CN113158364B - 循环泵轴承故障检测方法及系统 - Google Patents
循环泵轴承故障检测方法及系统 Download PDFInfo
- Publication number
- CN113158364B CN113158364B CN202110360987.8A CN202110360987A CN113158364B CN 113158364 B CN113158364 B CN 113158364B CN 202110360987 A CN202110360987 A CN 202110360987A CN 113158364 B CN113158364 B CN 113158364B
- Authority
- CN
- China
- Prior art keywords
- original data
- training set
- domain
- preset
- set sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 126
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 98
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000013526 transfer learning Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000006978 adaptation Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013508 migration Methods 0.000 claims description 56
- 230000005012 migration Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 45
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 24
- 230000006872 improvement Effects 0.000 claims description 17
- 238000009360 aquaculture Methods 0.000 claims description 10
- 244000144974 aquaculture Species 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005299 abrasion Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06F18/21—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
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种循环泵轴承故障检测方法及系统，方法包括：将预处理后的训练集样本输入至预设LSTM‑CNN模型进行训练，确定预设LSTM‑CNN模型的网络权重参数；根据网络权重参数和预设LSTM‑CNN模型，确定轴承故障检测模型；将测试集样本输入至轴承故障检测模型，以对循环水养殖池中的循环泵进行故障检测。本发明提供的循环泵轴承故障检测方法及系统，在训练模型时首先完成数据预处理，采用迁移学习方法将源域原始数据与目标域原始数据进行域适配，实现对源域原始数据知识的迁移，不需要对循环水养殖生产进行破坏，样本无需标签就可完成对循环泵的高精度故障诊断，确保了循环水养殖系统的安全，达到安全生产、高效增产的作用。
Description
技术领域
本发明涉及自动控制技术领域，尤其涉及一种循环泵轴承故障检测方法及系统。
背景技术
循环水养殖模式在20世纪80年代被引入我国，它突破了水产养殖过度依赖环境水的问题，并且可以降低养殖污染、降低能耗、提高水产品质量、提高养殖效率，是一种绿色的养殖模式。工厂化循环水养殖中，循环泵时循环水养殖的关键动力，循环泵轴承的健康状况对整个设备的性能、稳定性和使用寿命有很大的影响。由于复杂的工作环境和高负荷的工作条件，滚动轴承容易发生损坏，其故障概率在所有电机故障中所占比例高达40％～50％。在实际生产中，单个循环泵的故障可能造成整条生产线的停滞，造成巨大的经济损失，甚至是生产危险。
工厂化水产养殖循环泵的数量多，而且生产环境复杂恶劣，传统的诊断方法在组网传输时功率较高、信号不好，急需使用物联网技术来改进接入设备数量多、传输信号质量差的问题。NBIOT可以低功耗传输复杂环境数据，是物联网发展的热点技术。物联网技术在农林牧渔领域的应用并不少见，但是针对工厂化循环水养殖循环泵故障诊断的问题，还是存在一定的问题，因为循环水养殖循环泵人工设置故障将会影响生产，而且成本极高，所以没有办法人工设置故障标签。
因此，寻找一种不需要对循环水养殖生产进行破坏，样本无需标签就可准确有效的循环泵轴承故障诊断方法已成为工厂化循环水养殖中的迫切需要。
发明内容
本发明提供的循环泵轴承故障检测方法及系统，用于克服现有技术中存在的上述问题，不需要对循环水养殖生产进行破坏，样本无需标签就可间接完成对循环泵的高精度故障诊断，确保了循环水养殖系统的安全，达到安全生产、高效增产的作用。
本发明提供的一种循环泵轴承故障检测方法，包括：获取目标域原始数据和源域原始数据，并将所述目标域原始数据和所述源域原始数据作为训练集样本；
将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数；
根据所述网络权重参数和所述迁移LSTM-CNN模型，确定轴承故障检测模型；
