CN113177448B - 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 - Google Patents
数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 Download PDFInfo
- Publication number
- CN113177448B CN113177448B CN202110420852.6A CN202110420852A CN113177448B CN 113177448 B CN113177448 B CN 113177448B CN 202110420852 A CN202110420852 A CN 202110420852A CN 113177448 B CN113177448 B CN 113177448B
- Authority
- CN
- China
- Prior art keywords
- data
- domain data
- bearing
- diagnosis
- tag
- 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 77
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 230000006978 adaptation Effects 0.000 title claims description 47
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 38
- 238000013508 migration Methods 0.000 claims description 17
- 230000005012 migration Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 2
- 238000005096 rolling process Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- 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
- 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
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数模联合驱动的轴承混合工况无监督域适应诊断方法及系统，解决实际故障诊断中轴承工况变换频繁、故障样本稀缺、标签数据不足导致诊断精度下降的问题以及基于距离度量的域适应诊断方法未能有效筛选、利用子域信息的问题，方法包括：获取源域数据和目标域数据并预处理；利用源域数据训练特征提取器和标签分类器以获得可区分性较好的诊断模型；利用加权最大均值差异算法更新特征提取器以完成源域和目标域的适配，实现混合工况下轴承故障的高精度迁移诊断，该方法可以充分发挥仿真模型在诊断实践中的辅助作用，突破实测样本的限制，能高效利用同一类别内的子域信息，提高诊断模型的精度，在少故障样本甚至无故障样本的条件下实现混合工况下轴承故障的精确诊断。
Description
技术领域
本发明属于旋转机械智能诊断技术领域，具体涉及一种数模联合驱动的轴承混合工况无监督域适应诊断方法及系统。
背景技术
滚动轴承作为高速列车、风力发电机、直升机、数控机床等重大装备的关键零部件，其运行状态直接影响整台装备的可靠性和稳定性。然而，工程实际中的滚动轴承服役环境复杂、运行工况多变，所测得的振动信号往往由多个工况下的数据组成，具有时变振动特征，传统建立在恒定工况上的故障诊断方法难以取得准确的诊断结果。此外，机械系统某些关键部位无法直接布置物理传感器，导致轴承故障样本少、样本不完备、样本碎片化。因此，在少样本、混合工况条件下精确、有效地识别故障已成为保证机械设备正常运行的迫切需要和重要任务。近年来，深度域适应方法在旋转机械智能诊断中引起了人们的广泛关注，现有的深度域适应方法利用机械系统的相似性构建共特征空间，使轴承跨工况多故障诊断成为可能。目前用于旋转机械故障诊断的域适应方法主要有两大类，一种是基于对抗的方法，另外一种是基于距离度量的方法。基于对抗的域适应方法往往包含多个损失函数，收敛速度慢；基于距离度量的方法结构简单，易于实现。
