CN113158878B - 一种基于子空间的异构迁移故障诊断方法、系统和模型 - Google Patents

一种基于子空间的异构迁移故障诊断方法、系统和模型 Download PDF

Info

Publication number
CN113158878B
CN113158878B CN202110416215.1A CN202110416215A CN113158878B CN 113158878 B CN113158878 B CN 113158878B CN 202110416215 A CN202110416215 A CN 202110416215A CN 113158878 B CN113158878 B CN 113158878B
Authority
CN
China
Prior art keywords
subspace
domain data
training
representing
training 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.)
Active
Application number
CN202110416215.1A
Other languages
English (en)
Other versions
CN113158878A (zh
Inventor
徐娟
徐占锋
丁煦
樊玉琦
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110416215.1A priority Critical patent/CN113158878B/zh
Publication of CN113158878A publication Critical patent/CN113158878A/zh
Application granted granted Critical
Publication of CN113158878B publication Critical patent/CN113158878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于子空间的异构迁移故障诊断模型，包括特征提取器、公共空间提取模块和分类器；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且训练样本对应各标签的概率总和为1。本发明可有效地利用其他零部件的故障信息，对目标故障零部件进行分类，从而对故障信号同类的零部件集中处理，极大地增加了智能故障诊断的实用性，有利于推进智能故障诊断的实际应用。

