷积循环神经网络包含三层，分别为卷积神经网络CNN与循环神经网络的双向长短期记忆网络BiLSTM以及最后输出层；
b、卷积神经网络的构建：第一层是一个卷积层（卷积核大小8
Figure 202986DEST_PATH_IMAGE002
1，卷积核数量16，步 长2，填充方式same），第二层是一个最大池化层（大小2
Figure 896135DEST_PATH_IMAGE002
1，步长2），第三层是一个卷积层（卷 积核大小8
Figure 426474DEST_PATH_IMAGE002
1，卷积核数量32，步长2，填充方式same），第四层是一个最大池化层（大小2
Figure 179666DEST_PATH_IMAGE002
1， 步长2），第五层是一个全连接层（1024
Figure 795455DEST_PATH_IMAGE002
1）；
c、卷积层和全连接层的采用的激活函数为：
ReLU：
Figure 292296DEST_PATH_IMAGE003
d、双向长短期记忆网络BiLSTM的构建，神经元数128；
e、双向长短期记忆网络采用的激活函数为：
tanh：
Figure 942720DEST_PATH_IMAGE004
f、最后输出层采用的激活函数为：
softmax：
Figure 601234DEST_PATH_IMAGE006
步骤（四）中，网络训练阶段按以下步骤：
a、损失函数选用交叉熵函数：
Figure 969899DEST_PATH_IMAGE007
Figure 4851DEST_PATH_IMAGE008
表示实际为类
Figure 775361DEST_PATH_IMAGE009
的概率,
Figure 604777DEST_PATH_IMAGE010
；
b、优化算法选用Adam：
Figure 460737DEST_PATH_IMAGE011
L(•)、f(•)分别为目标函数值和输出值，y为网络所有参数，
Figure 299380DEST_PATH_IMAGE012
为网络最优参数，
Figure 658817DEST_PATH_IMAGE013
为神经网络的输入；
c、使用步骤（二）中经过增强的训练数据集训练构建好的卷积循环神经网络，Adam算法学习率为0.001，batch-size大小为64，epoch取值50。
步骤（五）中，网络测试阶段按以下步骤：使用步骤（二）中经过增强的测试数据集测试构建好的卷积循环神经网络，通过输出层的最终结果检测轴承是否存在故障，以及存在故障的种类。
本发明与现有技术相比，具有以下优点：
1.在实际生产中缺少机电轴承故障数据，从而出现数据集样本不平衡的问题。本发明使用生成对抗神经网络来进行数据增强，解决数据样本不平衡的问题。
2.卷积神经网络在物体的识别与检测方向产生了很好的效果，本发明使用一维卷积神经网络进行操作，大大减少了训练所需要时间。
3.循环神经网络对处理具有序列特性的数据非常有效,它能挖掘数据中的时序信息，加速度传感器采集的数据也具有时间序列特性，故将卷积神经网络获取的特征输入BiLSTM，提高判断准确率。
4.本方法减少训练优良卷积循环神经网络所需要的时间，提高了判断准确率，减少训练时间，使轴承故障判断更加迅速、高效。
附图说明
图1为本发明的方法的流程图；
图2为本发明GAN网络结构示意图
图3为本发明DCGAN网络结构图
图4为本发明卷积循环神经网络结构图
图5为本发明加速度传感器采集数据图
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明；
一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统
步骤（一）中，数据准备阶段按以下步骤：
a、通过将加速度传感器安装在轴承端，通过传感器对轴承数据进行采集、清洗，将处理过的数据按照K-means算法进行故障分类；
b、将分类好的数据，按照9:1比例划分成训练样本、测试样本，每组样本100条数据，每条数据包含1024个点,使用one-hot编码技术对样本数据进行标签化处理。
c、具体的，以西储大学中轴承数据库为例，以12Khz，共有正常、外圈损伤、内圈损伤、滚动体损伤等共十种状态，共生成十组数据集。
步骤（二）中，生成对抗神经网络数据增强阶段按以下步骤：
