CN113095413A - 变工况故障诊断方法、系统、存储介质及设备 - Google Patents
变工况故障诊断方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113095413A CN113095413A CN202110402497.XA CN202110402497A CN113095413A CN 113095413 A CN113095413 A CN 113095413A CN 202110402497 A CN202110402497 A CN 202110402497A CN 113095413 A CN113095413 A CN 113095413A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- model
- target domain
- sample
- samples
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了变工况故障诊断方法、系统、存储介质及设备。包括以下步骤：获取工况改变前后的振动数据作为源域样本和目标域样本，建立故障诊断模型；随机选择M个目标域样本输入故障诊断模型中，获取目标域批训练样本；随机选择M个目标域批训练样本与目标域样本输入故障诊断模型中，计算损失函数；基于损失函数训练故障诊断模型，完成故障诊断模型的训练；利用训练完成的模型得出输入样本的故障类型。基于自我学习的思想，以模型自身判断为学习前提，以卷积神经网络为基本框架，通过损失函数引导训练，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的故障诊断。
Description
技术领域
本发明涉及振动信号智能故障诊断领域，尤其涉及变工况故障诊断方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着机械设备和健康检测设备的发展，基于振动信号的机械设备故障诊断方法已由传统的信号处理方法转变为基于深度学习的智能故障诊断方法。智能故障诊断的基础是基础训练数据，但由于机械设备运行时会受载荷等因素的影响，其转速波动多变而不是单一的，设备在一种工况下长期运行，可以采集到大量的振动数据用于训练智能故障诊断模型，一旦设备的工况发生改变，则振动信号也随之发生改变，短期内难以获得完备的振动数据作为训练样本，导致模型诊断准确率迅速下降。此外，故障数据训练集又有其自身的特点，即各个故障类型的样本数量极其不均衡，具体表现为无故障样本所占比例极大，故障样本较少，这种类别间的不平衡性导致模型诊断时的偏移，严重影响准确率。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供变工况故障诊断方法、系统、存储介质及设备，基于自我学习的思想，以模型自身判断为学习前提，以卷积神经网络为基本框架，通过分类损失函数、自我怀疑损失函数、自我肯定损失函数、自我纠正损失函数共同引导训练，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的智能故障诊断，适用情况更加符合实际，鲁棒性强，准确率高。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供变工况故障诊断方法，包括以下步骤：
步骤1：获取机械设备工况改变前后的振动数据作为源域样本和目标域样本，源域样本和目标域样本都是训练样本，建立故障诊断模型；
步骤2：随机选择M个目标域样本输入故障诊断模型中，获取目标域批训练样本；
步骤3：随机选择M个目标域批训练样本与目标域样本输入故障诊断模型中，计算损失函数；
步骤4：基于损失函数训练故障诊断模型，循环执行e次步骤2与步骤3，完成故障诊断模型的训练；
步骤5：利用训练完成的模型进行故障诊断，得出输入样本的故障类型。
步骤1的具体过程为：
故障诊断模型包括1维卷积神经网络、人工神经网络和全连接层，其中1维卷积神经网络为Ψf，包括交替设置的卷积层与池化层，所有卷积层的卷积核维数为5，平移步长为1；所有池化层采用最大池化，过滤器维数为2，步长为1；
人工神经网络和全连接层的组合为Ψc，包括串联在一起的2层人工神经网络和1层全连接，2层人工神经网络的输出维数分别是1024和512，激活函数为ReLU，全连接层输出维数为C，C为故障种类总数。
样本x输入卷积神经网络Ψf后得到特征u，即u＝Ψf(x)，特征u输入人工神经网络和全连接层的组合Ψc后得到输出o，即o＝Ψc(u)，其中
o的数值最大的维数表明样本x的故障类型。
步骤2的具体过程为：
将随机选择的M个目标域样本输入模型中，得出M个目标域样本的输出，进而得到模型对于M个目标域样本故障类型的判断，即伪标签
联合M个目标域样本及其伪标签得
作为目标域批训练样本。
步骤3的具体过程为：
随机选择的M个源域样本细
与目标域样本细
输入模型后得
其中
然后计算损失函数L＝LC+α(1-β)LD+βLA+γLB，其中，α、β、γ为惩罚系数，LC为分类损失函数，LD为自我怀疑损失函数，LA为自我肯定损失函数，LB为自我纠正损失函数。
步骤4的具体过程为：