然而，深度域适应方法假设源域和目标域均为稳定工况，不适用于解决工程实际问题，并且此类数据驱动方法需利用故障破坏性试验获取诊断研究所需的故障样本，无论是从经济性还是安全性角度看，都无法得到大规模的实现。此外，目前用于旋转机械智能诊断的基于距离度量的域适应方法没有利用源域和目标域中各故障类别的子域信息，且未能有效筛选子域样本，难以在错综复杂的信息中准确识别隐藏的故障特征。
发明内容
为了解决现有技术中存在的问题，本发明提供一种数模联合驱动的轴承混合工况无监督域适应诊断方法。本发明考虑了实际轴承工况频繁变化等因素，将待诊断目标域设置为多个工况下的混合数据，然后从滚动轴承的故障机理着手，利用仿真模型对实测样本进行数据增强，不仅可以突破实测样本的限制，还可以避免制备故障轴承试验件造成的资源浪费等问题，提高了经济性。此外，本发明中用于域适应的加权最大均值差异(WMMD)算法收敛速度快，可以筛选、利用每种类别的特征信息，提高诊断模型的精度，最终在少故障样本甚至无故障样本、混合工况的条件下实现轴承故障的精确诊断。
为了实现上述目的，本发明采用的技术方案是：一种数模联合驱动的轴承混合工况无监督域适应诊断方法，具体过程如下：
步骤A：获取源域数据和目标域数据，并对所述源域数据和目标域数据进行小波包重构预处理，具体如下：
获取某一工况下不同位置、不同故障类型的有标签数据组成实体集；
根据实体轴承的参数构建动力学模型，遍历所述实体集表达的工况下不同位置、不同类型、不同损伤程度，得到仿真信号组成补充集，实体集和补充集互补融合得到源域数据；
目标域数据包括复杂多变工况下的无标签轴承数据，即在一次诊断过程中，目标域数据包含多个工况的混合无标签数据；
根据轴承的运行状态将源域数据和目标域数据分为不同类别的子域；
步骤B：利用源域数据训练诊断模型，所述诊断模型包括特征提取器和标签分类器；
利用带标签的源域数据训练诊断模型，通过最小化损失函数更新特征提取器和标签分类器的参数：
其中，f表示特征提取器参数，g为分类器参数，
表示源域数据的预测标签与真实标签之间的交叉熵；
步骤C：利用基于加权最大均值差异的无监督域适应方法对齐各类别子域，缩小源域数据和目标域数据的特征分布差异；
步骤B和步骤C循环进行，不断更新所述特征提取器和标签分类器的参数，完成预设的训练轮次，获得高精度的域自适应深度迁移诊断模型；
步骤D，基于所述域自适应深度迁移诊断模型最终在少故障样本、无故障样本、混合工况的条件下实现轴承故障的精确诊断，得到轴承状态分类结果。
损失函数的具体形式如下：
其中，ns为源域样本数，nc为分类类别数，
表示第i个源域样本预测到第c类的概率。
对源域数据和目标域数据进行小波包重构预处理具体如下：
S1’，采用db3小波进行三层小波分解源域数据和目标域数据；
S2’，计算S1’分解后的各个小波频带的节点能量；
S3’，提取S2’计算所得小波包能量较大的频带进行小波包重构，得到的重构时域数据即为训练数据。
步骤C中利用基于WMMD的无监督域适应方法对齐各类别子域，具体如下：
将步骤A所得源域数据和目标域数据输入诊断模型中，获取特征提取器输出的特征分布
和/>
以及标签分类器输出的目标域数据预测标签/>
将特征分布
和/>
映射到再生核Hilbert空间，利用WMMD度量两特征分布的差异；
通过最小化特征分布差异，即最小化如下损失函数以更新特征提取器参数：
其中，
代表源域数据和目标域数据的各类别子域分布差异，其具体形式如下：
其中，nt为目标域样本数，
表示/>
和/>
的内积，/>
表示将特征/>
映射到再生核Hilbert空间，/>
为类别c中源域样本i的权重，/>
为类别c中目标域样本j的权重；
其中，
为源域样本i真实标签向量/>
的第c项；
利用标签分类器预测伪标签
计算/>
分类器输出的伪标签向量/>
是目标域样本j属于各类别的概率，将伪标签/>
中的最大值设为1，其余值设为0，得到的新标签/>
的计算过程如下：
其中，
为目标域样本j伪标签向量的第c项，/>
为目标域样本j新标签向量的第c项，ε是一个接近0的小数。
源域数据包括内圈单点故障数据、外圈单点故障数据、滚子单点故障数据以及正常状态数据，其获取方式具体如下：
测量故障轴承的几何参数，查询轴承的材料特性参数；
分析元件相互作用关系，建立轴承损伤动力学模型；
利用所得的轴承局部损伤动力学模型对内圈单点故障、外圈单点故障进行仿真；
