CN113076834A - 旋转机械故障信息处理方法、处理系统、处理终端、介质 - Google Patents
旋转机械故障信息处理方法、处理系统、处理终端、介质 Download PDFInfo
- Publication number
- CN113076834A CN113076834A CN202110320215.1A CN202110320215A CN113076834A CN 113076834 A CN113076834 A CN 113076834A CN 202110320215 A CN202110320215 A CN 202110320215A CN 113076834 A CN113076834 A CN 113076834A
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- label
- sample
- feature extractor
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于旋转机械状态监测与故障诊断技术领域,公开了一种旋转机械故障信息处理方法、处理系统、处理终端、介质,构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型,通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征;利用领域分类器来缩短两种数据分布之间的差别,利用状态预测器并引入领域适配约束,形成基于深度领域自适应对抗网络的故障诊断模型,并利用所述模型实现旋转机械的故障智能诊断。本发明能够准确提取实验室模拟数据和实际工程数据中的迁移故障特征,并形成能够应用于旋转部件的故障迁移诊断模型,通过实际的案例利用,达到了理想的效果。
Description
技术领域
本发明属于旋转机械状态监测与故障诊断技术领域,尤其涉及一种旋转机械故障信息处理方法、处理系统、处理终端、介质,具体涉及一种基于深度领域自适应对抗网络的旋转机械故障信息处理方法。
背景技术
目前,旋转机械,作为大型工业设备系统中的重要组成部分之一,对整个系统的稳定运行有着至关重要的作用。它的旋转部件(如滚动轴承,齿轮箱等)经常工作在较恶劣的环境中,运行时具有较大的旋转动能,容易发生故障,降低系统的可靠性,减少系统的使用寿命甚至造成工业生产的重大损失。因此,对旋转机械进行故障诊断是十分必要的。传统的旋转机械故障诊断方法大多数是基于故障机理的时频域分析以及诊断专家的经验和专业知识,操作繁琐,难以适应目前针对海量监测数据的快速分析诊断需求。智能故障诊断方法能够直接通过监测数据提取相关特征,并据此作出高精度的诊断结果,摆脱了对专家系统的过度依赖的局面,为大数据背景下保障旋转机械的安全可靠运行提供了重要手段。
目前,旋转机械智能诊断技术均建立在有充足的可用样本以训练智能诊断模型的基础之上。然而,在实际的工程应用中,遇到了两个问题:一是机械长期运行在正常状态下,故障时间只占整个寿命周期极少的一部分,这导致健康样本和故障样本的极度不均衡;二是机械在长期运行过程中的监测数据往往不含有故障信息标签,而人工标签则通常代价高昂,这些都导致了有标签的故障数据样本的严重不足。这也客观上为数据驱动的智能故障诊断方法在实际工程上的应用提出了挑战。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的旋转机械故障诊断方法大多数是基于故障机理的时频域分析以及诊断专家的经验和专业知识,操作繁琐,难以适应目前针对海量监测数据的快速分析诊断需求。
(2)现有旋转机械智能诊断技术中,由于机械长期运行在正常状态下,故障时间只占整个寿命周期极少的一部分,导致健康样本和故障样本极度不均衡。
(3)机械在长期运行过程中的监测数据往往不含有故障信息标签,而人工标签则通常代价高昂,这些都导致了有标签的故障数据样本的严重不足,客观上为数据驱动的智能故障诊断方法在实际工程上的应用提出了挑战。
解决以上问题及缺陷的难度为:在实际的工程案例应用中,由于故障样本的匮乏,带标签数据的难以获取等问题,现有的基于数据驱动的有监督故障诊断方法在模型的训练过程中易发生由于故障数据缺少而发生的过拟合现象,导致模型在实际应用过程中的诊断精度降低,泛化性能严重不足。
解决以上问题及缺陷的意义为:在故障诊断模型中引入迁移学习机制,可以解决以上问题,将实验模拟仿真数据应用于实际应用中,从而实现在缺少可靠标签数据样本下的旋转机械故障高精度智能诊断。
发明内容
针对现有技术存在的问题,本发明提供了一种基旋转机械故障信息处理方法、处理系统、处理终端、介质,尤其涉及一种基于深度领域自适应对抗网络的针对旋转部件故障的深度迁移诊断方法。
本发明是这样实现的,一种基于深度领域自适应对抗网络的旋转机械故障信息处理方法,所述基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括:
构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型,通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征;利用领域分类器来缩短两种数据分布之间的差别,利用状态预测器并引入领域适配约束,形成基于深度领域自适应对抗网络的故障诊断模型,并利用所述模型实现旋转机械的故障智能诊断。
进一步,所述基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括以下步骤:
步骤一,分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集和实际机械对应的旋转部件的监测数据集;
步骤二,获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
步骤三,建立三个神经网络结构,分别为深度特征提取器、领域分类器和域判别器;
步骤四,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
步骤五,用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