将测试集样本输入至所述轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，所述目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
所述源域原始数据为凯斯西储大学的轴承振动信号数据；
所述测试集样本为在所述训练集样本之后时刻采集的所述目标域原始数据。
目标域原始数据根据本发明提供的一种循环泵轴承故障检测方法，对所述训练集样本的预处理，包括：
对所述目标域原始数据和所述源域原始数据进行归一化处理；
按照预设样本点对归一化后的源域原始数据进行分段划分，并采用独热编码方式为每个分段划分后的样本添加标签；
利用滑动窗口法对归一化后的目标域原始数据进行扩充；
其中，扩充后的目标域原始数据中的样本点数与分段划分后的源域原始数据的样本点数相同。
根据本发明提供的一种循环泵轴承故障检测方法，
所述将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数，包括：
将所述预处理后的训练集样本输入至所述预设的基于自适应阈值改进的迁移LSTM-CNN进行迭代训练，并在连续预设个Epoch的所述迁移LSTM-CNN模型的损失值低于预设值时，停止迭代，以确定所述网络权重参数。
根据本发明提供的一种循环泵轴承故障检测方法，
所述迁移LSTM-CNN模型的损失值通过如下方式确定：
将所述预处理后的训练集样本输入至预设LSTM模型，以获取训练集样本的时序特征；
将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理；
将降噪处理后的训练集样本的时序特征输入至预设CNN模型，以获取与所述降噪处理后的训练集样本的时序特征对应的目标特征映射；
将所述目标特征映射输入至预设多层域适配层进行迭代训练，以获取所述训练集样本的特征迁移学习结果；
根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，并根据所述域差异函数和对带标签的源域原始数据进行分类的交叉熵损失函数，确定所述预设LSTM-CNN模型的损失函数；
根据所述损失函数确定所述损失值。
根据本发明提供的一种循环泵轴承故障检测方法，所述将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理，包括：
获取输入至所述自适应阈值层的所述时序特征的绝对值；
对所述时序特征的绝对值进行全局均值池化和平均计算，获取新的时序特征；
根据预设特征系数以及所述新的时序特征确定自适应阈值，并根据所述自适应阈值对所述训练集样本的时序特征进行降噪处理。
根据本发明提供的一种循环泵轴承故障检测方法，所述根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，包括：
根据所述源域原始数据的源域特征迁移学习结果和所述目标域原始数据的目标域特征迁移学习结果，获取源域与目标域的MK-MMD距离；
根据所述源域与目标域的MK-MMD距离、惩罚系数和域适配层的层数确定所述域差异函数。
根据本发明提供的一种循环泵轴承故障检测方法，在所述对循环水养殖池中的循环泵进行故障检测之后，还包括：
根据故障检测结果和养殖池水位信息对所述循环泵的变频开关进行调节；
若所述养殖池水位信息在预设正常范围内，则不进行所述变频开关的调节；
若所述养殖池水位信息在低于所述预设正常范围内，则根据关系曲线调大入水泵的变频开关或调小出水泵的变频开关，以使所述养殖池水位升高至所述预设正常范围内；
若所述养殖池水位信息在高于所述预设正常范围内，则根据关系曲线调大出水泵的变频开关或调小入水泵的变频开关，以使所述养殖池水位降低至所述预设正常范围内；
其中，所述关系曲线是根据循环泵处于不同轴承故障状态下的变频开关与养殖池流量之间的关系确定的。
本发明还提供一种循环泵轴承故障检测系统，包括：
数据采集模块、参数确定模块、模型确定模块以及故障检测模块；
所述数据采集模块，用于获取目标域原始数据和源域原始数据，并将所述目标域原始数据和所述源域原始数据作为训练集样本；
所述参数确定模块，用于将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数；
所述模型确定模块，用于根据所述网络权重参数和所述迁移LSTM-CNN模型，确定轴承故障检测模型；
所述故障检测模块，用于将测试集样本输入至所述轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，所述目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
所述源域原始数据为凯斯西储大学的轴承振动信号数据；
所述测试集样本为在所述训练集样本之后时刻采集的所述目标域原始数据。
目标域原始数据本发明还提供一种电子设备，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任一种所述循环泵轴承故障检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述循环泵轴承故障检测方法的步骤。
本发明提供的循环泵轴承故障检测方法及系统，在不影响正常水产养殖生产的情况下，可以利用源域原始数据中的轴承数据集学习到的知识来判断本场景下的故障类型，从而在无数据标签情况下间接完成对循环泵的高精度故障诊断，确保了循环水养殖系统的安全，达到安全生产、高效增产的作用。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的循环泵轴承故障检测方法的应用场景示意图；
图2是本发明提供的循环泵轴承故障检测方法的流程示意图；
图3是本发明提供的循环泵轴承故障检测方法的故障检测系统结构示意图