求解故障轴承振动响应信号；
获取故障模拟实验台采集的滚子单点故障数据和正常数据；
测试数据和仿真数据互补融合组成源域数据。
目标域数据包括多种种转速下的运行数据，每种转速下均包含内圈单点故障数据、外圈单点故障数据、滚子单点故障数据以及正常状态数据。
混合工况包括不同转速下的轴承工况。
还提供一种轴承混合工况无监督域适应诊断的系统，包括数据获取模块、诊断模型训练模块、子域对齐模块、迭代模块以及诊断模块；
数据获取模块用于获取源域数据和目标域数据，并对所述源域数据和目标域数据小波包重构预处理；
诊断模型训练模块利用源域数据训练诊断模型，所述诊断模型包括特征提取器和标签分类器，利用带标签的源域数据训练诊断模型，通过最小化损失函数
更新特征提取器和标签分类器的参数；
子域对齐模块利用基于加权最大均值差异的无监督域适应方法对齐每一类的分布特征，通过最小化损失函数
更新特征提取器的参数，缩小源域数据和目标域数据的特征分布差异；
迭代模块用于结合利用带标签的源域数据训练诊断模型，通过最小化损失函数
更新特征提取器和标签分类器的参数以及利用基于加权最大均值差异的无监督域适应方法对齐每一类的分布特征，通过最小化损失函数/>
更新特征提取器的参数，缩小源域数据和目标域数据的特征分布差异，不断更新所述诊断模型的网络参数，完成预设的训练轮次，获得高精度的域自适应深度迁移诊断模型；
诊断模块基于所述高精度的域自适应深度迁移诊断模型在少故障样本甚至无故障样本、混合工况的条件下实现轴承故障的精确诊断，得到轴承状态分类结果。
一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述数模联合驱动的轴承混合工况无监督域适应诊断方法。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述数模联合驱动的轴承混合工况无监督域适应诊断方法。
与现有技术相比，本发明至少具有以下有益效果：
本发明的诊断数据由多个工况的运行数据混合组成，更加贴合实际。本发明从故障激励机理着手，利用仿真模型对实测样本进行数据增强，用于获取补充集的轴承动力学模型能够综合考虑离心力、陀螺效应、润滑牵引、接触面打滑以及保持架碰撞等复杂动力学特性，可以遍历不同工况、不同位置、不同类型以及不同损伤程度，可以有效解决大数据背景下滚动轴承故障诊断的“小样本”问题，避免了制备故障轴承试验件造成的资源浪费等问题，提高经济性。本发明所述自适应深度迁移诊断模型以及仿真与实测互补数据实现混合工况下的轴承故障诊断，整个学习过程中不需要目标域工况下的任何标记数据；本发明提出的数模联合驱动的轴承混合工况无监督域适应诊断方法中用于域适应的加权最大均值差异(WMMD)算法，不仅可以对齐源域和目标域的全局分布，还可以对齐同一类别内的相关子域分布，同时考虑样本的可迁移性，对子域样本进行了有效筛选，提高了诊断模型的精度；通过建立滚动轴承的动力学模型得到滚动轴承的振动响应，挖掘数据双冲击特征和故障机理的内在联系表征故障，融合了数据分析和机理分析，进而实现故障的定位、分类、定量诊断。
附图说明
图1为本发明无监督域适应方法的整体性框架。
图2为基于WMMD的域适应方法内部参数更新流程。
图3a为内圈单点故障仿真信号包络谱。
图3b为内圈单点故障仿真信号小波重构时域波形。
图4为滚动轴承故障模拟实验台。
图5a为轴承故障模拟实验台监测的内圈单点故障加速度信号包络谱。
图5b为轴承故障模拟实验台监测的内圈单点故障加速度信号小波重构时域波形。
图6a为利用本发明得到的混合转速下的域适配结果和分类结果，
图6b为利用本发明得到的混合转速下的域分类结果，其中源域中的内圈单点故障、外圈单点故障信号由仿真信号组成。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参考图1，本发明的内容主要分为三部分，第一部分是目标域数据和源域数据的获取，第二部分是利用源域数据训练特征提取器，第三部分是利用加权最大均值差异(WMMD)算法更新特征提取器，在满足迭代结束条件后，得到最终的无监督域适应诊断方法，进一步完成滚动轴承的故障诊断；通过建立滚动轴承的动力学模型得到滚动轴承的振动响应，利用仿真数据对实测数据进行数据增强，挖掘数据双冲击特征和故障机理的内在联系以表征故障，融合了数据分析和机理分析。
参考图2，图2为实例中所涉及的基于WMMD的域适应方法内部参数更新流程；