步骤六,将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
步骤七,利用反向传播算法将所述三个损失函数进行梯度求导并优化;
步骤八,重复迭代进行步骤四-步骤七直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
步骤九,将新的实际机械的监测数据经过步骤二的数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签。
进一步,步骤二中,所述获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集,包括:
(1)对旋转部件的原始振动信号进行异常值去除。这里使用拉依达法则来去除异常值,公式如下:
(2)消除异常值后的时间序列振动信号将被切片,每个片段包含4096个振动信号采样点,并排列生成64×64大小的基于图像的信号样本;图片信号中的每个像素表示采样时间点对应的振动信号幅度。
进一步,步骤三中,所述深度特征提取器用于提取来自源域和目标域信号样本的特征,领域分类器用来分辨深度特征提取器提取到的特征是来源于哪个领域,通过引入GAN的对抗训练机制,让域判别器无法对深度特征提取器提取到的特征的来源进行有效的判别,则认为深度特征提取器提取到了两个领域的领域不变特征;
所述标签自适应预测器用于对深度特征提取器输出的领域不变特征进行进一步的领域自适应操作并给出最终的设备健康状态标签,从而预测输入信号样本的健康状态。
进一步,步骤四中,所述用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,包括:
(1)计算有标记的源域数据在标签自适应预测器上的分类误差。对于具有k种健康状况类别的数据集,第i个样本的分类误差表示为:
其中,Wy和by是用于变迁预测器线性变换的矩阵向量对,f表示由深度特征提取器生成的高级特征,F(·)代表softmax函数,I(·)是指标函数;
(2)对于一个训练批次内的所有m个训练样本,总的平均误差为:
进一步,步骤五中,所述用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数,包括:
其中,sigm表示sigmod函数;Wd和bd是用于领域分类器的线性变换矩阵向量对;di代表第i个训练样本的域标签;f表示由深度特征提取器生成的域不变特征;
对于一个训练批次内的所有m个训练样本,总的平均误差为:
进一步,步骤六中,所述将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD,包括:
采用多核变量最大均值差异MK-MMD的域分布度量,苏搜狐MK-MMD的表达式为:
其中,ns和nt分别表示来自源域和目标域的批量训练样本数和表示深度特征提取器输出的两个域的领域不变特征,而是一个具有k个特征核的再生核Hilbert空间,特征核k可以通过使用不同的核函数来提高MK-MMD的测试精度。
进一步,步骤七中,所述通过将所述三个损失函数按照一定的比例结合即可得到最终的总损失函数:
L=Ly-λLd+εDk;
其中,超参数λ和ε是一个0到1之间的小数,用来表示训练过程中对抗训练特征提取和领域自适应的强弱;
利用反向传播算法将三个损失函数进行梯度求导并优化:令θf、θy和θd分别代表深度特征提取器、标签自适应预测器和领域分类器的网络参数,则总的损失函数的优化目标为:
按照所述总的损失函数的优化目标公式,采用反向传播算法,计算三个网络优化参数θf、θy和θd的偏导数,并用梯度下降算法分别按照如下公式对参数进行更新:
其中,μ为学习率。
进一步,步骤九中,所述将新的实际机械的监测数据经过数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签,包括:
(1)通过传感器采集实际机械的在线监测数据,并将所述监测数据经过数据预处理后规整成为合适的灰度图格式的样本;
(2)将得到的样本依次输入训练好的深度特征提取器中,得到领域不变特征;
(3)将得到的领域不变特征再输入到训练好的标签自适应预测器中得到样本的预测标签,得到的预测标签即表示模型对当前设备的健康状态的预测结果。
本发明另一目的在于提供一种基于深度领域自适应对抗网络的旋转机械故障信息处理系统,包括:
监测数据集获取模块,用于分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集期和实际机械对应的旋转部件的监测数据集;
样本集获取模块,用于获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
神经网络结构构建模块,用于分别为深度特征提取器、领域分类器和域判别器;
故障诊断模块,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
深度特征提取器和域判别器的损失函数运算模块,用于用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
最大均值差异计算模块,用于将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
损失函数优化模块,用于利用反向传播算法将所述损失函数进行梯度求导并优化;
重复迭代模块,用于进行重复迭代,直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
样本预测标签获取模块,用于将新的实际机械的监测数据经过数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签。
本发明另一目的在于提供一种信息数据处理终端,所述信息数据处理终端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所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法。
本发明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深度领域自适应对抗网络的旋转机械故障信息处理方法