Description

一种基于子空间的异构迁移故障诊断方法、系统和模型
技术领域
本发明涉及故障分类领域，尤其涉及一种基于子空间的异构迁移故障诊断方法、系统和模型。
背景技术
齿轮箱、轴承等旋转体被广泛地应用于机械装置。机械故障在很大程度上会影响现代工厂的安全、效率、产品质量。随着现代工业智能化和信息化的发展，数据驱动的故障诊断方法被广泛的运用于故障诊断，并体现出了巨大的优势和传统机器学习方法一样，想要取得较好的故障诊断效果，需要满足以下两个要求：大量带标签数据用于训练神经网络；源域和目标域的数据分布相同。然而，当零件不同时，将会造成训练集和测试集的样本空间、标签空间存在差异，以至于故障诊断的精度会急剧下降。从工业设备中采集大量带标签的机械振动信号非常昂贵，为每个零件建立训练集几乎是不可能。带标签振动数据的不足严重阻碍了智能故障诊断的发展。
面对训练数据不足的问题，挖掘可用数据成为研究的重点。迁移学习可以将从源域学习到的有用知识应用到不同但相关的目标领域，为解决训练数据不足的问题提供了可能。目前，基于迁移学习的跨领域智能故障诊断得到了广泛发展。然而，现有方法仅可应用于解决同一台机器在不同运行条件下的领域迁移问题。当源域和未标记目标域为两个完全不同的工件时，即两个域的样本空间和类别空间均不相同，如何实现无监督异构迁移故障诊断任务仍然是一个极具挑战的问题。
发明内容
为了解决上述现有技术中缺少无监督异构迁移故障诊断的技术的缺陷，本发明提出了一种基于子空间的异构迁移故障诊断方法、系统和模型。
本发明的目的之一采用以下技术方案：
一种基于子空间的异构迁移故障诊断方法，首先获取用于对测试数据进行分类识别的故障分类模型，故障分类模型的获得包括以下步骤：
S1、基于深度神经网络构建故障分类模型，故障分类模型由特征提取器、公共空间提取模块和分类器组成；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且每一个训练样本对应各标签的概率总和为1；
S2、获取标注数据构建训练样本，并结合训练样本对故障分类模型进行训练。
优选的，步骤S1中，用于训练故障分类模型的损失函数LTotal(θ)为：
Figure BDA0003025977090000021
其中，θM、θC和θS分别表示特征提取器、公共空间提取模块和分类器的参数；Llap(θM,θC)表示图拉普拉斯变换损失，Lccs(θM,θC)为近二值表示损失，Lcla(θM,θC,θS)表示分类器的分类损失；α和β为超参数；F表示特征提取器对应的特征空间，Fi表示特征提取器提取的第i个训练样本xi的多维特征，Fj表示特征提取器提取的第j个训练样本xj的多维特征，FC,i表示训练样本xi在公共子空间中的特征；Tra(·)为矩阵的迹，L为训练样本在公共子空间产生的拉普拉斯变换矩阵；
N为训练样本的数量，yi为训练样本xi的标注标签，yi’为训练样本xi的预测标签，1≤i≤N；wij表示训练样本xi和训练样本xj之间的相似度，1≤j≤N；
D为训练样本的标签数量，yik表示训练样本xi属于第k个类别的概率真实值，yik’表示训练样本xi属于第k个类别的概率预测值，1≤k≤D。
优选的，wij的计算方式为：
Figure BDA0003025977090000031
其中，p为自适应阈值，
Figure BDA0003025977090000032
||A-B||表示A和B之间的欧式距离。
优选的，特征提取器由输入层和3个卷积层构成，公共空间提取模块为全连接层，分类器为激活函数采用softmax的D维的全连接层，D为训练样本的标签数量。
优选的，公共空间提取模块利用近二值表示学习提取训练样本的公共特征属性，以生成各训练样本共享的公共子空间；近二值表示的含义为：各维度的特征均量化为0到1之间的数值。
优选的，步骤S2中，训练样本由m个带标签的源域数据和n个带伪标签的目标域数据组成，m+n＝N；
带标签的源域数据的集合DS为：
Figure BDA0003025977090000033
带伪标签的目标域数据的集合DT为：
Figure BDA0003025977090000041
其中，xu表示源域数据，yu表示源域数据xu对应的标签，XS表示源域数据集合，YS表示各源域数据的标签的集合，lSi'表示源域数据的标签中的第i'个，1≤i'≤p，p为源域数据的标签数量；
xv表示目标域数据，yv表示目标域数据xv对应的伪标签，XT表示目标域数据集合，YT表示各目标域数据的伪标签的集合，lTi”表示目标域数据的伪标签中的第i”个，1≤i”≤q，q为目标域数据的伪标签数量；
Figure BDA0003025977090000042
优选的，带伪标签的目标域数据的获得方式为：采用高斯混合模型对未标记的目标域数据设计伪标签。
优选的，对目标域数据进行分类时，将作为测试样本的目标域数据输入训练完成的故障分类模型，获取测试样本对应各故障类别的概率，并获取所述概率中的最大值所对应的故障类别作为测试样本的归属类别。