图4是本发明提供的循环泵轴承故障检测系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决现有技术中存在的问题，本发明提供的循环泵轴承故障检测方法及系统的目的是针对工厂化循环水养殖生产场景下的循环泵滚动轴承状态标签很难或无法获取导致很难对循环泵的轴承故障位置及程度进行识别分类的问题，考虑到循环泵轴承状态对管道液体流量和养殖池水位的影响，在少量无标签电流信号数据的和无标签流量信息的情况下，通过物联网技术低功耗地完成实时、非侵入的故障诊断任务。
具体地，考虑使用迁移学习，利用从其他有标签数据集上学习到的知识，来判断工厂化循环水养殖的循环泵轴承状态，两个数据集的分布和类型虽然有所区别，但是在却拥有同样的任务，这就解决了不同工况下、未知状态的循环泵轴承故障诊断问题。迁移学习依托在深度学习网络上，利用深度学习来自适应完成特征学习，模型鲁棒性高，学习能力强。
不失一般性，下面以本发明提供的循环泵轴承故障检测方法及系统解决如图1所示的工厂化水产养殖车间与故障诊断规划示意图的应用场景为例对本发明进行详细地讲解。
图2是本发明提供的循环泵轴承故障检测方法的流程示意图，如图2所示，方法包括：
S1、获取目标域原始数据和源域原始数据，并将目标域原始数据和源域原始数据作为训练集样本；
S2、将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行训练，以确定迁移LSTM-CNN模型的网络权重参数；
S3、根据网络权重参数和迁移LSTM-CNN模型，确定轴承故障检测模型；
S4、将测试集样本输入至轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
源域原始数据为凯斯西储大学的轴承振动信号数据；
测试集样本为在训练集样本之后时刻采集的目标域原始数据。
需要说明的是，上述方法的执行主体可以是计算机设备。
下面以计算机设备部署如图3所示的故障检测系统结构来实现本发明提供的循环泵轴承故障检测方法为例进行说明，如图3所示：
具体地，利用电流传感器和流量传感器分别获取循环水养殖中循环泵的定子电流信号和养殖池的管道的流量信息，利用嵌入式节点驱动外设NB-IOT模块无线传输到云端服务器，云端服务器部署的模型将实时进行诊断，诊断模型采用长短时记忆网络LSTM及卷积神经网络CNN的结合算法进行分类学习，并在模型中引入自适应阈值对输入进行选择性学习，优化网络权重分布，提高网络性能，在训练模型时首先完成数据预处理，之后采用迁移学习方法实现将源数据与目标数据进行域适配，实现对源数据集知识的迁移，并将结果反向传输到嵌入式端，得到轴承不同状态的报警信号。
循环水养殖是现在工厂化养殖的一种流行方式，循环泵作为主要的耗电设备，是整个循环水养殖系统的关键动力。现代循环水养殖企业已经开始进入规模化生产，通常一家企业拥有许多循环水车间，而每个循环水车间(车间1至车间n)也会根据具体的养殖规模大小配备不同数量的循环水泵，仅单个循环水泵发生故障就可能造成整个生产线的停滞，造成巨大的经济损失。循环泵数量多，滚动轴承故障偶发性都导致了电机运行状态的数据显现出大数据特性。对诊断技术的鲁棒性、泛化能力、实时性提出了较高的要求。
具体地，为每个循环泵都配置了一个STM332集成控制板，控制集成板包括STM32芯片、存储器、供电电路、低功耗NBIOT通信模块、电流传感器、流量传感器、水位传感器、LCD显示屏、蜂鸣器及相应的连线，电流传感器不侵入循环泵，对循环泵进行无损电流信号采集，采集的电流信号按照STM32集成板顺序进行编号；STM32集成板的I/O口连接电流传感器采集对应循环泵的定子电流信号和流量传感器采集的管道的流量信息，并且连接一个放置在外侧第二个养殖池的水位传感器获取养殖池水位信息。
其中，采集的定子电流信号、管道的流量信息和养殖池水位信息通过STM32连接的外设NBIOT传输到云端服务器上。云端服务器端保存的凯斯西储大学的轴承振动信号数据作为源域原始数据，其源域任务是10种分类，即健康、内滚道轻度磨损、内滚道中度磨损、内滚道重度磨损、外滚道轻度磨损、外滚道中度磨损、外滚道重度磨损、球体轻度磨损、球体中度磨损和球体重度磨损，循环泵定子电流信号和管道的流量信息数据作为目标域原始数据，目标域所对应任务与源域任务一致。
云端服务器将接收到的数据进行保存，作为目标域原始数据进行备用，同时云端服务器将提前保存的凯斯西储大学的轴承振动信号数据作为源域原始数据备用，将源域原始数据和目标域原始数据作为训练集样本进行训练。
对源域原始数据和目标域原始数据进行数据预处理，并将预处理后的源域原始数据和目标域原始数据输入至预设的基于自适应阈值改进的迁移长短时记忆-卷积神经网络(LSTM-CNN)模型进行训练，确定迁移LSTM-CNN模型的网络权重参数。
需要说明的是，本发明中的预设LSTM-CNN模型可以通过如下方式进行构建，具体地：
构建LSTM层，LSTM首先通过遗忘门决定细胞状态需要丢弃哪些信息。
ft＝σ(Wf·[ht-1,xt]+bf) (1)
然后LSTM输入门的操作决定给细胞状态添加哪些细胞信息。
it＝σ(Wi·[ht-1,xt]+bi) (2)
之后更新细胞信息，并通过输出门得到最终输出。
ot＝σ(WO·[ht-1,xt]+bO) (5)
ht＝ot*tanh(Ct) (6)
其中，x为LSTM输入向量；h为单元格输出向量；f，i，o分别为遗忘门，输入门，输出门；C表示单元状态；下标t表示时刻；σ，tanh分别为sigmoid和tanh激活函数；W和b分别表示权重和偏差矩阵。
构建CNN网络层，其具体过程为：
构建CNN网络层，由原始输入数据与多个卷积核进行卷积运算生成新的特征映射，输入数据序列为Xn＝[x1,x2,...,xL]，其中n表示第n个数据段，L表示这个数据段序列的长度，也代表了卷积核的长度。W被定义为卷积核。则卷积操作被定义为：
其中：表示第j个卷积核上的第i个权重，b表示偏置项。输出/>则为卷积核W在序列/>上学习到的特征。
通过卷积核从样本数据的第一个数据段到最后一个数据段移动，得到第j个卷积核的特征映射，可以表示为：