a、使用不平衡数据训练深层卷积神经网络例如LeNet-5、VGG-16，将提取到的不平衡样本参数添加到生成对抗网络生成器的训练损失函数中；
b、生成对抗网络的损失函数：
Figure 924713DEST_PATH_IMAGE001
其中V（D，G）表示真实样本与生成样本的差异程度，G表示生成器，D代表判别器，D（x）表示对真实的样本进行判别，G（z）表示生成的样本；
c、构建DCGAN，生成器包含四层：第一层是一个卷积层（卷积核大小3
Figure 2391DEST_PATH_IMAGE002
1，卷积核数 量32，步长1，填充方式same），第二层是一个卷积层（卷积核大小3
Figure 644725DEST_PATH_IMAGE002
1，卷积核数量32，步长1， 填充方式same），第三层是一个卷积层（卷积核大小3
Figure 124248DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式 same），第四层是一个卷积层（卷积核大小3
Figure 561045DEST_PATH_IMAGE002
1，卷积核数量1，步长1，填充方式same）；
d、判别器包含五层：第一层是一个卷积层（卷积核大小3
Figure 126019DEST_PATH_IMAGE002
1，卷积核数量32，步长1， 填充方式same），第二层是一个卷积层（卷积核大小3
Figure 306464DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式 same），第三层是一个卷积层（卷积核大小3
Figure 640494DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式same）,第四 层是一个全连接层128
Figure 248193DEST_PATH_IMAGE002
1），第五层是一个全连接层（1
Figure 300462DEST_PATH_IMAGE002
1）；
e、在生成器和判别器的所有卷积层后进行归一化操作，加快网络的训练和收敛的速度，控制梯度爆炸防止梯度消失，防止过拟合。
f、生成器使用的激活函数为：
ReLU：
Figure 19020DEST_PATH_IMAGE003
生成器输出层使用激活函数为：
tanh：
Figure 473135DEST_PATH_IMAGE004
判别器中使用的激活函数为：
Figure 251735DEST_PATH_IMAGE005
g、通过生成对抗网络产生的数据将步骤（一）所得到的样本补充到每组样本256条数据。
步骤（三）中，卷积循环神经网络构建阶段按以下步骤：
a、卷积循环神经网络包含三层，分别为卷积神经网络CNN与循环神经网络的双向长短期记忆网络BiLSTM以及最后输出层；
b、卷积神经网络的构建：第一层是一个卷积层（卷积核大小8
Figure 791301DEST_PATH_IMAGE002
1，卷积核数量16，步 长2，填充方式same），第二层是一个最大池化层（大小2
Figure 313549DEST_PATH_IMAGE002
1，步长2），第三层是一个卷积层（卷 积核大小8
Figure 622170DEST_PATH_IMAGE002
1，卷积核数量32，步长2，填充方式same），第四层是一个最大池化层（大小2
Figure 571672DEST_PATH_IMAGE002
1， 步长2），第五层是一个全连接层（1024
Figure 332954DEST_PATH_IMAGE002
1）；
c、卷积层和全连接层的采用的激活函数为：
ReLU：
Figure 658894DEST_PATH_IMAGE003
d、双向长短期记忆网络BiLSTM的构建，神经元数128；
e、双向长短期记忆网络采用的激活函数为：
tanh：
Figure 822022DEST_PATH_IMAGE004
f、最后输出层采用的激活函数为：
softmax：
Figure 942424DEST_PATH_IMAGE006
Figure 456582DEST_PATH_IMAGE014
为第
Figure 320633DEST_PATH_IMAGE015
个结点的输出值，
Figure 338268DEST_PATH_IMAGE016