本发明的目的之二采用以下技术方案：
一种基于子空间的异构迁移故障诊断系统，包括存储模块和处理模块；所述存储模块中存储有计算机程序，所述处理模块用于在执行所述计算机程序时，实现上述的基于子空间的异构迁移故障诊断方法。
本发明的目的之三采用以下技术方案：
一种基于子空间的异构迁移故障诊断模型，包括特征提取器、公共空间提取模块和分类器；
特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且训练样本对应各标签的概率总和为1。
本发明的优点在于：
(1)本发明提出了一种基于子空间的无监督异构迁移故障诊断方法，首先，引入深度卷积神经网络来提取源和目标域共享的高维特征空间；然后，利用近二值表示学习对源域和目标域的共同潜在属性进行学习，以衡量不同样本之间的相似度；最后，根据样本在公共潜在属性空间即公共子空间中的相似性，利用图拉普拉斯算子在公共子空间中最大化类间距离，最小化类内距离。与现有迁移学习方法不同的是，该方法在设计迁移学习分类时考虑了两个域中任意两个样本在不同类别空间中的相似度，从而精确适应高维特征空间。因此，通过公共子空间，可以有效地处理无监督异构迁移故障诊断任务。
(2)本发明中，由于目标域数据未标注，利用目标域原始数据分布信息为未标记的目标域数据设计伪标签，有利于学习更多的目标域特征信息，增强模型对目标域故障的识别能力，以保证提取的共同潜在属性的有效性，保证了图拉普拉斯算子所得到的公共子空间的一致性。
(3)本发明提出了一种基于子空间的无监督异构迁移故障诊断方法，适用于最具挑战的源域和无标记目标域是两个类别空间不同的零件的情况，可有效地利用其他零部件的故障信息，对目标故障零部件进行分类，从而对故障信号同类的零部件集中处理，极大地增加了智能故障诊断的实用性，有利于推进智能故障诊断的实际应用。
(4)通过联合域对故障分类模型进行训练，兼顾了模型的故障分类准确度和模型对目标域的适用性，从而有利于保证该故障分类模型对目标域数据的准确分类。
附图说明
图1为一种基于子空间的异构迁移故障诊断模型结构示意图；
图2为一种基于子空间的异构迁移故障诊断方法流程图；
图3(a)为齿轮试验数据的原始分布图；
图3(b)为卷积神经网络(CNN)对图(a)所示数据的聚类结果；
图3(c)为生成对抗网络(GAN)对图(a)所示数据的聚类结果；
图3(d)为本申请提出的一种基于子空间的异构迁移故障诊断模型对图(a)所示数据的聚类结果。
图3(a)到图3(d)中的横纵坐标表示维度，横纵坐标构成的二维空间为特征提取器提取的多维特征降为二维特征后对应的空间。
具体实施方式
本实施方式提出的一种基于子空间的异构迁移故障诊断方法，首先构建故障分类模型，然后通过训练完成的故障分类模型对目标域数据进行故障分类。
本实施方式中，基于深度神经网络构建故障分类模型，故障分类模型由特征提取器、公共空间提取模块和分类器组成。特征提取器用于提取各训练样本的多维特征。公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征。分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且每一个训练样本对应各标签的概率之和为1。
本实施方式中，故障分类模型构建完成后，结合训练样本对故障分类模型进行训练，训练样本为标注数据。
如此，对目标域数据进行分类时，将作为测试样本的目标域数据输入训练完成的故障分类模型，获取测试样本对应各故障类别的概率，并获取所述概率中的最大值所对应的故障类别作为测试样本的归属类别。
具体的，本实施方式中构建的故障分类模型，用于对目标域数据进行故障分类，为故障类别相同的零部件进行集中处理奠定基础。
具体实施时，故障分类模型用于对目标域数据进行分类，训练样本可直接采用带伪标签的目标域数据，带伪标签的目标域数据的获得方式为：采用高斯混合模型对未标记的目标域数据设计伪标签。如此，针对目标域数据根据其分布信息设计伪标签，不需要人工标注，便可获取分类的目标域数据作为训练样本，实现了根据零标注的目标域数据训练故障分类模型。本实施方式中，利用目标域原始数据分布信息为未标记的目标域数据设计伪标签，有利于学习更多的目标域特征信息。
具体的，本实施方式中，训练样本由m个带标签的源域数据和n个带伪标签的目标域数据组成，m+n＝N。
本实施方式中，带标签的源域数据的集合DS为：
Figure BDA0003025977090000071
带伪标签的目标域数据的集合DT为：
Figure BDA0003025977090000072
其中，xu表示源域数据，yu表示源域数据xu对应的标签，XS表示源域数据集合，YS表示各源域数据的标签的集合，lSi'表示源域数据的标签中的第i'个，1≤i'≤p，p为源域数据的标签数量；