设置学习率∈，基于损失函数通过随机梯度下降法训练模型，步骤2与步骤3循环执行e次，完成模型的训练；过程中，惩罚系数β随着循环训练步数的增加按公式β＝2/1+exp(-10q)-1增加，其中，随着训练步数从1增加到e，q从0线性增加到1。
步骤5的具体过程为：
模型完成训练后，即可输入样本得到输出，并根据输出数值最大的维数得出输入样本的故障类型。
本发明的第二个方面提供变工况故障诊断系统，包括：
数据获取与建模模块，获取工况改变前后的振动数据作为源域样本和目标域样本，源域样本和目标域样本都是训练样本，建立故障诊断模型：
模型训练模块，随机选择M个目标域样本输入故障诊断模型中，获取目标域批训练样本；随机选择M个目标域批训练样本与目标域样本输入故障诊断模型中，计算损失函数；基于损失函数训练故障诊断模型，完成故障诊断模型的训练；
输出模块，利用训练完成的模型进行故障诊断，得出输入样本的故障类型。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的变工况故障诊断方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的变工况故障诊断方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、基于自我学习的思想，以模型自身判断为学习前提，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的智能故障诊断。
2、适用情况更加符合实际，鲁棒性强，准确率高。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的诊断模型结构示意图；
图2是本发明实施例的处理过程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，利用机械设备产生的振动信号实现故障诊断需要足够多的振动数据作为训练样本，而当机械设备的工况改变时，其产生的振动信号差异极大，短期内又难以获得完备的训练数据，从而导致故障诊断模型的准确率下降。
现有技术中，中国发明专利申请“CN201510169697：一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法”，是一种基于稀疏自动编码器的智能故障诊断方法，虽然能够利用滚动轴承的声音信号(这里的声音信号仍然来源于机械振动)实现故障诊断但其难以应对工况改变的情况。
中国发明专利申请“CN2018102001755：一种基于自动编码器的轴系转速大波动的故障诊断方法”虽然能借助有标签的原工况样本和无标签的改变工况后的样本进行训练，解决工况改变的故障诊断问题，但其应用是有一定条件的，即改变工况后的样本类别比例是平衡的，一旦类别比例不平衡，其诊断精度将会大大下降。
因此，以下实施方式针对现有技术存在的缺陷，即，在振动数据的样本类别比例不平衡时难以进行变工况智能故障诊断，提供一种基于自我学习的变工况智能故障诊断方法，以及实现该方法所需的系统、存储介质和设备，该方法受人类学习过程中自我肯定、自我怀疑和自我纠正的学习过程启发，利用迁移学习中的联合分布适配方法，结合深度卷积神经网络提取特征，通过循环训练的方式得到能在目标工况(即改变后的工况)样本类别不平衡且无标签时进行变工况智能故障诊断的模型。
实施例一
如图1-2所示，变工况故障诊断方法，具体包括如下步骤：
步骤1.样本数据预处理与模型结构：
工况s和工况t的样本分别称为源域样本和目标域样本，源域样本和目标域样本都是训练样本；
源域样本是Ms个带有标签的样本
其中，
表示第i个源域样本，
表示
的标签；
目标域样本是Mt个无标签的样本
上述的
Nn表示样本长度即样本维数。
如图1所示，模型采用1维卷积神经网络、人工神经网络和全连接层结合的形式，其中1维卷积神经网络为Ψf，由7层卷积层与7层池化层组成，所有卷积层的卷积核维数为5，平移步长为1，边缘填充方式为“补零填充”，7层卷积层的输出通道数分别为8、16、32、32、16、8、4，激活函数为ReLU，所有池化层采用最大池化，过滤器维数为2，步长为1；
人工神经网络和全连接层的组合为Ψc，由2层人工神经网络和1层全连接串联组成，2层人工神经网络的输出维数分别是1024和512，激活函数为ReLU，全连接层输出维数为C，C为故障种类总数。
样本x输入卷积神经网络Ψf后得到特征u，即u＝Ψf(x)，特征u输入人工神经网络和全连接层的组合Ψc后得到输出o，即o＝Ψc(u)，其中
o的数值最大的维数表明样本x的故障类型。
模型采用随机梯度下降法进行批训练，即每次误差反向传播时，在所有训练样本中随机选择M个源域样本和M个目标域样本参与训练；
步骤2.模型预诊断目标域批训练样本：
将随机选择的M个目标域样本，即
输入模型中，得出M个目标域样本的输出，进而得到模型对于M个目标域样本故障类型的判断，即伪标签
联合M个目标域样本及其伪标签得
步骤3.计算损失函数：
随机选择的M个源域样本细
与目标域样本红
输入模型后得
其中
然后计算损失函数L＝LC+α(1-β)LD+βLA+γLB，其中，α、β、γ为惩罚系数，LC为分类损失函数，LD为自我怀疑损失函数，LA为自我肯定损失函数，LB为自我纠正损失函数；
分类损失函数的计算公式为
自我怀疑损失函数的计算公式为
其中，