构建激活层，卷积操作后需要利用激活函数使网络得到非线性表达，选择线性整流单元ReLU作为激活函数；
构建池化层，池化能够提取每个特征映射中最重要的局部信息，并且通过该操作可以显著减小特征维度，选择最大池化max-pooling作为池化方式。
在构建的CNN层之后还构建有softmax分类层，对循环泵轴承故障状态进行分类和识别。
根据确定的网络权重参数以及迁移LSTM-CNN模型，得到轴承故障检测模型，并可以将轴承故障检测模型部署在云端服务器上，将之后采集的循环泵的定子电流信号和管道的流量信息数据作为测试集样本，直接输入部署在云端服务器上的轴承故障检测模型进行诊断，以对循环水养殖池中的循环泵进行故障检测，还可以将诊断结果无线反馈给对应的STM32芯片中。
本发明提供的循环泵轴承故障检测方法，在不影响正常水产养殖生产的情况下，可以利用源域原始数据中的轴承数据集学习到的知识来判断本场景下的故障类型，从而在无数据标签情况下间接完成对循环泵的高精度故障诊断，确保了循环水养殖系统的安全，达到安全生产、高效增产的作用。
进一步地，在一个实施例中，对训练集样本的预处理，可以具体包括：
S01、对目标域原始数据和源域原始数据进行归一化处理；
S02、按照预设样本点对归一化后的源域原始数据进行分段划分，并采用独热编码方式为每个分段划分后的样本添加标签；
S03、利用滑动窗口法对归一化后的目标域原始数据进行扩充；
其中，扩充后的目标域原始数据中的样本点数与分段划分后的源域原始数据的样本点数相同。
具体地，对源域原始数据和目标域原始数据都进行归一化处理，方便计算；
对归一化处理后的源域原始数据进行分段划分，将凯斯西储大学轴承数据按照预设样本点分段划分数据，例如，将凯斯西储大学轴承振动信号数据按照400个样本点为一个新样本来分段划分数据，并用独热编码ONEHOT为分段后的每一个新样本添加标签；
对目标域原始数据进行数据预处理，利用滑动窗口法对归一化后的目标域原始数据进行扩充，由于目标域数据量较少，常常采用线性差值法对缺失值进行扩充，滑动窗口的大小和对源域原始数据进行分段划分获得的新样本的样本点数大小一样，均为400，滑动窗口的步长可以根据实际场景设置，例如，设置为40或20。
本发明提供的循环泵轴承故障检测方法，对训练集样本中的目标域原始数据和源域原始数据进行预处理，降低了原始数据中的噪声影响，从而降低了模型计算的复杂度，提高了模型训练的效率。
进一步地，在一个实施例中，步骤S2可以具体包括：
S21、将所述预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN进行迭代训练，并在连续预设个Epoch的迁移LSTM-CNN模型的损失值低于预设值时，停止迭代，以确定网络权重参数。
具体地，将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行训练，并通过SGD随机梯度下降进行快速迭代，将预设LSTM-CNN模型的学习率设置为0.01，直至预设LSTM-CNN模型连续预设个Epoch例如连续5个Epoch的损失值都低于预设值时，训练停止，得到迁移LSTM-CNN模型的网络权重参数。其中预设值可以根据实际需求设置，例如预设值为0.4。
本发明提供的循环泵轴承故障检测方法，基于SGD优化算法对模型的网络权重参数进行优化，并在连续预设个Epoch的模型损失值达到要求时停止训练，得到最优的网络权重参数，使得后续以该网络权重参数确定的轴承故障检测模型在实际养殖池生产中可以快速准确的识别故障类型和故障程度，维护了养殖池生产的安全性。
进一步地，在一个实施例中，迁移LSTM-CNN模型的损失值通过如下方式确定：
将预处理后的训练集样本输入至迁移LSTM模型，以获取训练集样本的时序特征；
将训练集样本的时序特征输入至自适应阈值层，以对训练集样本的时序特征进行降噪处理；
将降噪处理后的训练集样本的时序特征输入至预设CNN模型，以获取与降噪处理后的训练集样本的时序特征对应的目标特征映射；
将目标特征映射输入至预设多层域适配层进行迭代训练，以获取训练集样本的特征迁移学习结果；
根据训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，并根据域差异函数和对带标签的源域原始数据进行分类的交叉熵损失函数，确定迁移LSTM-CNN模型的损失函数；
根据损失函数确定损失值。
具体地，将预处理后的训练集样本输入至迁移LSTM模型进行迭代训练，以获取训练集样本的时序特征，并在预设LSTM-CNN模型之间构建自适应阈值层，对数据进行降噪处理，具体地，当输入不同的样本数据时，自适应阈值层会赋予不同样本以不同的阈值，即自适应阈值层注意到与当前任务无关的特征，通过自适应阈值化，将它们置为零，注意到与当前任务有关的特征，将它们保留下来。
将降噪处理后的训练集样本的时序特征输入至采用上述方法构建的CNN模型进行迭代训练，得到与降噪处理后的训练集样本的时序特征对应的目标特征映射。
构建两层全连接层作为域适配层，将目标特征映射输入至全连接层进行迭代训练，得到训练集样本中目标域原始数据的特征迁移学习结果和源域原始数据的特征迁移学习结果。
根据目标域原始数据的特征迁移学习结果和源域原始数据的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，并根据域差异函数和对带标签的源域原始数据进行分类的交叉熵损失函数，对得到的域差异函数以及交叉熵损失函数进行求和，确定迁移LSTM-CNN模型的损失函数，并根据损失函数计算得到迁移LSTM-CNN模型的损失值。
本发明提供的循环泵轴承故障检测方法，给出了预设LSTM-CNN模型的损失值计算方法，并以此损失值作为模型优化目标对模型的网络权重参数进行优化，从而获得轴承故障检测模型，实现对循环泵的故障检测。
进一步地，在一个实施例中，将训练集样本的时序特征输入至自适应阈值层，以对训练集样本的时序特征进行降噪处理，可以具体包括：
获取输入至自适应阈值层的时序特征的绝对值；