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:本发明提供的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,能够通过最小化信号序列相似度,准确提取实验室模拟数据和实际工程数据中的域不变特征,并通过域自适应技术和域对抗迁移技术,形成了能够应用于旋转部件的故障迁移诊断模型,通过实际的案例利用,达到了理想的效果。相比于其他的故障诊断技术方案,本分明无需复杂的装备故障机理分析和大量的人工添加数据标签的操作,能够提供端到端的故障诊断预警,从而极大的减少劳动成本,提升用户经济效益。另外,该发明采用模块化设计,可以根据实际需要修改或替换相关功能模块,方便用户针对不同对象进行优化和改进,具有重要的学术研究价值和工程应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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深度领域自适应对抗网络的旋转机械故障信息处理方法流程图。
图2是本发明实施例提供的基于深度领域自适应对抗网络的旋转机械故障信息处理方法原理图。
图3是本发明实施例提供的深度领域自适应对抗网络模型的结构示意图。
图4是本发明实施例提供的两种数据集的原始振动信号比较示意图。
图5是本发明实施例提供的领域不变特征的T-SNE分布图。图5(a)目标域健康样本、源域健康样本图;。表示目标域健康样本;●表示源域健康样本;
图5(b)目标域损伤样本、源域损伤样本图,△表示目标域损伤样本;▲表示源域损伤样本。
图6是本发明实施例提供的预测结果的混淆矩阵示意图。
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深度领域自适应对抗网络的旋转机械故障信息处理方法,下面结合附图对本发明作详细的描述。
本发明实施例提供的基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括:构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型,通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征;利用领域分类器来缩短两种数据分布之间的差别,利用状态预测器并引入领域适配约束,形成基于深度领域自适应对抗网络的故障诊断模型,并利用所述模型实现旋转机械的故障智能诊断。
如图1所示,本发明实施例提供的基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括以下步骤:
S101,分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集和实际机械对应的旋转部件的监测数据集;
S102,获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
S103,建立三个神经网络结构,分别为深度特征提取器、领域分类器和域判别器;
S104,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
S105,用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
S106,将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
S107,利用反向传播算法将所述三个损失函数进行梯度求导并优化;
S108,重复迭代进行S104-S107直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
S109,将新的实际机械的监测数据经过S102的数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签。
下面结合实施例对本发明作进一步描述。
本发明实施例提供的基于深度领域自适应对抗网络的旋转机械智能故障诊断方法,包括以下步骤:
步骤1:如图2所示,分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集期和实际机械的对应的旋转部件的监测数据集其中分别为实验室装备监测数据集中的第i个样本的监测数据及其对应的健康状况标记,为机械监测数据集中的第i个样本,n为最小批次的训练样本个数。
步骤2:如图2所示,获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集。
进一步,该步骤包括:
步骤2-1:对旋转部件的原始振动信号进行异常值去除。这里使用拉依达法则来去除异常值,公式如下:
步骤2-2:消除异常值后的时间序列振动信号将被切片,每个片段包含4096个振动信号采样点,并排列生成64×64大小的基于图像的信号样本。图片信号中的每个像素表示采样时间点对应的振动信号幅度。
步骤3:如图3所示,建立三个神经网络结构,分别为深度特征提取器,领域分类器和标签自适应预测器;
该方法借鉴了生成对抗网络(GAN)的思想来训练这些网络结构,与GAN的区别在于,GAN由生成器和判别器两个网络组成,主要的目的是用来生成图像样本,而本方法则利用其对抗训练的思想来提取源域和目标域中的领域不变特征。其中深度特征提取器用来提取来自源域和目标域信号样本的特征,领域分类器用来分辨深度特征提取器提取到的特征是来源于哪个领域,通过引入GAN的对抗训练机制,让域判别器无法对深度特征提取器提取到的特征的来源进行有效的判别,则认为深度特征提取器提取到了两个领域的领域不变特征。
标签自适应预测器的主要作用是对深度特征提取器输出的领域不变特征进行进一步的领域自适应操作并给出最终的设备健康状态标签,从而预测输入信号样本的健康状态。
三个网络结构的详细结构配置将在具体算例中给出。
步骤4:用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数。这一步的主要目的是对源域数据进行正确的故障诊断。因此,需要先计算有标记的源域数据在标签自适应预测器上的分类误差。对于具有k种健康状况类别的数据集,第i个样本的分类误差表示为:
其中,Wy和by是用于变迁预测器线性变换的矩阵向量对,f表示由深度特征提取器生成的高级特征,F(·)代表softmax函数,I(·)是指标函数。
对于一个训练批次内的所有m个训练样本,总的平均误差为:
步骤5:用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数。
其中,sigm表示sigmod函数。Wd和bd是用于领域分类器的线性变换矩阵向量对。di代表第i个训练样本的域标签。f表示由深度特征提取器生成的域不变特征。
对于一个训练批次内的所有m个训练样本,总的平均误差为:
步骤6:将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异(MMD),为了减少线性变换过程中两个域中高级特征的分布之间的差异,采用了一种称为多核变量最大均值差异(MK-MMD)的域分布度量。通过引入MK-MMD,标记预测变量可以更准确地诊断目标域中的未标记样本。MK-MMD的表达式为:
其中,ns和nt分别表示来自源域和目标域的批量训练样本数和表示深度特征提取器输出的两个域的领域不变特征,而是一个具有k个特征核的再生核Hilbert空间,特征核k可以通过使用不同的核函数来提高MK-MMD的测试精度。
步骤7.通过将上述三个损失函数按照一定的比例结合即可得到最终的总损失函数:
L=Ly-λLd+εDk (7)
其中,超参数λ和ε是一个0到1之间的小数,用来表示训练过程中对抗训练特征提取和领域自适应的强弱。
利用反向传播算法将上述三个损失函数进行梯度求导并优化。令θf、θy和θd分别代表深度特征提取器、标签自适应预测器和领域分类器的网络参数,则总的损失函数(7)的优化目标为:
步骤8:按照上述公式,采用反向传播算法,计算三个网络优化参数θf、θy和θd的偏导数,并用梯度下降算法分别按照如下公式对参数进行更新:
其中,μ为学习率。
步骤9:重复迭代进行步骤4、5、6、7、8直到收敛条件达到,总损失函数L不再下降后,停止训练。得到训练好的深度特征提取器和标签自适应预测器和领域分类器。
步骤10:实际机械监测数据的在线诊断过程,具体分为两步。
步骤10-1:通过传感器采集实际机械的在线监测数据,并将该监测数据经过步骤2的数据预处理后规整成为合适的灰度图格式的样本。
步骤10-2:将得到的样本依次输入步骤9获得的训练好的深度特征提取器中,得到领域不变特征。
步骤10-3:将得到的领域不变特征在输入到步骤9获得的训练好的标签自适应预测器中得到该样本的预测标签。得到的预测标签即表示模型对当前设备的健康状态的预测结果。
由于旋转机械的监测数据的典型故障的缺失以及健康状况标记的缺乏,难以训练有较好泛化性能和鲁棒性能的故障诊断模型。对此,本发明提出的方法设计了一种深度领域自适应对抗网络模型,它能够准确提取实验室模拟数据和实际工程数据中的迁移故障特征,并通过域自适应技术和域对抗迁移技术,形成了能够应用于旋转部件的故障迁移诊断模型,通过实际的案例利用,达到了理想的效果。
本发明提供一种基于深度领域自适应对抗网络的旋转机械故障信息处理系统,包括:
监测数据集获取模块,用于分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集期和实际机械对应的旋转部件的监测数据集;
样本集获取模块,用于获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
神经网络结构构建模块,用于分别为深度特征提取器、领域分类器和域判别器;
故障诊断模块,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
深度特征提取器和域判别器的损失函数运算模块,用于用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
最大均值差异计算模块,用于将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
损失函数优化模块,用于利用反向传播算法将所述损失函数进行梯度求导并优化;
重复迭代模块,用于进行重复迭代,直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
样本预测标签获取模块,用于将新的实际机械的监测数据经过数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签
实施例2
在本发明中,针对上述旋转部件故障诊断存在的问题,提出了一种基于深度领域自适应对抗网络的故障诊断方法,通过实验室模拟带标签的实验数据和实际不带标签的风电齿轮箱数据来进行特征迁移,最终实现了实际风电齿轮箱的故障智能诊断。
本实施例中采用的源域数据是来源于实验室模拟的风机齿轮箱仿真数据,模拟仿真实验台由交流电机提供动力,主要由变速箱、飞轮、和用于数据采集的计算机组成。交流电机为ABB MV1008-225型异步电机,功率为1.2kW。两个三轴加速度计与轴传动装置一起安装在变速箱的外侧,并分别收集水平和垂直方向的振动信号。在该实验台上一共模拟了7个故障类型包括松动等系统故障,以及断齿、齿轮裂纹、断齿、轴承外圈磨损、滚珠轴承断裂等部件故障。所有的故障均由人工产生,采用NI-cDAQ-9174/9234型号的传感器记录风机仿真设备模拟运行时的振动信号,采样频率为10240hz。
本实施例中采用的目标域数据收集自某风电场的风电机组齿轮箱振动信号的实测数据。采集到的数据来自一台失速控制的三叶逆风式风力机,额定功率为750kW,同时该风力发电机组可根据功率的不同,在额定转速1800rpm或1200rpm下工作。本次实测中采集到的风电齿轮箱实测数据共有两种状态,分别为健康状态和损伤状态。两个状态的变速箱都是从现场取下来的,按照相同的负载进行了重建并安装了多个振动传感器。两个变速箱的总传动比均为1:81.49。在变速箱的两个额定转速下分别采集了多组运行信号,每组运行信号时长一分钟,并对采集的信号文件进行了标记。每个文件包含8个传感器的振动信号,采样率为40khz。其中损坏的风机齿轮箱在现场经历了两次漏油事件,随后进行了拆解,并进行了详细的故障分析。
应用本发明进行目标域的故障诊断,包括以下步骤:
步骤1:建立源域和目标域的数据集并对原始振动信号进行数据预处理得到灰度图合适的训练样本数据集。两类数据集的原始振动信号图如图4所示,通过对源域数据和目标域数据的对比可以发现,这两类数据的差异性较大,这是因为两个数据所述设备的运行环境、采样频率、数据分布差异均有较大的不同。
具体预处理步骤如下:
步骤1-1:划分训练集和测试集
步骤1-2:用固定的滑动时间窗口分割每条数据,并进行重排,得到大小相同的矩阵形式,并转化为灰度图样本集,给来自源域的灰度图样本集打上标签,来自目标域的灰度图样本集无需打标签操作。
步骤2:按照图3所示的网络模型结构,构造基于深度领域自适应对抗网络的故障迁移诊断模型。
步骤3:按照前述的训练方法在源域和目标域的训练集上对深度特征提取器、标签自适应预测器和领域分类器进行训练,训练时,源域训练集包含了灰度图样本及其对应的标签,目标域训练集则只包含灰度图样本,不包含标签。算例在Win10系统,基于Anaconda的Python3.6和Pytorch环境下实现。
步骤4:将目标域测试集中的灰度图样本输入训练好的深度特征提取器,通过映射过程生成领域不变特征。然后将这些特征输入到标签自适应预测器中,通过前向传播输出最终的预测结果。
提取的领域不变特征的T-SNE示意图如图5所示(图5(a)目标域健康样本、源域健康样本图;。表示目标域健康样本;●表示源域健康样本;图5(b)目标域损伤样本、源域损伤样本图,△表示目标域损伤样本;▲表示源域损伤样本),结果显示,来自实验模拟和真实运行风机的每种健康状况的数据特征都是一一对应的,并形成两个不同的簇。每个群集由源域和目标域中具有相同运行状况的数据特征组成。这清楚地表明,即使目标域中的样本未标记,提出的深度领域自适应对抗网络模型也能成功地从目标域的样本中提取与源域样本相似的特征,并将它们一对一地映射为相同的健康状况。此外,经过训练的网络模型成功地学习了实验模拟数据的有用信息,并将其迁移到了真实的应用场景中。
迁移模型针对真实风机数据样本的诊断结果的混淆矩阵如图6所示,(a)为目标域测试样本的最终诊断结果,对于200个健康样本,模型能正确预测其中的197个;对于200个故障样本,模型能够成功预测其中的198个。(b)为归一化后的混淆矩阵诊断结果,其中模型对于健康样本的预测精度为98.5%,对于故障样本的预测精度为99%。结果显示,所使用的方法对于无标签的真实风机齿轮箱的监测数据有高达98.75%的预测精度,在总共400个监测数据样本中,产生错误预测的样本数量只有五个,这说明本方法能成功的将实验数据应用到真实运行的风机设备中,体现了本方法出色的迁移性能和特征分辨能力。
下面结合具体实施例对本发明的应用原理做进一步的描述。
具体实施例:
以某风电场风电机组故障智能诊断项目为例,本实施例中采用的源域数据是来源于实验室模拟的风机齿轮箱仿真数据,模拟仿真实验台由交流电机提供动力,主要由变速箱、飞轮、和用于数据采集的计算机组成。交流电机为ABB MV1008-225型异步电机,功率为1.2kW。两个三轴加速度计与轴传动装置一起安装在变速箱的外侧,并分别收集水平和垂直方向的振动信号。在该实验台上一共模拟了7个故障类型包括松动等系统故障,以及断齿、齿轮裂纹、断齿、轴承外圈磨损、滚珠轴承断裂等部件故障。所有的故障均由人工产生,采用NI-cDAQ-9174/9234型号的传感器记录风机仿真设备模拟运行时的振动信号,采样频率为10240hz。
本实施例中采用的目标域数据收集自某风电场的风电机组齿轮箱振动信号的实测数据。采集到的数据来自一台失速控制的三叶逆风式风力机,额定功率为750kW,同时该风力发电机组可根据功率的不同,在额定转速1800rpm或1200rpm下工作。本次实测中采集到的风电齿轮箱实测数据共有两种状态,分别为健康状态和损伤状态。两个状态的变速箱都是从现场取下来的,按照相同的负载进行了重建并安装了多个振动传感器。两个变速箱的总传动比均为1:81.49。在变速箱的两个额定转速下分别采集了多组运行信号,每组运行信号时长一分钟,并对采集的信号文件进行了标记。每个文件包含8个传感器的振动信号,采样率为40khz。其中损坏的风机齿轮箱在现场经历了两次漏油事件,随后进行了拆解,并进行了详细的故障分析。
应用本发明进行目标域的故障诊断,包括以下步骤:
步骤1:建立源域和目标域的数据集并对原始振动信号进行数据预处理得到灰度图合适的训练样本数据集。两类数据集的原始振动信号图如图4所示,通过对源域数据和目标域数据的对比可以发现,这两类数据的差异性较大,这是因为两个数据所述设备的运行环境、采样频率、数据分布差异均有较大的不同。
具体预处理步骤如下:
步骤1-1:划分训练集和测试集
步骤1-2:用固定的滑动时间窗口分割每条数据,并进行重排,得到大小相同的矩阵形式,并转化为灰度图样本集,给来自源域的灰度图样本集打上标签,来自目标域的灰度图样本集无需打标签操作。
步骤2:按照图3所示的网络模型结构,构造基于深度领域自适应对抗网络的故障迁移诊断模型。
步骤3:按照前述的训练方法在源域和目标域的训练集上对深度特征提取器、标签自适应预测器和领域分类器进行训练,训练时,源域训练集包含了灰度图样本及其对应的标签,目标域训练集则只包含灰度图样本,不包含标签。算例在Win10系统,基于Anaconda的Python3.6和Pytorch环境下实现。
步骤4:将目标域测试集中的灰度图样本输入训练好的深度特征提取器,通过映射过程生成领域不变特征。然后将这些特征输入到标签自适应预测器中,通过前向传播输出最终的预测结果。
提取的领域不变特征的T-SNE示意图如图5所示(图5(a)目标域健康样本、源域健康样本图;。表示目标域健康样本;●表示源域健康样本;图5(b)目标域损伤样本、源域损伤样本图,△表示目标域损伤样本;▲表示源域损伤样本),结果显示,来自实验模拟和真实运行风机的每种健康状况的数据特征都是一一对应的,并形成两个不同的簇。每个群集由源域和目标域中具有相同运行状况的数据特征组成。这清楚地表明,即使目标域中的样本未标记,提出的深度领域自适应对抗网络模型也能成功地从目标域的样本中提取与源域样本相似的特征,并将它们一对一地映射为相同的健康状况。此外,经过训练的网络模型成功地学习了实验模拟数据的有用信息,并将其迁移到了真实的应用场景中。