参考图3a和图3b，图3a为实例中所涉及的轴承损伤动力学模型仿真的滚动轴承内圈单点故障的振动信号的包络谱，图3b实例中所涉及的轴承损伤动力学模型仿真的滚动轴承内圈单点故障的振动小波重构时域波形；参考图4，图4为实例中所涉及的滚动轴承故障实验台，实验台包括驱动电机、轴承座、加速度传感器、转轴3以及故障轴承，电机输出轴与转轴3同轴安装，转轴两端分别设置第一轴承座1和第二轴承座2，第一轴承座1上安装故障轴承；第一轴承座1上安装加速度传感器采集转速信息。
参考图5，图5为实例中所涉及的滚动轴承模拟实验台监测的内圈单点故障加速度信号的时域波形及包络谱，图3和图5的包络谱故障特征基本一致，都可以找到转频f(20Hz)以及二倍频，均能看到明显的故障特征频率及其倍频，在特征频率两侧也都有以转频为间隔的边频带。
图6a和图6b为本发明的特征可视化图，图6a为域适配结果图，其中+代表源域样本，○代表目标域样本；图6b为分类结果图，其中☆表示正常状态，◇表示滚动体故障，△表示内圈故障，·表示外圈故障。源域数据的转速为1200rpm，目标域数据由1800rpm、2400rpm、3000rpm、3600rpm四种转速下的运行数据混合组成。
本实施例中，混合工况主要指混合转速工况，具体按以下步骤实施：
步骤A：源域数据和目标域数据的获取与预处理；
根据轴承的状态将目标域数据和源域数据都划分为4个子域，分别是：内圈单点故障数据、外圈单点故障数据、滚子单点故障数据、正常状态的数据，运行工况为1200rpm，其获取方式具体如下：
S1测量故障轴承的几何参数，查询轴承的材料特性参数；
S2分析元件相互作用关系，建立轴承损伤动力学模型；
S3利用所得的轴承局部损伤动力学模型对内圈单点故障、外圈单点故障进行仿真；
S4求解故障轴承振动响应信号；
S5从故障模拟实验台采集滚子单点故障数据和正常数据；
S6测试数据和仿真数据互补融合组成源域数据。
目标域数据由1800rpm、2400rpm、3000rpm、3600rpm四种转速下的运行数据混合组成，每种转速下均包含内圈单点故障数据、外圈单点故障、滚子单点故障以及正常状态，作为示例，本发明所用目标域数据从轴承故障模拟实验台获得；当然所述目标域数据可以来源于工业现场采集的复杂多变工况下的混合无标签轴承数据。
预处理方式为小波包重构，包括：
S1’，采用db3小波进行三层小波分解；
S2’，计算S1’分解后的各个小波频带的节点能量；
S3’，提取S2’计算所得小波包能量较大的频带进行小波包重构，得到的重构时域数据即为训练数据；
步骤B：利用源域数据训练诊断模型；
诊断模型包括特征提取器和标签分类器，其具体参数如下表所示：
表1诊断模型网络参数
利用带标签的源域数据训练诊断模型，通过最小化如下损失函数更新特征提取器和标签分类器的参数：
其中，f表示特征提取器参数，g为分类器参数，
表示源域数据的预测标签与真实标签之间的交叉熵，其具体形式如下：
其中，ns为源域样本数，nc为分类类别数，
表示第i个源域样本预测到第c类的概率，/>
是源域数据的真实标签；
步骤C：利用基于WMMD的无监督域适应方法对齐源域和目标域中各类别的分布特征各类别子域；
步骤B和步骤C交替进行，采用Adam算法不断更新诊断模型的网络参数，不断更新所述特征提取器和标签分类器的参数，完成预设的训练轮次，获得高精度的域自适应深度迁移诊断模型
基于所述域自适应深度迁移诊断模型最终在少故障样本、无故障样本、混合转速工况的条件下实现轴承故障的精确诊断，实得到轴承状态分类结果。
步骤C中利用基于WMMD的无监督域适应方法对齐各类别的分布特征，具体如下：
将步骤A得到的源域数据和目标域数据输入到诊断模型，得到特征提取器输出的源域数据特征分布
和目标域数据特征分布/>
以及标签分类器输出的目标域数据预测标签/>
将特征分布
和/>
映射到再生核Hilbert空间，利用WMMD度量两特征分布的差异；
通过最小化所述两个特征分布的差异，即最小化如下损失函，数更新特征提取器参数：
其中，
代表源域数据和目标域数据的各类别子域分布差异，其具体形式如下：
其中，nt为目标域样本数，
表示/>
和/>
的内积，/>
分别表示将源域数据特征分布/>
目标域数据特征分布/>
映射到再生核Hilbert空间，/>
为类别c中源域样本i的权重，/>
为类别c中源域样本j的权重，/>
为类别c中目标域样本i的权重，/>
为类别c中目标域样本j的权重；/>