对时序特征的绝对值进行全局均值池化和平均计算，获取新的时序特征；
根据预设特征系数以及新的时序特征确定自适应阈值，并根据自适应阈值对训练集样本的时序特征进行降噪处理。
具体地，将训练集样本的时序特征输入至自适应阈值层，以求解输入值自适应阈值层的所有时序特征的绝对值；
对时序特征的绝对值经过全局均值池化和平均计算，获得一个新的时序特征，记为A；
在另一条路径中，全局均值池化之后的时序特征，在Relu激活函数激活后，被输入到一个小型的全连接网络，这个全连接网络用Sigmoid函数将输出归一化到0到1之间，获得一个系数(即：预设特征系数)，记为α；
根据预设特征系数以及新的时序特征得到自适应阈值为α×A，不同的样本就有了不同的阈值，自适应阈值层注意到与当前任务无关的特征，通过自适应阈值化，将对应的权重参数置为零，注意到与当前任务有关的特征，将对应的权重参数保留下来，以对训练集样本的时序特征进行降噪处理。
本发明提供的循环泵轴承故障检测方法，通过自适应阈值层进行自适应地调整重要特征的权重参数，降低特征中的噪音，使得在实际生产中能够快速准确地识别故障类型和故障程度，维护了生产的安全性，保障了循环水养殖系统的正常运行，从而达到降低损耗和生产成本的效果。
进一步地，在一个实施例中，根据训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，包括：
根据源域原始数据的源域特征迁移学习结果和目标域原始数据的目标域特征迁移学习结果，获取源域与目标域的MK-MMD距离；
根据源域与目标域的MK-MMD距离、惩罚系数和域适配层的层数确定域差异函数。
具体地，为构建的模型增加多层域适配层，具体为对于两个概率分布p,q，对源域原始数据的源域特征迁移学习结果是IS,目标域原始数据的目标域特征迁移学习结果是IT，源域与目标域的MK-MMD距离为：
其中，φ表示原始数据到Hk空间的映射，Hk表示定义一个再生的希尔伯特空间，其中k代表固定的函数，这里指内积空间，其具有以下性质：
k(IS,IT)＝<φ(IS),φ(IT)> (10)
K是核集合：
其中，用m个kenel进行加权，βu是权重。
模型训练过程是：将源域原始数据和目标域原始数据送入模型中，模型的损失函数等于对带标签的源域原始数据进行分类的交叉熵损失函数、源域原始数据与目标域原始数据的域差异函数这两个部分的和，公式如下：
其中，Θ是经自适应阈值层改进的迁移LSTM-CNN模型网络中所有权重参数的代表，是学习和调整的目标，J(·)表示交叉熵损失函数，l1,l2是预设经自适应阈值层改进的LSTM-CNN模型最后的两层全连接层，是进行域适配的层，是源域原始数据和目标域原始数据的所有带标签的数据集合，λ是惩罚系数，/>表示第l层(这里指1或者2层)的训练集和测试集之间的MK-MMD。
本发明提供的循环泵轴承故障检测方法，采用迁移学习方法实现将源域原始数据与目标域原始数据进行域适配，实现对源域原始数据集知识的迁移，根据源域与目标域的差异值，实现了无需对目标域原始数据添加标签就可间接完成对循环泵的高精度故障诊断。
进一步地，在一个实施例中，在步骤S4之后还包括：
S5、根据故障检测结果和养殖池水位信息对循环泵的变频开关进行调节；
S6、若养殖池水位信息在预设正常范围内，则不进行变频开关的调节；
若养殖池水位信息在低于预设正常范围内，则根据关系曲线调大入水泵的变频开关或调小出水泵的变频开关，以使养殖池水位升高至预设正常范围内；
若养殖池水位信息在高于预设正常范围内，则根据关系曲线调大出水泵的变频开关或调小入水泵的变频开关，以使养殖池水位降低至预设正常范围内；
其中，关系曲线是根据循环泵处于不同轴承故障状态下的变频开关与养殖池流量之间的关系确定的。
具体地，基于上述方法获得轴承故障检测模型之后，并将轴承故障检测模型在云端服务器上部署，创建循环泵处于不同轴承故障状态下的变频开关与养殖池流量的对应关系曲线；
根据故障检测结果对循环泵的变频开关进行调控具体为：电流传感器采集的循环泵的定子电流信号和管道的流量信息数据通过预处理之后被送入部署在云端服务器上的轴承故障检测模型中，获得故障检测结果，云端服务器会根据循环泵的定子电流信号带有的编号将故障检测结果通过NBIOT返回到STM32控制集成板中，并在外设LCD显示屏上实时显示状态信息，若故障检测结果显示循环泵处于非健康状态将会启动蜂鸣器外设进行报警，为保障养殖池正常的液体循环，当故障检测结果和水位传感器的采集的养殖池水位信息有以下几种方式，将在不同轴承状态下对循环泵变频开关进行调节：
当养殖池水位数值在预设正常范围内，将不进行循环泵的变频开关的调节；
当养殖池水位数值低于预设正常范围内，将根据对应的循环泵处于不同轴承故障状态下的变频开关与养殖池流量的关系曲线调大入水水泵的变频开关或调小出水水泵的变频开关来提高养殖池管道流量，保障养殖池水位升高至预设正常范围内；
当养殖池水位数值高于预设正常范围内，将根据对应的循环泵处于不同轴承故障状态下的变频开关与养殖池流量的关系曲线调大出水水泵的变频开关或调小入水水泵的变频开关来降低养殖池管道流量，保障水位降低至预设正常范围内。
本发明提供的循环泵轴承故障检测方法，能够根据故障检测结果和养殖池水位信息及时对循环泵进行调控，以避免因循环泵发生故障而造成整个生产线的停滞，从而导致巨大的经济损失，保障了循环水养殖系统的正常运行，维护了生产的安全性。
下面对本发明提供的循环泵轴承故障检测系统进行描述，下文描述的循环泵轴承故障检测系统与上文描述的循环泵轴承故障检测方法可相互对应参照。
图4是本发明提供的循环泵轴承故障检测系统的结构示意图，如图4所示，包括：数据采集模块410、参数确定模块411、模型确定模块412以及故障检测模块413；
数据采集模块410，用于获取目标域原始数据和源域原始数据，并将目标域原始数据和源域原始数据作为训练集样本；
参数确定模块411，用于将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定迁移LSTM-CNN模型的网络权重参数；