xv表示目标域数据，yv表示目标域数据xv对应的伪标签，XT表示目标域数据集合，YT表示各目标域数据的伪标签的集合，lTi”表示目标域数据的伪标签中的第i”个，1≤i”≤q，q为目标域数据的伪伪标签数量；
Figure BDA0003025977090000073
如此，本实施方式中，最终获得的训练样本集合可表示为联合域样本集合DTotal：
Figure BDA0003025977090000074
即，本实施方式中，训练样本集合的样本空间X和标签空间Y分别为：
Figure BDA0003025977090000075
本实施方式中，通过结合目标域数据和带标注的源域数据构成训练样本集合，提高了训练样本的丰富多样，进一步提高了故障分类模型的分类精度。
本实施方式中，特征提取器将源域的训练样本和目标域的训练样本映射到高维特征空间；公共特征提取模块用于寻找源域的训练样本和目标域的训练样本的共同特征所在维度，从而确定公共隐藏属性空间，并进一步对训练样本在公共隐藏属性空间中的特征进行近二值表示，以学习目标域和源域共享的潜在特征；分类器根据近二值表示结果对训练样本进行故障分类。
具体的，本实施方式中，特征提取器可用函数表示为：F＝ΦθM(X)，ΦθM(·)表示特征提取器，F表示特征提取器输出的多维特征。本实施方式中，故障分类模型的训练样本域为源域与目标域的联合域，故而，该特征提取器由源域和目标域共享。由于源域数据为人工标注的样本数据，通过联合域对故障分类模型进行训练，兼顾了模型的故障分类准确度和模型对目标域的适用性，从而有利于保证该故障分类模型对目标域数据的准确分类。
本实施方式中，特征提取器采用卷积神经网络，其由输入层和3个卷积层构成，其激活函数采用ReLU激活函数。
该特征提取器中，每一个卷及操作层后面添加极大值池化层Max_pool。卷积池化操作具体如下：
Figure BDA0003025977090000081
hd＝Max_pool(md)
其中，md为卷及操作的结果，*为卷积操作。
Figure BDA0003025977090000082
和
Figure BDA0003025977090000083
分别代表特征提取器的卷积核和偏置，x表示训练样本。hd为极大池化操作的结果，d代表第d个卷积池化操作。
具体的，本实施方式中，特征提取器的各层参数如表格1所示。
表格1
Figure BDA0003025977090000084
Figure BDA0003025977090000091
本实施方式中，公共空间提取模块为全连接层。具体的，公共空间提取模块利用近二值表示学习提取训练样本的公共特征属性，以生成各训练样本共享的公共子空间，即公共隐藏属性空间(CLAS)。近二值表示的含义为：各维度的特征均量化为0到1之间的数值。
公共子空间可表示为：
Figure BDA0003025977090000092
公共子空间为全连接层。激活函数σ(·)意味着
Figure BDA0003025977090000093
Dc为CLAS的输出维度，代表公共隐藏属性的数量，即公共子空间的维度。本实施方式中，CLAS全连接层用来实现样本数据的近二值表示。
对于任意一个样本，都会明显地具有其中的一部分属性。这些明显的属性特征是用于故障分类的有效信息。近二值表示损失用来强化明显的属性，弱化不明显的属性。通过优化近二值表示损失，数据所具有的明显属性会趋向于1，数据所不具有的属性将趋向于0。
与传统二值表示学习相比较，CLAS具有以下关键不同之处：CLAS可用于不同域数据映射到带有新的标签空间的新的领域。CLAS的关键在于给不同领域提供更加一致的特征表示，而传统的二进制特征表示仅用于单个领域。本实施方式中，采用近二值表示代替二值表示，进一步提升了CLAS表示特征的能力。
分类器为激活函数采用softmax的D维的全连接层，D为训练样本的标签数量。
具体的，本实施方式中，分类器表示为：
Figure BDA0003025977090000101
Figure BDA0003025977090000102
可见，分类器实质上是一个选择softmax(逻辑回归模型)作为激活函数的D维的全连接层，D为故障类别的数量。分类器所在的全连接层的针对训练样本xi的输出为zi＝{zi1 zi2 ...ziD}，softmax分类器针对训练样本xi的输出为yi’＝softmax(zi)＝{yi1’ yi2’ ... yiD’}，且
Figure BDA0003025977090000103
其中，yik’为训练样本xi属于第k个故障类别的概率预测值,1≤k≤D。
本实施方式中，将训练样本xi属于第k个类别的概率预测值记作yik’，则：
Figure BDA0003025977090000104
其中，zik表示分类器所在全连接层对应训练样本xi在第k个维度上的输出，1≤k≤D。
具体实施时，本实施方式中，用于训练故障分类模型的损失函数为：