中括号[c]和[j]分别表示向量的第c维和第j维数值，1{*}表示指示函数，即当{}内等式成立时返回1，否则为0。
自我肯定损失函数的计算公式为LA＝LMDA+LCDA；
其中，LMDA＝D(Us，Ut)，
Us表示
Ut表示
表订
表示
D(*，*)代表高维空间分布距离，其计算公式为
其中，X表示
Y表示
k(*，*)代表核函数，本实施例中指高斯核函数，即
σ为1。
自我纠正损失函数LB的计算公式为LB＝-|P/||P|||，其中，
且
步骤4.训练模型：
设置学习率∈，基于损失函数通过随机梯度下降法训练模型，步骤2与步骤3循环执行e次，完成模型的训练；过程中，惩罚系数β随着循环训练步数的增加按公式β＝2/1+exp(-10q)-1增加，其中，随着训练步数从1增加到e，q从0线性增加到1。
步骤5.模型诊断：
模型完成训练后，即可输入样本得到输出，并根据输出数值最大的维数得出输入样本的故障类型。
本实施例模型训练的测试示例如下。
数据处理：数据采用凯斯西储大学公开的轴承故障数据，进行模型训练与测试。其数据可在http://csegroups.case.edu/bearingdatacenter/pages/download-data-file下载。选用12kHz采样频率的数据，故障类型为{无故障，内圈故障，外圈故障，滚动体故障}，故障深度为{0.18mm，0.36mm，0.53mm}，共10种故障类型，每种故障类型有四种载荷(0hp、1hp、2hp、3hp)。选用两组差别最大载荷实施实验，即0hp和3hp。载荷为0hp的样本作为有标签的源域训练样本，共1800个样本，每种故障类型有180个样本，即源域训练样本数据集为平衡数据集。载荷为3hp的样本为无标签的目标域训练样本，共1800个样本，其中，无故障的样本有900个，每种有故障的样本有100个，即目标域训练样本数据集为不平衡数据集。所有样本均为时域信号的2048个数据点。
模型参数设置：Ψc中的输出维数C为10，α＝1，Y＝1，∈＝0.001，M＝100。
模型训练：模型采用循环训练的方式，首先采用模型诊断目标域样本获取伪标签，然后基于损失函数，采用随机梯度下降法进行1次反向传播，不断重复以上2步1000次，获得训练后的模型。
经过以上步骤，训练好的模型诊断载荷为3hp的样本准确率达到了99.1％，标准差为0.37％。
本实施例提出的方法基于自我学习的思想，以模型自身判断为学习前提，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的智能故障诊断，适用情况更加符合实际，鲁棒性强，准确率高。
实施例二
本实施提供了变工况故障诊断系统，包括：
模块；
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述变工况故障诊断方法中的步骤。
本实施例执行的变工况故障诊断方法基于自我学习的思想，以模型自身判断为学习前提，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的智能故障诊断。本发明方法的适用情况更加符合实际，鲁棒性强，准确率高。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的变工况故障诊断方法中的步骤。
本实施例处理器执行的变工况故障诊断方法基于自我学习的思想，以模型自身判断为学习前提，不断循环迭代来提高模型对于目标工况样本诊断的准确率，从而能够实现变工况状态且样本类别比例不平衡情况下的智能故障诊断。本发明方法的适用情况更加符合实际，鲁棒性强，准确率高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.变工况故障诊断方法，其特征在于，包括以下步骤：
步骤1：获取机械设备工况改变前后的振动数据作为源域样本和目标域样本，源域样本和目标域样本都是训练样本，建立故障诊断模型；
步骤2：随机选择M个目标域样本输入故障诊断模型中，获取目标域批训练样本；
步骤3：随机选择M个目标域批训练样本与目标域样本输入故障诊断模型中，计算损失函数；
步骤4：基于损失函数训练故障诊断模型，循环执行e次步骤2与步骤3，完成故障诊断模型的训练；
步骤5：利用训练完成的模型进行故障诊断，得出输入样本的故障类型。
2.如权利要求1所述的变工况故障诊断方法，其特征在于，所述步骤1中，故障诊断模型包括1维卷积神经网络、人工神经网络和全连接层，其中1维卷积神经网络为Ψf，包括交替设置的卷积层与池化层，所有卷积层的卷积核维数为5，平移步长为1；所有池化层采用最大池化，过滤器维数为2，步长为1。
3.如权利要求2所述的变工况故障诊断方法，其特征在于，所述步骤1中，人工神经网络和全连接层的组合为Ψc，包括串联在一起的2层人工神经网络和1层全连接层。
4.如权利要求3所述的变工况故障诊断方法，其特征在于，所述步骤1中，样本x输入卷积神经网络Ψf后得到特征u，特征u输入人工神经网络和全连接层的组合Ψc后得到输出o，o的数值最大的维数表明样本x的故障类型。
5.如权利要求1所述的变工况故障诊断方法，其特征在于，所述步骤2中，将随机选择的M个目标域样本输入模型中，得出M个目标域样本的输出，和模型对于M个目标域样本故障类型的判断，记位伪标签
联合M个目标域样本及其伪标签得