模型确定模块412，用于根据网络权重参数和迁移LSTM-CNN模型，确定轴承故障检测模型；
故障检测模块413，用于将测试集样本输入至轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
源域原始数据为凯斯西储大学的轴承振动信号数据；
测试集样本为在训练集样本之后时刻采集的目标域原始数据。
目标域原始数据本发明提供的循环泵轴承故障检测系统，在不影响正常水产养殖生产的情况下，可以利用源域原始数据中的轴承数据集学习到的知识来判断本场景下的故障类型，从而在无数据标签情况下间接完成对循环泵的高精度故障诊断，确保了循环水养殖系统的安全，达到安全生产、高效增产的作用。
图5是本发明提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communication interface)511、存储器(memory)512和总线(bus)513，其中，处理器510，通信接口511，存储器512通过总线513完成相互间的通信。处理器510可以调用存储器512中的逻辑指令，以执行如下方法：
获取目标域原始数据和源域原始数据，并将目标域原始数据和源域原始数据作为训练集样本；
将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定迁移LSTM-CNN模型的网络权重参数；
根据网络权重参数和迁移LSTM-CNN模型，确定轴承故障检测模型；
将测试集样本输入至轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
源域原始数据为凯斯西储大学的轴承振动信号数据；
测试集样本为在训练集样本之后时刻采集的目标域原始数据。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的循环泵轴承故障检测方法，例如包括：
获取目标域原始数据和源域原始数据，并将目标域原始数据和源域原始数据作为训练集样本；
将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定迁移LSTM-CNN模型的网络权重参数；
根据网络权重参数和迁移LSTM-CNN模型，确定轴承故障检测模型；
将测试集样本输入至轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
源域原始数据为凯斯西储大学的轴承振动信号数据；
测试集样本为在训练集样本之后时刻采集的目标域原始数据。
目标域原始数据另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的循环泵轴承故障检测方法，例如包括：
获取目标域原始数据和源域原始数据，并将目标域原始数据和源域原始数据作为训练集样本；
将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定迁移LSTM-CNN模型的网络权重参数；
根据网络权重参数和迁移LSTM-CNN模型，确定轴承故障检测模型；
将测试集样本输入至轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
源域原始数据为凯斯西储大学的轴承振动信号数据；
测试集样本为在训练集样本之后时刻采集的目标域原始数据。
目标域原始数据以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种循环泵轴承故障检测方法，其特征在于，包括：
获取目标域原始数据和源域原始数据，并将所述目标域原始数据和所述源域原始数据作为训练集样本；
将预处理后的训练集样本输入至预设的基于自适应阈值层改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数；
根据所述网络权重参数和所述迁移LSTM-CNN模型，确定轴承故障检测模型；
将测试集样本输入至所述轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，所述目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
所述源域原始数据为凯斯西储大学的轴承振动信号数据；
所述测试集样本为在所述训练集样本之后时刻采集的所述目标域原始数据；
所述将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数，包括：
将所述预处理后的训练集样本输入至所述预设的基于自适应阈值改进的迁移LSTM-CNN进行迭代训练，并在连续预设个Epoch的所述迁移LSTM-CNN模型的损失值低于预设值时，停止迭代，以确定所述网络权重参数；
所述迁移LSTM-CNN模型的损失值通过如下方式确定：
将所述预处理后的训练集样本输入至预设LSTM模型，以获取训练集样本的时序特征；
将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理；
将降噪处理后的训练集样本的时序特征输入至预设CNN模型，以获取与所述降噪处理后的训练集样本的时序特征对应的目标特征映射；
将所述目标特征映射输入至预设多层域适配层进行迭代训练，以获取所述训练集样本的特征迁移学习结果；
根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，并根据所述域差异函数和对带标签的源域原始数据进行分类的交叉熵损失函数，确定所述预设LSTM-CNN模型的损失函数；
根据所述损失函数确定所述损失值；
所述将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理，包括：
获取输入至所述自适应阈值层的所述时序特征的绝对值；