为输出结点个数，即分类的类别个数。
步骤（四）中，网络训练阶段按以下步骤：
a、损失函数选用交叉熵函数：
Figure 895151DEST_PATH_IMAGE007
Figure 631026DEST_PATH_IMAGE017
表示实际为类
Figure 298768DEST_PATH_IMAGE009
的概率,
Figure 170909DEST_PATH_IMAGE010
；
b、优化算法选用Adam：
Figure 898693DEST_PATH_IMAGE011
L(•)、f(•)分别为目标函数值和输出值，y为网络所有参数，
Figure 121864DEST_PATH_IMAGE012
为网络最优参数，
Figure 327718DEST_PATH_IMAGE013
为神经网络的输入；
c、前向传播过程：
Figure 319944DEST_PATH_IMAGE018
Figure 218630DEST_PATH_IMAGE019
Figure 663518DEST_PATH_IMAGE020
为某个网络层，卷积核权值为
Figure 673062DEST_PATH_IMAGE021
，偏置为
Figure 785375DEST_PATH_IMAGE022
， f(•)为激活函数，输出值为
Figure 589383DEST_PATH_IMAGE023
；
d、反向传播过程：
Figure 787146DEST_PATH_IMAGE024
Figure 334802DEST_PATH_IMAGE025
e、使用步骤（二）中经过增强的训练数据集训练构建好的卷积循环神经网络，Adam算法学习率为0.001，batch-size大小为64，epoch取值50。
f、LSTM计算过程
Figure 301621DEST_PATH_IMAGE026
Figure 276530DEST_PATH_IMAGE027
Figure 961589DEST_PATH_IMAGE028
Figure 312936DEST_PATH_IMAGE029
Figure 134262DEST_PATH_IMAGE030
Figure 545652DEST_PATH_IMAGE031
Figure 718007DEST_PATH_IMAGE032
前一刻隐层状态，
Figure 607466DEST_PATH_IMAGE033
隐层状态，
Figure 548877DEST_PATH_IMAGE034
当前时刻输入词，
Figure 865589DEST_PATH_IMAGE035
遗忘门的值，
Figure 583880DEST_PATH_IMAGE036
记忆门的 值，
Figure 277029DEST_PATH_IMAGE037
临时细胞状态，
Figure 72947DEST_PATH_IMAGE038
上一细胞状态，
Figure 826139DEST_PATH_IMAGE039
此时细胞状态，
Figure 910770DEST_PATH_IMAGE040
输出门的值，最终得到隐层状 态序列
Figure 142031DEST_PATH_IMAGE041
。
步骤（五）中，网络测试阶段按以下步骤：
使用步骤（二）中经过增强的测试数据集测试构建好的卷积循环神经网络，通过输出层的最终结果检测轴承是否存在故障，以及存在故障的种类。
需要说明的是，本发明为一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，第一步是通过加速度传感器采集轴承数据，对数据集进行清洗、分类，第二步是通过生成对抗神经网络数据使不平衡的数据集趋于平衡，第三步是构建卷积循环神经网络，第四步是对构建的卷积循环神经网络进行训练，第五步是对训练好的卷积循环神经网络进行测试，输出是否存在故障以及故障种类。
本发明创造性的将生成对抗神经网络、卷积神经网络、循环神经网络相结合判断准确率，减少训练时间，使轴承故障判断更加迅速、高效。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明的精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都要落入要求保护的本发明范围内。本发明要求保护范围由所附属的权利要求书及其等效物界定。