迁移模型针对真实风机数据样本的诊断结果的混淆矩阵如图6所示,(a)为目标域测试样本的最终诊断结果,对于200个健康样本,模型能正确预测其中的197个;对于200个故障样本,模型能够成功预测其中的198个。(b)为归一化后的混淆矩阵诊断结果,其中模型对于健康样本的预测精度为98.5%,对于故障样本的预测精度为99%。结果显示,所使用的方法对于无标签的真实风机齿轮箱的监测数据有高达98.75%的预测精度,在总共400个监测数据样本中,产生错误预测的样本数量只有五个,这说明本方法能成功的将实验数据应用到真实运行的风机设备中,体现了本方法出色的迁移性能和特征分辨能力。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
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 (10)
1.一种基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,所述基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括:
构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型,通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征;利用领域分类器来缩短两种数据分布之间的差别,利用状态预测器并引入领域适配约束,形成基于深度领域自适应对抗网络的故障诊断模型,并利用所述模型实现旋转机械的故障智能诊断。
2.如权利要求1所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,所述基于深度领域自适应对抗网络的旋转机械故障信息处理方法包括以下步骤:
步骤一,分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集和实际机械对应的旋转部件的监测数据集;
步骤二,获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
步骤三,建立三个神经网络结构,分别为深度特征提取器、领域分类器和域判别器;
步骤四,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
步骤五,用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
步骤六,将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
步骤七,利用反向传播算法将所述三个损失函数进行梯度求导并优化;
步骤八,重复迭代进行步骤四-步骤七直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
步骤九,将新的实际机械的监测数据经过步骤二的数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签。
步骤二中,所述获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集,包括:
(1)对旋转部件的原始振动信号进行异常值去除,使用拉依达法则来去除异常值,公式如下:
(2)消除异常值后的时间序列振动信号将被切片,每个片段包含4096个振动信号采样点,并排列生成64×64大小的基于图像的信号样本;图片信号中的每个像素表示采样时间点对应的振动信号幅度。
4.如权利要求2所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,步骤三中,所述深度特征提取器用于提取来自源域和目标域信号样本的特征,领域分类器用来分辨深度特征提取器提取到的特征是来源于哪个领域,通过引入GAN的对抗训练机制,让域判别器无法对深度特征提取器提取到的特征的来源进行有效的判别,则认为深度特征提取器提取到了两个领域的领域不变特征;
所述标签自适应预测器用于对深度特征提取器输出的领域不变特征进行进一步的领域自适应操作并给出最终的设备健康状态标签,从而预测输入信号样本的健康状态;
步骤四中,所述用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,包括:
(1)计算有标记的源域数据在标签自适应预测器上的分类误差,对于具有k种健康状况类别的数据集,第i个样本的分类误差表示为:
其中,Wy和by是用于变迁预测器线性变换的矩阵向量对,f表示由深度特征提取器生成的高级特征,F(·)代表softmax函数,I(·)是指标函数;
(2)对于一个训练批次内的所有m个训练样本,总的平均误差为:
5.如权利要求2所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,步骤五中,所述用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数,包括:
其中,sigm表示sigmod函数;Wd和bd是用于领域分类器的线性变换矩阵向量对;di代表第i个训练样本的域标签;f表示由深度特征提取器生成的域不变特征;
对于一个训练批次内的所有m个训练样本,总的平均误差为:
步骤六中,所述将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD,包括:
采用多核变量最大均值差异MK-MMD的域分布度量,苏搜狐MK-MMD的表达式为:
6.如权利要求2所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,步骤七中,所述通过将所述三个损失函数按照一定的比例结合即可得到最终的总损失函数:
L=Ly-λLd+εDk;
其中,超参数λ和ε是一个0到1之间的小数,用来表示训练过程中对抗训练特征提取和领域自适应的强弱;
利用反向传播算法将三个损失函数进行梯度求导并优化:令θf、θy和θd分别代表深度特征提取器、标签自适应预测器和领域分类器的网络参数,则总的损失函数的优化目标为:
按照所述总的损失函数的优化目标公式,采用反向传播算法,计算三个网络优化参数θf、θy和θd的偏导数,并用梯度下降算法分别按照如下公式对参数进行更新:
其中,μ为学习率。