对所述时序特征的绝对值进行全局均值池化和平均计算，获取新的时序特征；
根据预设特征系数以及所述新的时序特征确定自适应阈值，并根据所述自适应阈值对所述训练集样本的时序特征进行降噪处理；
所述根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，包括：
根据所述源域原始数据的源域特征迁移学习结果和所述目标域原始数据的目标域特征迁移学习结果，获取源域与目标域的MK-MMD距离；
根据所述源域与目标域的MK-MMD距离、惩罚系数和域适配层的层数确定所述域差异函数。
2.根据权利要求1所述的循环泵轴承故障检测方法，其特征在于，对所述训练集样本的预处理，包括：
对所述目标域原始数据和所述源域原始数据进行归一化处理；
按照预设样本点对归一化后的源域原始数据进行分段划分，并采用独热编码方式为每个分段划分后的样本添加标签；
利用滑动窗口法对归一化后的目标域原始数据进行扩充；
其中，扩充后的目标域原始数据中的样本点数与分段划分后的源域原始数据的样本点数相同。
3.根据权利要求1或2所述的循环泵轴承故障检测方法，其特征在于，在对循环水养殖池中的循环泵进行故障检测之后，还包括：
根据故障检测结果和养殖池水位信息对所述循环泵的变频开关进行调节；
若所述养殖池水位信息在预设正常范围内，则不进行所述变频开关的调节；
若所述养殖池水位信息在低于所述预设正常范围内，则根据关系曲线调大入水泵的变频开关或调小出水泵的变频开关，以使所述养殖池水位升高至所述预设正常范围内；
若所述养殖池水位信息在高于所述预设正常范围内，则根据关系曲线调大出水泵的变频开关或调小入水泵的变频开关，以使所述养殖池水位降低至所述预设正常范围内；
其中，所述关系曲线是根据循环泵处于不同轴承故障状态下的变频开关与养殖池流量之间的关系确定的。
4.一种循环泵轴承故障检测系统，其特征在于，包括：数据采集模块、参数确定模块、模型确定模块以及故障检测模块；
所述数据采集模块，用于获取目标域原始数据和源域原始数据，并将所述目标域原始数据和所述源域原始数据作为训练集样本；
所述参数确定模块，用于将预处理后的训练集样本输入至预设的基于自适应阈值改进的迁移LSTM-CNN模型进行迭代训练，以确定所述迁移LSTM-CNN模型的网络权重参数；
所述模型确定模块，用于根据所述网络权重参数和所述迁移LSTM-CNN模型，确定轴承故障检测模型；
所述故障检测模块，用于将测试集样本输入至所述轴承故障检测模型，获取实时的轴承状态类型，以对循环水养殖的循环泵进行轴承故障检测；
其中，所述目标域原始数据包括循环泵的定子电流信号数据和循环水养殖的管道流量信息数据；
所述源域原始数据为凯斯西储大学的轴承振动信号数据；
所述测试集样本为在所述训练集样本之后时刻采集的所述目标域原始数据；
所述参数确定模块具体用于：
将所述预处理后的训练集样本输入至所述预设的基于自适应阈值改进的迁移LSTM-CNN进行迭代训练，并在连续预设个Epoch的所述迁移LSTM-CNN模型的损失值低于预设值时，停止迭代，以确定所述网络权重参数；
所述迁移LSTM-CNN模型的损失值通过如下方式确定：
将所述预处理后的训练集样本输入至预设LSTM模型，以获取训练集样本的时序特征；
将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理；
将降噪处理后的训练集样本的时序特征输入至预设CNN模型，以获取与所述降噪处理后的训练集样本的时序特征对应的目标特征映射；
将所述目标特征映射输入至预设多层域适配层进行迭代训练，以获取所述训练集样本的特征迁移学习结果；
根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，并根据所述域差异函数和对带标签的源域原始数据进行分类的交叉熵损失函数，确定所述预设LSTM-CNN模型的损失函数；
根据所述损失函数确定所述损失值；
所述将所述训练集样本的时序特征输入至所述自适应阈值层，以对所述训练集样本的时序特征进行降噪处理，包括：
获取输入至所述自适应阈值层的所述时序特征的绝对值；
对所述时序特征的绝对值进行全局均值池化和平均计算，获取新的时序特征；
根据预设特征系数以及所述新的时序特征确定自适应阈值，并根据所述自适应阈值对所述训练集样本的时序特征进行降噪处理；
所述根据所述训练集样本的特征迁移学习结果，获取源域原始数据与目标域原始数据的域差异函数，包括：
根据所述源域原始数据的源域特征迁移学习结果和所述目标域原始数据的目标域特征迁移学习结果，获取源域与目标域的MK-MMD距离；
根据所述源域与目标域的MK-MMD距离、惩罚系数和域适配层的层数确定所述域差异函数。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至3任一项所述循环泵轴承故障检测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述循环泵轴承故障检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110360987.8A CN113158364B (zh) | 2021-04-02 | 2021-04-02 | 循环泵轴承故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110360987.8A CN113158364B (zh) | 2021-04-02 | 2021-04-02 | 循环泵轴承故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158364A CN113158364A (zh) | 2021-07-23 |
| CN113158364B true CN113158364B (zh) | 2024-03-22 |
Family