Claims (6)

1.一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，用于对轴承故障进行智能化筛选，其特征是按以下步骤进行：
（一）、数据准备阶段:通过加速度传感器对轴承加速度进行实时采集，对采集的数据进行清洗、分类，并且按照9:1比例划分成训练样本、测试样本；
（二）、生成对抗神经网络数据增强阶段：利用深层卷积神经网络提取不平衡样本特征，构建DCGAN的生成器和判别器，应用DCGAN产生足量故障数据；
（三）、卷积循环神经网络构建阶段：该模型包括两个部分：第一个部分为卷积神经网络CNN，第二部分分为双向长短期记忆网络BiLSTM；
（四）、网络训练阶段：使用经过加强的数据集对卷积循环神经网络进行训练；
（五）、网络测试阶段：使用训练好的卷积神经网络对测试数据进行测试，检测是否存在轴承故障，以及故障种类，最终将结果反馈给用户。
2.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（一）中，数据准备阶段：
a、通过将加速度传感器安装在轴承端，通过传感器对轴承数据进行采集、清洗，将处理过的数据按照K-means算法进行故障分类；
b、将分类好的数据，按照9:1比例划分成训练样本、测试样本，每组样本100条数据，每条数据包含1024个点,使用one-hot编码技术对样本数据进行标签化处理。
3.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（二）中，生成对抗神经网络数据增强阶段：
a、使用不平衡数据训练深层卷积神经网络，将提取到的不平衡样本参数添加到生成对抗网络生成器的训练损失函数中；
b、生成对抗网络的损失函数：
Figure 536995DEST_PATH_IMAGE001
其中V（D，G）表示真实样本与生成样本的差异程度，G表示生成器，D代表判别器，D（x）表示对真实的样本进行判别，G（z）表示生成的样本；
c、构建DCGAN，生成器包含四层：第一层是一个卷积层（卷积核大小3
Figure 920703DEST_PATH_IMAGE002
1，卷积核数量32， 步长1，填充方式same），第二层是一个卷积层（卷积核大小3
Figure 254733DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充 方式same），第三层是一个卷积层（卷积核大小3
Figure 659169DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式same）， 第四层是一个卷积层（卷积核大小3
Figure 711439DEST_PATH_IMAGE002
1，卷积核数量1，步长1，填充方式same）；
d、判别器包含五层：第一层是一个卷积层（卷积核大小3
Figure 695575DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充 方式same），第二层是一个卷积层（卷积核大小3
Figure 884111DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式same）， 第三层是一个卷积层（卷积核大小3
Figure 662711DEST_PATH_IMAGE002
1，卷积核数量32，步长1，填充方式same）,第四层是一 个全连接层128
Figure 202277DEST_PATH_IMAGE002
1），第五层是一个全连接层（1
Figure 724525DEST_PATH_IMAGE002
1）；
e、在生成器和判别器的所有卷积层后进行归一化操作，加快网络的训练和收敛的速度，控制梯度爆炸防止梯度消失，防止过拟合；
f、生成器使用的激活函数为：
ReLU：
Figure 33147DEST_PATH_IMAGE003
生成器输出层使用激活函数为：
tanh：
Figure 982648DEST_PATH_IMAGE004
判别器中使用的激活函数为：
Figure 9510DEST_PATH_IMAGE005
g、通过生成对抗网络产生的数据将步骤（一）所得到的样本补充到每组样本256条数据。
4.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（三）中，卷积循环神经网络构建阶段按以下步骤：
a、卷积循环神经网络包含三层，分别为卷积神经网络CNN与循环神经网络的双向长短期记忆网络BiLSTM以及最后输出层；
b、卷积神经网络的构建：第一层是一个卷积层（卷积核大小8
Figure 69870DEST_PATH_IMAGE002
1，卷积核数量16，步长2， 填充方式same），第二层是一个最大池化层（大小2
Figure 232998DEST_PATH_IMAGE002
1，步长2），第三层是一个卷积层（卷积核 大小8
Figure 618980DEST_PATH_IMAGE002
1，卷积核数量32，步长2，填充方式same），第四层是一个最大池化层（大小2
Figure 867559DEST_PATH_IMAGE002
1，步长 2），第五层是一个全连接层（1024
Figure 466030DEST_PATH_IMAGE002
1）；
c、卷积层和全连接层的采用的激活函数为：
ReLU：
Figure 749244DEST_PATH_IMAGE003
d、双向长短期记忆网络BiLSTM的构建，神经元数128；
e、双向长短期记忆网络采用的激活函数为：
tanh：
Figure 40548DEST_PATH_IMAGE004
f、最后输出层采用的激活函数为：
softmax：
Figure 776423DEST_PATH_IMAGE006
Figure 444165DEST_PATH_IMAGE007
为第
Figure 581885DEST_PATH_IMAGE008
个结点的输出值，
Figure 44090DEST_PATH_IMAGE009
为输出结点个数，即分类的类别个数。
5.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（四）中，网络训练阶段按以下步骤：
a、损失函数选用交叉熵函数：
Figure 532841DEST_PATH_IMAGE010
Figure 738694DEST_PATH_IMAGE011
表示实际为类
Figure 730921DEST_PATH_IMAGE012
的概率,
Figure 364027DEST_PATH_IMAGE013
；
b、优化算法选用Adam：
Figure 74494DEST_PATH_IMAGE014
L(•)、f(•)分别为目标函数值和输出值，y为网络所有参数，
Figure 818460DEST_PATH_IMAGE015
为网络最优参数，
Figure 930772DEST_PATH_IMAGE016
为神 经网络的输入；
c、使用步骤（二）中经过增强的训练数据集训练构建好的卷积循环神经网络，Adam算法学习率为0.001，batch-size大小为64，epoch取值50。
6.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（五）中，网络测试阶段按以下步骤：使用步骤（二）中经过增强的测试数据集测试构建好的卷积循环神经网络，通过输出层的最终结果检测轴承是否存在故障，以及存在故障的种类。
CN202110236892.5A 2021-03-03 2021-03-03 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 Withdrawn CN113032917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110236892.5A CN113032917A (zh) 2021-03-03 2021-03-03 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110236892.5A CN113032917A (zh) 2021-03-03 2021-03-03 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统