7.如权利要求2所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法,其特征在于,步骤九中,所述将新的实际机械的监测数据经过数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签,包括:
(1)通过传感器采集实际机械的在线监测数据,并将所述监测数据经过数据预处理后规整成为合适的灰度图格式的样本;
(2)将得到的样本依次输入训练好的深度特征提取器中,得到领域不变特征;
(3)将得到的领域不变特征再输入到训练好的标签自适应预测器中得到样本的预测标签,得到的预测标签即表示模型对当前设备的健康状态的预测结果。
8.一种基于深度领域自适应对抗网络的旋转机械故障信息处理系统,其特征在于,所述基于深度领域自适应对抗网络的旋转机械故障信息处理系统包括:
监测数据集获取模块,用于分别获取实验室模拟真实运行条件的旋转部件有标记监测数据集期和实际机械对应的旋转部件的监测数据集;
样本集获取模块,用于获取到的两个数据集将经过相同的数据预处理后,规整成为合适的灰度图格式的两个样本集;
神经网络结构构建模块,用于分别为深度特征提取器、领域分类器和域判别器;
故障诊断模块,用带标签的实验室模拟数据样本集通过前向传播计算得到预测标签,将预测标签与真实标签进行比较得到损失函数,对源域数据进行正确的故障诊断;
深度特征提取器和域判别器的损失函数运算模块,用于用带标签的实验室模拟数据样本集和不带标签的机械真实样本集通过前向传播得到模拟数据特征和真实数据特征,并据此计算深度特征提取器和域判别器的损失函数;
最大均值差异计算模块,用于将模拟数据特征和真实数据特征通过前向传播分别达到模拟数据预测标签和真实数据预测标签,并计算该过程中的最大均值差异MMD;
损失函数优化模块,用于利用反向传播算法将所述损失函数进行梯度求导并优化;
重复迭代模块,用于进行重复迭代,直到达到收敛条件,总损失函数L不再下降后,停止训练,得到训练好的深度特征提取器和标签自适应预测器和领域分类器;
样本预测标签获取模块,用于将新的实际机械的监测数据经过数据预处理后依次输入深度特征提取器和标签自适应预测器得到该样本的预测标签。
9.一种信息数据处理终端,其特征在于,所述信息数据处理终端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权利要求1~7任意一项所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法。
10.一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1~7任意一项所述的基于深度领域自适应对抗网络的旋转机械故障信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320215.1A CN113076834B (zh) | 2021-03-25 | 2021-03-25 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320215.1A CN113076834B (zh) | 2021-03-25 | 2021-03-25 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076834A true CN113076834A (zh) | 2021-07-06 |
CN113076834B CN113076834B (zh) | 2022-05-13 |
Family
ID=76610753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110320215.1A Active CN113076834B (zh) | 2021-03-25 | 2021-03-25 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076834B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554075A (zh) * | 2021-07-12 | 2021-10-26 | 安徽容知日新科技股份有限公司 | 生成故障分类模型的方法及确定旋转设备故障类型的方法 |
CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
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 |
CN114521900A (zh) * | 2022-02-21 | 2022-05-24 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN110533070A (zh) * | 2019-07-26 | 2019-12-03 | 西安交通大学 | 一种小样本下基于迁移原形网络的机械故障智能诊断方法 |
CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
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 |
US20210012198A1 (en) * | 2018-05-31 | 2021-01-14 | Huawei Technologies Co., Ltd. | Method for training deep neural network and apparatus |
CN112329329A (zh) * | 2020-09-22 | 2021-02-05 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
-
2021