ID=76886471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110360987.8A Active CN113158364B (zh) | 2021-04-02 | 2021-04-02 | 循环泵轴承故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158364B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113624334B (zh) * | 2021-08-10 | 2023-11-10 | 四川浩淼睿诚科技有限公司 | 一种基于物联网技术的机组振动监测装置及方法 |
| CN114486262B (zh) * | 2022-01-28 | 2023-03-21 | 河海大学 | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 |
| CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术（深圳）有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
| CN114638060B (zh) * | 2022-03-10 | 2023-02-17 | 重庆英科铸数网络科技有限公司 | 故障预测方法、系统、电子设备 |
| CN115272340B (zh) * | 2022-09-29 | 2023-04-07 | 江苏智云天工科技有限公司 | 工业产品缺陷检测方法和装置 |
| CN115712064B (zh) * | 2022-11-07 | 2024-02-06 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
| CN116821730B (zh) * | 2023-08-30 | 2024-02-06 | 北京科锐特科技有限公司 | 风机故障检测方法、控制装置及存储介质 |
| CN117451288B (zh) * | 2023-10-16 | 2024-05-10 | 国网经济技术研究院有限公司 | 一种海上柔直平台阀冷主循环泵的故障诊断方法及装置 |
| CN117372880B (zh) * | 2023-12-07 | 2024-02-09 | 天津市祥途测绘科技有限公司 | 一种基于遥感影像的道路工程监管系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902798A (zh) * | 2018-05-31 | 2019-06-18 | 华为技术有限公司 | 深度神经网络的训练方法和装置 |
| US11704552B2 (en) * | 2018-10-29 | 2023-07-18 | Microsoft Technology Licensing, Llc | Task detection in communications using domain adaptation |
-
2021
- 2021-04-02 CN CN202110360987.8A patent/CN113158364B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧;陈英义;程倩倩;方晓敏;于辉辉;李道亮;;农业工程学报;20180831(第17期);全文 * |
| 基于鉴别模型和对抗损失的无监督域自适应方法;赵文仓;袁立镇;徐长凯;;高技术通讯;20200715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158364A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113158364B (zh) | 循环泵轴承故障检测方法及系统 | |
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN114925723B (zh) | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 | |
| CN113627091A (zh) | 一种用于预测能源负荷的装置及方法 | |
| CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN115994308A (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN115239034B (zh) | 一种风力发电机叶片早期缺陷预测方法及系统 | |
| CN111275025A (zh) | 一种基于深度学习的车位检测方法 | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| CN116484513A (zh) | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 | |
| CN113723210A (zh) | 一种应用于智慧园区给水管泄露边缘设备检测方法和系统 | |
| CN117649528B (zh) | 一种半监督图像分割方法、系统、电子设备及存储介质 | |
| Jia et al. | Lightweight CNN-Based Image Recognition with Ecological IoT Framework for Management of Marine Fishes | |
| CN110889550A (zh) | 基于迁移学习的不同水域溶解氧预测方法 |
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 |