利用源域数据真实标签的独热编码形式计算，具体如下：
其中，
为源域样本i真实标签向量的第c项；/>
表示源域中所有样本的真实标签向量第c项的累加。
目标域数据没有真实标签信息，本发明利用标签分类器预测的伪标签
计算/>
分类器输出的伪标签向量/>
是目标域样本j属于各类别的概率，将伪标签/>
中的最大值设为1，其余值设为0，得到的新标签记为/>
利用/>
选出每一类的分布特征。此外，由于各样本映射特征的质量参差不齐，为避免负迁移，增加有利于分类任务的目标域特征权重，降低不利于分类任务的特征权重，/>
的计算过程如下：
其中，
为目标域样本j伪标签向量的第c项，/>
为目标域样本j新标签向量的第c项，ε是一个接近0的小数，以保证在/>
时真数大于0，本示例中ε＝0.001，/>
表示函数/>
实验条件与参数
本示例中，内圈单点故障、外圈单点故障、滚子单点故障均为宽0.5mm深0.5mm的贯穿式损伤。数据的采样频率为20480Hz。在数据预处理阶段，选取204800个采样点作为输入数据，经过小波包变换后得到长度为204800的时域数据。设置样本长度为1024，每组数据包含160个训练集和40个测试集。将模型进行随机初始化，使用Adam最优化算法更新模型参数，设置学习率为0.0001，批处理为64个，完成训练后用目标域测试数据对模型进行测试评估。训练轮次为130，随机训练10轮以减少随机性的影响。记录5次训练结果的最高精度，得出的平均精度即为本方法的识别准确率。
实验结果与分析
为了评估所述轴承故障动力学模型的准确性，增加了对比方法CNN以及1200rpm恒定转速下从仿真到实际的迁移情境。对比方法CNN是指直接利用本发明的特征提取器和分类器诊断目标域数据，不进行源域和目标域的适配，其余训练参数设置与本发明一致；利用1200rpm恒定转速下从仿真到实际的迁移情境验证仿真模型的有效性，在该情境下的预处理数据时，若仿真信号与实验信号的频带不一致，以实验信号为准。下表为迁移工况设置以及各方法的识别准确率。
表2迁移工况设置及识别准确率
由表2可知，当目标域转速为1200rpm时，仿真、实测融合数据训练的卷积神经网络可在目标域获得较高的识别精度，这是由于本发明建立的滚动轴承损伤动力学模型能够从理论上揭示滚动轴承的振动特性，由动力学模型获取的仿真数据与实际数据应具有相似的特征分布，卷积神经网络能够在大数据背景下挖掘仿真数据的故障信息，从而在实测信号中获得准确的故障诊断结果，该结果进一步证明了数模联合驱动可以为少样本故障诊断提供有效依据。
当目标域含有多种不同转速时，目标域数据的故障特征复杂多变，源域数据和目标域数据的特征分布差异增大，此时卷积神经网络无法挖掘域不变特征，所以CNN方法的识别精度下降。相反，WMMD方法仍然可以获得较高的识别精度，这是因为本发明提出的无监督域适应诊断方法将源域和目标域映射到共特征空间，利用WMMD筛选同类故障特征并度量特征分布差异，通过减小分布差异实现源域和目标域的适配，所以源域训练的高精度诊断模型可直接用于目标域中。
为了进一步证明本发明的有效性，使用高维特征可视化方法t-SNE算法实现特征可视化，便于直观展示网络的特征提取效果。图6a和图6b所示为表2第二种迁移情境下本发明的特征可视化图，图6a为域适配结果图，图6b为分类结果图。本发明可获得良好的域适配和分类结果。这是由于本发明通过筛选子域信息，准确独立地调整源域和目标域中同一类别相关子域的分布，在对齐局部分布的同时，全局分布也得到了适配，所以具有较强的类内紧密性和特征判别性。
本发明还提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述数模联合驱动的轴承混合工况无监督域适应诊断方法的部分步骤或所有步骤。
本发明所述计算机设备可以采用笔记本电脑、桌面型计算机、或工作站。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述数模联合驱动的轴承混合工况无监督域适应诊断方法。
本发明所述处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、、桌面型计算机、或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。
Claims (8)
1.一种数模联合驱动的轴承混合工况无监督域适应诊断方法，其特征在于，具体过程如下：