- 2021-03-25 CN CN202110320215.1A patent/CN113076834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210012198A1 (en) * | 2018-05-31 | 2021-01-14 | Huawei Technologies Co., Ltd. | Method for training deep neural network and apparatus |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN110533070A (zh) * | 2019-07-26 | 2019-12-03 | 西安交通大学 | 一种小样本下基于迁移原形网络的机械故障智能诊断方法 |
CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
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 |
CN112329329A (zh) * | 2020-09-22 | 2021-02-05 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
Non-Patent Citations (2)
Title |
---|
YANG QING等: "Prediction of aptamer-protein interacting pairs based on sparse autoencoder feature extraction and an ensemble classifier", 《MATHEMATICAL BIOSCIENCES》 * |
陈祝云: "基于深度迁移学习的机械设备智能诊断方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554075A (zh) * | 2021-07-12 | 2021-10-26 | 安徽容知日新科技股份有限公司 | 生成故障分类模型的方法及确定旋转设备故障类型的方法 |
CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
CN113742855B (zh) * | 2021-07-27 | 2022-03-18 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
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 |
CN114521900A (zh) * | 2022-02-21 | 2022-05-24 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113076834B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
Li et al. | Self-attention ConvLSTM and its application in RUL prediction of rolling bearings | |
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN109376620A (zh) | 一种风电机组齿轮箱故障的迁移诊断方法 | |
Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN112329329B (zh) | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
Zou et al. | Bayesian optimization and channel-fusion-based convolutional autoencoder network for fault diagnosis of rotating machinery | |
CN116956048A (zh) | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 | |
CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
CN111597996A (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
Kerboua et al. | Fault diagnosis in an asynchronous motor using three-dimensional convolutional neural network | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
Magadán et al. | Early fault classification in rotating machinery with limited data using TabPFN | |
CN116910652A (zh) | 一种基于联邦自监督学习的设备故障诊断方法 | |
CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
Zhang et al. | Transformer-enabled cross-domain diagnostics for complex rotating machinery with multiple sensors | |
CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
CN113094996B (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
Sambana et al. | Performance validation of wind turbines using machine learning methodologies | |
Peng et al. | Wind turbine blades icing failure prognosis based on balanced data and improved entropy |
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 |