作为目标域批训练样本。
6.如权利要求1所述的变工况故障诊断方法，其特征在于，所述步骤3中，随机选择的M个源域样本组
与目标域样本组
输入模型后得
其中
然后计算损失函数L＝LC+α(1-β)LD+βLA+γLB，其中，α、β、γ为惩罚系数，LC为分类损失函数，LD为自我怀疑损失函数，LA为自我肯定损失函数，LB为自我纠正损失函数。
7.如权利要求1所述的变工况故障诊断方法，其特征在于，所述步骤4中，设置学习率∈，基于损失函数通过随机梯度下降法训练模型，步骤2与步骤3循环执行e次，完成模型的训练。
8.基于权利要求1-7中任一项所述方法的系统，其特征在于，包括：
数据获取与建模模块，获取工况改变前后的振动数据作为源域样本和目标域样本，源域样本和目标域样本都是训练样本，建立故障诊断模型：
模型训练模块，随机选择M个目标域样本输入故障诊断模型中，获取目标域批训练样本；随机选择M个目标域批训练样本与目标域样本输入故障诊断模型中，计算损失函数；基于损失函数训练故障诊断模型，完成故障诊断模型的训练；
输出模块，利用训练完成的模型进行故障诊断，得出输入样本的故障类型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的变工况故障诊断方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的变工况故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402497.XA CN113095413B (zh) | 2021-04-14 | 2021-04-14 | 变工况故障诊断方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402497.XA CN113095413B (zh) | 2021-04-14 | 2021-04-14 | 变工况故障诊断方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095413A true CN113095413A (zh) | 2021-07-09 |
| CN113095413B CN113095413B (zh) | 2023-05-23 |
Family
ID=76677641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110402497.XA Active CN113095413B (zh) | 2021-04-14 | 2021-04-14 | 变工况故障诊断方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113095413B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821012A (zh) * | 2021-08-30 | 2021-12-21 | 南京航空航天大学 | 一种用于变工况卫星姿态控制系统的故障诊断方法 |
| CN114136619A (zh) * | 2021-10-27 | 2022-03-04 | 国家能源集团宿迁发电有限公司 | 一种基于卷积自编码的变工况下滚动轴承故障诊断方法 |
| CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
| CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
| CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| CN115374660A (zh) * | 2022-10-25 | 2022-11-22 | 山东建筑大学 | 基于局部特征提取模型的塔机塔身损伤严重程度确定方法 |
| WO2024045555A1 (zh) * | 2022-08-30 | 2024-03-07 | 山东建筑大学 | 一种基于标准自学习数据增强的故障诊断方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
| CN112287994A (zh) * | 2020-10-26 | 2021-01-29 | 北京嘀嘀无限科技发展有限公司 | 伪标签处理方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-04-14 CN CN202110402497.XA patent/CN113095413B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287994A (zh) * | 2020-10-26 | 2021-01-29 | 北京嘀嘀无限科技发展有限公司 | 伪标签处理方法、装置、设备及计算机可读存储介质 |
| CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 潘少明;王玉杰;种衍文;: "基于图卷积神经网络的跨域行人再识别" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821012A (zh) * | 2021-08-30 | 2021-12-21 | 南京航空航天大学 | 一种用于变工况卫星姿态控制系统的故障诊断方法 |