Publications (1)

Publication Number Publication Date
CN113032917A true CN113032917A (zh) 2021-06-25

Family

ID=76466423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110236892.5A Withdrawn CN113032917A (zh) 2021-03-03 2021-03-03 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统

Country Status (1)

Country Link
CN (1) CN113032917A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485863A (zh) * 2021-07-14 2021-10-08 北京航空航天大学 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113899393A (zh) * 2021-11-29 2022-01-07 武汉飞恩微电子有限公司 基于神经网络的mems传感器的检测方法、装置、设备及介质
CN114992138A (zh) * 2022-06-13 2022-09-02 湘潭大学 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法
CN117932347A (zh) * 2024-03-22 2024-04-26 四川大学 基于对抗性迁移学习的小样本时序预测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180018031A (ko) * 2016-08-12 2018-02-21 한국전자통신연구원 주의집중 기반 문맥 종속 음향 모델을 이용한 음성 인식 장치 및 방법
CN110321947A (zh) * 2019-06-27 2019-10-11 和远智能科技股份有限公司 一种基于卷积神经网络的用电异常预判方法
CN110956112A (zh) * 2019-11-25 2020-04-03 南京工业大学 一种新的高可靠性回转支承寿命评估方法
CN111006865A (zh) * 2019-11-15 2020-04-14 上海电机学院 一种电机轴承故障诊断方法
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN112328588A (zh) * 2020-11-27 2021-02-05 哈尔滨工程大学 一种工业故障诊断非平衡时序数据扩充方法
CN112381248A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于深度特征聚类和lstm的配电网故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180018031A (ko) * 2016-08-12 2018-02-21 한국전자통신연구원 주의집중 기반 문맥 종속 음향 모델을 이용한 음성 인식 장치 및 방법
CN110321947A (zh) * 2019-06-27 2019-10-11 和远智能科技股份有限公司 一种基于卷积神经网络的用电异常预判方法
CN111006865A (zh) * 2019-11-15 2020-04-14 上海电机学院 一种电机轴承故障诊断方法
CN110956112A (zh) * 2019-11-25 2020-04-03 南京工业大学 一种新的高可靠性回转支承寿命评估方法
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN112328588A (zh) * 2020-11-27 2021-02-05 哈尔滨工程大学 一种工业故障诊断非平衡时序数据扩充方法
CN112381248A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于深度特征聚类和lstm的配电网故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余萍等: "深度学习在故障诊断与预测中的应用", 《计算机工程与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485863A (zh) * 2021-07-14 2021-10-08 北京航空航天大学 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113485863B (zh) * 2021-07-14 2023-05-05 北京航空航天大学 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113899393A (zh) * 2021-11-29 2022-01-07 武汉飞恩微电子有限公司 基于神经网络的mems传感器的检测方法、装置、设备及介质
CN113899393B (zh) * 2021-11-29 2024-03-19 武汉飞恩微电子有限公司 基于神经网络的mems传感器的检测方法、装置、设备及介质
CN114992138A (zh) * 2022-06-13 2022-09-02 湘潭大学 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法
CN114992138B (zh) * 2022-06-13 2024-03-26 湘潭大学 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法
CN117932347A (zh) * 2024-03-22 2024-04-26 四川大学 基于对抗性迁移学习的小样本时序预测方法及系统

Similar Documents

Publication Publication Date Title
CN113032917A (zh) 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统
Li et al. Intelligent fault diagnosis of rolling bearings under imbalanced data conditions using attention-based deep learning method
Yin et al. Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis
CN108764072B (zh) 一种基于多尺度融合的血细胞亚型图像分类方法
WO2023044978A1 (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN104573669A (zh) 图像物体检测方法
CN113505655B (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN114295377B (zh) 一种基于遗传算法的cnn-lstm轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111046916A (zh) 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统
Shen et al. A deep multi-label learning framework for the intelligent fault diagnosis of machines
Miao et al. A novel real-time fault diagnosis method for planetary gearbox using transferable hidden layer
CN112284735B (zh) 基于一维卷积与动态路由的多传感器滚动轴承故障诊断
CN110232395A (zh) 一种基于故障中文文本的电力系统故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN112308147A (zh) 基于多源域锚适配器集成迁移的旋转机械故障诊断方法
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
Yao et al. Multiscale domain adaption models and their application in fault transfer diagnosis of planetary gearboxes
CN111832663A (zh) 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统
Yao et al. Improving rolling bearing fault diagnosis by DS evidence theory based fusion model
CN115545070A (zh) 基于综合平衡网络的类不平衡轴承智能诊断方法
Yang et al. Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210625

WW01 Invention patent application withdrawn after publication