步骤A：获取源域数据和目标域数据，并对所述源域数据和目标域数据进行小波包重构预处理，具体如下：
获取某一工况下不同位置、不同故障类型的有标签数据组成实体集；
根据实体轴承的参数构建动力学模型，遍历所述实体集表达的工况下不同位置、不同类型、不同损伤程度，得到仿真信号组成补充集，实体集和补充集互补融合得到源域数据；
目标域数据包括复杂多变工况下的无标签轴承数据，即在一次诊断过程中，目标域数据包含多个工况的混合无标签数据；
根据轴承的运行状态将源域数据和目标域数据分为不同类别的子域；
步骤B：利用源域数据训练诊断模型，所述诊断模型包括特征提取器和标签分类器；
利用带标签的源域数据训练诊断模型，通过最小化损失函数更新特征提取器和标签分类器的参数：
其中，f表示特征提取器参数，g为分类器参数，
表示源域数据的预测标签与真实标签之间的交叉熵；
步骤C：利用基于加权最大均值差异的无监督域适应方法对齐各类别子域，缩小源域数据和目标域数据的特征分布差异；
步骤B和步骤C循环进行，不断更新所述特征提取器和标签分类器的参数，完成预设的训练轮次，获得高精度的域自适应深度迁移诊断模型；
步骤D，基于所述域自适应深度迁移诊断模型最终在少故障样本、无故障样本、混合工况的条件下实现轴承故障的精确诊断，得到轴承状态分类结果；
步骤C中利用基于WMMD的无监督域适应方法对齐各类别子域，具体如下：
将步骤A所得源域数据和目标域数据输入诊断模型中，获取特征提取器输出的特征分布
和/>
以及标签分类器输出的目标域数据预测标签/>
将特征分布
和/>
映射到再生核Hilbert空间，利用WMMD度量两特征分布的差异；
通过最小化特征分布差异，即最小化如下损失函数更新特征提取器参数：
其中，
代表源域数据和目标域数据的各类别子域分布差异，其具体形式如下：
其中，nt为目标域样本数，
表示/>
和/>
的内积，/>
表示将特征/>
映射到再生核Hilbert空间，/>
为类别c中源域样本i的权重，/>
为类别c中目标域样本j的权重；
其中，
为源域样本i真实标签向量/>
的第c项；
利用标签分类器预测伪标签
计算/>
分类器输出的伪标签向量/>
是目标域样本j属于各类别的概率，将伪标签/>
中的最大值设为1，其余值设为0，得到的新标签/>
的计算过程如下：
其中，
为目标域样本j伪标签向量的第c项，/>
为目标域样本j新标签向量的第c项，ε是一个接近0的小数。
2.根据权利要求1所述的数模联合驱动的轴承混合工况无监督域适应诊断方法，其特征在于，步骤B中，所述损失函数的具体形式如下：
其中，ns为源域样本数，nc为分类类别数，
表示第i个源域样本预测到第c类的概率。
3.根据权利要求1所述的数模联合驱动的轴承混合工况无监督域适应诊断方法，其特征在于，对源域数据和目标域数据进行小波包重构预处理具体如下：
S1’，采用db3小波进行三层小波分解源域数据和目标域数据；
S2’，计算S1’分解后的各个小波频带的节点能量；
S3’，提取S2’计算所得小波包能量较大的频带进行小波包重构，得到的重构时域数据即为训练数据。
4.根据权利要求1所述的数模联合驱动的轴承混合工况无监督域适应诊断方法，其特征在于，源域数据包括内圈单点故障数据、外圈单点故障数据、滚子单点故障数据以及正常状态数据，其获取方式具体如下：
测量故障轴承的几何参数，查询轴承的材料特性参数；
根据轴承元件相互作用关系，建立轴承损伤动力学模型；
利用所得的轴承局部损伤动力学模型对内圈单点故障、外圈单点故障进行仿真；
求解故障轴承振动响应信号；
获取故障模拟实验台采集的滚子单点故障数据和正常数据，即测试数据；
将所述测试数据和仿真数据互补融合组成源域数据。
5.根据权利要求1所述的数模联合驱动的轴承混合工况无监督域适应诊断方法，其特征在于，目标域数据包括多种转速下的运行数据，每种转速下均包含内圈单点故障数据、外圈单点故障数据、滚子单点故障数据以及正常状态数据，所述目标域数据来自工业现场采集的无标签轴承数据或轴承故障模拟实验台的实测数据。
6.轴承混合工况无监督域适应诊断的系统，其特征在于，包括数据获取模块、诊断模型训练模块、子域对齐模块、迭代模块以及诊断模块；
数据获取模块用于获取源域数据和目标域数据，并对所述源域数据和目标域数据小波包重构预处理；
诊断模型训练模块利用源域数据训练诊断模型，所述诊断模型包括特征提取器和标签分类器，利用带标签的源域数据训练诊断模型，通过最小化损失函数