Figure BDA0003025977090000111
其中，θM、θC和θS分别表示特征提取器、公共空间提取模块和分类器的参数；α和β为超参数；F表示特征提取器对应的特征空间，Fi表示特征提取器提取的第i个训练样本xi的多维特征，Fj表示特征提取器提取的第j个训练样本xj的多维特征，FC,i表示训练样本xi在公共子空间中的特征；Tra(·)为矩阵的迹，L为训练样本在公共子空间产生的拉普拉斯变换矩阵；
N为训练样本的数量，yi为训练样本xi的标注标签，yi’为训练样本xi的预测标签，1≤i≤N；wij表示训练样本xi和训练样本xj之间的相似度，1≤j≤N；
D为训练样本的标签数量，yik表示训练样本xi属于第k个类别的概率真实值，yik’表示训练样本xi属于第k个类别的概率预测值，1≤k≤D。
本实施方式中，标注标签yi采用独热编码值。
具体的，上述Llap(θM,θC)表示图拉普拉斯变换损失，Lccs(θM,θC)为近二值表示损失，Lcla(θM,θC,θS)表示分类器的分类损失。
本实施方式中，通过优化Lccs，可以有效地选取更有价值的隐藏属性，过滤干扰的隐藏属性。同时，通过公共空间提取模块将源域数据和目标域数据转换到同一个公共子空间，在公共子空间中，拥有相同类别标签的数据点之间的距离将更小，即拥有相同类别标签的数据点应该有相近的特征表示。本实施方式中，通过优化Llap，可拉近相同标签数据点在公共子空间中的距离，增强两个域的数据在公共子空间中的一致性。
本实施方式中，wij的计算方式为：
Figure BDA0003025977090000121
其中，p为自适应阈值，
Figure BDA0003025977090000122
||A-B||表示A和B公共子空间中的欧式距离，即||FC,i-FC,j||表示训练样本xi和xj在公共子空间中的欧氏距离；1≤i≤N,1≤j≤N，||FC,q-FC,r||表示训练样本xq和xr在公共子空间中的欧氏距离。
本实施方式中，还出了一种基于子空间的异构迁移故障诊断系统，包括存储模块和处理模块；所述存储模块中存储有计算机程序，所述处理模块用于在执行所述计算机程序时，实现上述述的基于子空间的异构迁移故障诊断方法，以获得故障分类模型，并通过故障分类模型对故障数据进行故障分类。
具体的，通过上述故障诊断方法对零件进行故障诊断的步骤如下所示。
第一步，通过加速度传感器采集零部件的振动信号，并对振动信号做预处理，建立带标签的源域数据集和未标记的目标域数据集；然后，用GMM(高斯混合分布模型)对目标域数据做聚类，给目标域的数据设计伪标签；结合带标签的源域数据和带伪标签的目标域数据组成联合训练数据集。
第二步，将联合训练数据集输入本申请提出的故障分类模型(以下均简称所述故障分类模型)，计算整体优化损失，根据误差反向传播算法，用Adam优化器对神经网络参数进行迭代更新，然后固化参数。
第三步，将测试样本集数据输入所述故障分类模型，得出跨领域故障诊断结果。值得注意的时，在测试阶段，将不再对模型参数进行更新
为了进一步验证本发明所提出的方法的有效性，以下，利用轴承数据和齿轮数据进行了不同零件之间的异构迁移故障诊断实验。实验结果如图3所示，其中，相同形状的数据点属于同一故障类别，本实施例中，采用“★”“▲”“●”“╳”“+”表示5种振动信号。图3(a)为齿轮试验数据中5种振动信号的原始分布。图3(b)、图3(c)、图3(d)分别为卷积神经网络(CNN)、生成对抗网络(GAN)和所述故障分类模型对5种振动信号的聚类结果。结果表明，本文提出的所述故障分类模型能学习到更多的判别特征，对健康状况相同的样本进行了正确的聚类，验证了本申请提出的故障诊断模型学习特征的高效性。
为了更明显地比较实验结果，进一步计算聚类结果的归一化互信息、兰德指数和熵。由表格2可知，所述故障分类模型聚类结果的熵值、NMI(归一化互信息)和RI(兰德指数)分别为0.563、0.959和0.951。与其他的两种模型相比，该所述故障分类模型聚类结果具有更低的熵和更高的NMI和RI。表格2中，GL-HTLM表示本发明提出的基于子空间的无监督异构迁移故障诊断模型。
表格2三种分类方法在多个评价指标下的得分
Figure BDA0003025977090000131
对图3进一步分析可知，在用GMM(高斯混合分布模型)设计齿轮样本伪标号时，很难将同一故障类别的所有数据用同一伪标号进行标号，从而引入了错误信息。单个CNN无法消除错误信息的影响，导致聚类精度较差。GAN和所述故障分类模型与单独的CNN相比，能够学习轴承和齿轮振动信号的共同属性，并纠正伪标签提供的错误信息，从而达到更高的聚类精度。更重要的是，从实验结果可以看出，所述故障分类模型的聚类性能优于GAN。可见，所述故障分类模型具有较强的提取不同域间共享的广义属性的能力。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (7)