| CN113821012B (zh) * | 2021-08-30 | 2023-12-29 | 南京航空航天大学 | 一种用于变工况卫星姿态控制系统的故障诊断方法 |
| CN114136619A (zh) * | 2021-10-27 | 2022-03-04 | 国家能源集团宿迁发电有限公司 | 一种基于卷积自编码的变工况下滚动轴承故障诊断方法 |
| CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
| CN114331214A (zh) * | 2022-01-21 | 2022-04-12 | 山东大学 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
| CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| CN114689122B (zh) * | 2022-03-31 | 2023-11-10 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
| WO2024045555A1 (zh) * | 2022-08-30 | 2024-03-07 | 山东建筑大学 | 一种基于标准自学习数据增强的故障诊断方法及系统 |
| CN115374660A (zh) * | 2022-10-25 | 2022-11-22 | 山东建筑大学 | 基于局部特征提取模型的塔机塔身损伤严重程度确定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113095413B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095413A (zh) | 变工况故障诊断方法、系统、存储介质及设备 | |
| CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN106682688B (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
| CN109299705A (zh) | 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 | |
| CN110132554A (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN112347898B (zh) | 一种基于dcae神经网络的滚动轴承健康指标构建方法 | |
| CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
| CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
| CN107886091A (zh) | 一种基于深度神经网络的机械故障快速诊断方法 | |
| CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
| CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
| CN113255882A (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
| CN113776835B (zh) | 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法 | |
| CN108106844A (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
| CN109784488B (zh) | 一种适用于嵌入式平台的二值化卷积神经网络的构建方法 | |
| CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
| CN117708656B (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
| CN110188822A (zh) | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 | |
| CN113504768B (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| Tao et al. | Fault diagnosis of rolling bearing using deep belief networks | |
| CN112132102A (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 |
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 |