1.一种基于子空间的异构迁移故障诊断方法，其特征在于，首先获取用于对测试数据进行分类识别的故障分类模型，故障分类模型的获得包括以下步骤：
S1、基于深度神经网络构建故障分类模型，故障分类模型由特征提取器、公共空间提取模块和分类器组成；特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且每一个训练样本对应各标签的概率总和为1；
S2、获取标注数据构建训练样本，并结合训练样本对故障分类模型进行训练；
步骤S1中，用于训练故障分类模型的损失函数LTotal(θ)为：
Figure FDA0003809325150000011
其中，θM、θC和θS分别表示特征提取器、公共空间提取模块和分类器的参数；Llap(θM,θC)表示图拉普拉斯变换损失，Lccs(θM,θC)为近二值表示损失，Lcla(θM,θC,θS)表示分类器的分类损失；α和β为超参数；F表示特征提取器对应的特征空间，Fi表示特征提取器提取的第i个训练样本xi的多维特征，Fj表示特征提取器提取的第j个训练样本xj的多维特征，FC,i表示训练样本xi在公共子空间中的特征；Tra(·)为矩阵的迹，L为训练样本在公共子空间产生的拉普拉斯变换矩阵；
N为训练样本的数量，yi为训练样本xi的标注标签，yi’为训练样本xi的预测标签，1≤i≤N；wij表示训练样本xi和训练样本xj之间的相似度，1≤j≤N；
D为训练样本的标签数量，yik表示训练样本xi属于第k个类别的概率真实值，yik’表示训练样本xi属于第k个类别的概率预测值，1≤k≤D；
wij的计算方式为：
Figure FDA0003809325150000021
其中，p为自适应阈值，
Figure FDA0003809325150000022
||A-B||表示A和B之间的欧式距离；
步骤S2中，训练样本由m个带标签的源域数据和n个带伪标签的目标域数据组成，m+n＝N；
带标签的源域数据的集合DS为：
Figure FDA0003809325150000023
带伪标签的目标域数据的集合DT为：
Figure FDA0003809325150000024
其中，xu表示源域数据，yu表示源域数据xu对应的标签，XS表示源域数据集合，YS表示各源域数据的标签的集合，lSi'表示源域数据的标签中的第i'个，1≤i'≤p，p为源域数据的标签数量；
xv表示目标域数据，yv表示目标域数据xv对应的伪标签，XT表示目标域数据集合，YT表示各目标域数据的伪标签的集合，lTi”表示目标域数据的伪标签中的第i”个，1≤i”≤q，q为目标域数据的伪标签数量；
Figure FDA0003809325150000031
2.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，特征提取器由输入层和3个卷积层构成，公共空间提取模块为全连接层，分类器为激活函数采用softmax的D维的全连接层，D为训练样本的标签数量。
3.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，公共空间提取模块利用近二值表示学习提取训练样本的公共特征属性，以生成各训练样本共享的公共子空间；近二值表示的含义为：各维度的特征均量化为0到1之间的数值。
4.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，带伪标签的目标域数据的获得方式为：采用高斯混合模型对未标记的目标域数据设计伪标签。
5.如权利要求1所述的基于子空间的异构迁移故障诊断方法，其特征在于，对目标域数据进行分类时，将作为测试样本的目标域数据输入训练完成的故障分类模型，获取测试样本对应各故障类别的概率，并获取所述概率中的最大值所对应的故障类别作为测试样本的归属类别。
6.一种基于子空间的异构迁移故障诊断系统，其特征在于，包括存储模块和处理模块；所述存储模块中存储有计算机程序，所述处理模块用于在执行所述计算机程序时，实现如权利要求1-5任一项所述的基于子空间的异构迁移故障诊断方法。
7.一种基于子空间的异构迁移故障诊断模型，其特征在于，用于实现如权利要求1-5任一项所述的基于子空间的异构迁移故障诊断方法，所述故障诊断模型包括特征提取器、公共空间提取模块和分类器；
特征提取器用于提取各训练样本的多维特征；公共空间提取模块用于提取各训练样本共有的特征维度以形成公共子空间，公共空间提取模块的输出为训练样本在公共子空间中的特征；分类器基于训练样本在公共子空间中的特征对训练样本进行分类，分类器的输出为训练样本对应各标签的概率，且训练样本对应各标签的概率总和为1。
CN202110416215.1A 2021-04-19 2021-04-19 一种基于子空间的异构迁移故障诊断方法、系统和模型 Active CN113158878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416215.1A CN113158878B (zh) 2021-04-19 2021-04-19 一种基于子空间的异构迁移故障诊断方法、系统和模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416215.1A CN113158878B (zh) 2021-04-19 2021-04-19 一种基于子空间的异构迁移故障诊断方法、系统和模型

Publications (2)

Publication Number Publication Date
CN113158878A CN113158878A (zh) 2021-07-23
CN113158878B true CN113158878B (zh) 2022-10-28

Family

ID=76868342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416215.1A Active CN113158878B (zh) 2021-04-19 2021-04-19 一种基于子空间的异构迁移故障诊断方法、系统和模型

Country Status (1)

Country Link
CN (1) CN113158878B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949437A (zh) * 2019-03-13 2019-06-28 东北大学 基于稀疏化的异构数据协同工业故障诊断方法
CN111829782A (zh) * 2020-07-16 2020-10-27 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN112434602A (zh) * 2020-11-23 2021-03-02 西安交通大学 一种基于可迁移共特征空间挖掘的故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4789854B2 (ja) * 2007-05-09 2011-10-12 株式会社日立メディコ 超音波診断装置および超音波診断装置の画質改善方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949437A (zh) * 2019-03-13 2019-06-28 东北大学 基于稀疏化的异构数据协同工业故障诊断方法
CN111829782A (zh) * 2020-07-16 2020-10-27 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN112434602A (zh) * 2020-11-23 2021-03-02 西安交通大学 一种基于可迁移共特征空间挖掘的故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Robust fault-tolerant cooperative control of multi-agent systems with actuator faults》;Chen G et al;《IEEE》;20140714;全文 *
《基于深度网络的油气设备特征学习与故障识别方法研究》;袁壮;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20210115(第2021年第01期);全文 *

Also Published As

Publication number Publication date
CN113158878A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
Xu et al. Spatial-aware graph relation network for large-scale object detection
CN110414462B (zh) 一种无监督的跨域行人重识别方法及系统
Dong et al. Deep metric learning-based for multi-target few-shot pavement distress classification
Tarawneh et al. Invoice classification using deep features and machine learning techniques
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN113657425B (zh) 基于多尺度与跨模态注意力机制的多标签图像分类方法
Qiu Global weighted average pooling bridges pixel-level localization and image-level classification
CN104700078A (zh) 一种基于尺度不变特征极限学习机的机器人场景识别方法
CN107220663B (zh) 一种基于语义场景分类的图像自动标注方法
Mridha et al. Plant disease detection using web application by neural network
CN116664944A (zh) 一种基于属性特征知识图谱的葡萄园害虫识别方法
CN111882000A (zh) 一种应用于小样本细粒度学习的网络结构及方法
CN115358337A (zh) 一种小样本故障诊断方法、装置及存储介质
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN115019133A (zh) 基于自训练和标签抗噪的图像中弱目标的检测方法及系统
CN113158878B (zh) 一种基于子空间的异构迁移故障诊断方法、系统和模型
Dong et al. Fusing multilevel deep features for fabric defect detection based NTV-RPCA
Zhang Application of artificial intelligence recognition technology in digital image processing
CN116910571B (zh) 一种基于原型对比学习的开集域适应方法及系统
CN111898528B (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN117516937A (zh) 基于多模态特征融合增强的滚动轴承未知故障检测方法
Ghanmi et al. Table detection in handwritten chemistry documents using conditional random fields
Yan et al. Rare Chinese character recognition by Radical extraction network
CN111160428A (zh) 基于cnn-svm算法蔬菜自动识别方法
Saha et al. Transfer Learning–A Comparative Analysis

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