更新特征提取器和标签分类器的参数；
子域对齐模块利用基于加权最大均值差异的无监督域适应方法对齐每一类的分布特征，通过最小化损失函数
更新特征提取器的参数，缩小源域数据和目标域数据的特征分布差异；利用基于WMMD的无监督域适应方法对齐各类别子域，具体如下：
将步骤A所得源域数据和目标域数据输入诊断模型中，获取特征提取器输出的特征分布
和/>
以及标签分类器输出的目标域数据预测标签/>
将特征分布
和/>
映射到再生核Hilbert空间，利用WMMD度量两特征分布的差异；
通过最小化特征分布差异，即最小化如下损失函数更新特征提取器参数：
其中，
代表源域数据和目标域数据的各类别子域分布差异，其具体形式如下：
其中，nt为目标域样本数，
表示/>
和/>
的内积，/>
表示将特征/>
映射到再生核Hilbert空间，/>
为类别c中源域样本i的权重，/>
为类别c中目标域样本j的权重；
其中，
为源域样本i真实标签向量/>
的第c项；
利用标签分类器预测伪标签
计算/>
分类器输出的伪标签向量/>
是目标域样本j属于各类别的概率，将伪标签/>
中的最大值设为1，其余值设为0，得到的新标签/>
的计算过程如下：
其中，
为目标域样本j伪标签向量的第c项，/>
为目标域样本j新标签向量的第c项，ε是一个接近0的小数；
迭代模块用于结合利用带标签的源域数据训练诊断模型，通过最小化损失函数
更新特征提取器和标签分类器的参数以及利用基于加权最大均值差异的无监督域适应方法对齐每一类的分布特征，通过最小化损失函数/>
更新特征提取器的参数，缩小源域数据和目标域数据的特征分布差异，不断更新所述诊断模型的网络参数，完成预设的训练轮次，获得高精度的域自适应深度迁移诊断模型；
诊断模块基于所述高精度的域自适应深度迁移诊断模型在少故障样本甚至无故障样本、混合工况的条件下实现轴承故障的精确诊断，得到轴承状态分类结果。
7.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1～5任一项所述数模联合驱动的轴承混合工况无监督域适应诊断方法。
8.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现权利要求1～5任一项所述数模联合驱动的轴承混合工况无监督域适应诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110420852.6A CN113177448B (zh) | 2021-04-19 | 2021-04-19 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110420852.6A CN113177448B (zh) | 2021-04-19 | 2021-04-19 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177448A CN113177448A (zh) | 2021-07-27 |
| CN113177448B true CN113177448B (zh) | 2023-06-13 |
Family
ID=76923812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110420852.6A Active CN113177448B (zh) | 2021-04-19 | 2021-04-19 | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177448B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
| CN113515896B (zh) * | 2021-08-06 | 2022-08-09 | 红云红河烟草(集团)有限责任公司 | 用于卷烟实时数采的数据缺失值填充方法 |
| CN113673397B (zh) * | 2021-08-11 | 2023-12-05 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
| CN114659785A (zh) * | 2021-12-27 | 2022-06-24 | 三一重能股份有限公司 | 一种风力发电机传动链的故障检测方法及装置 |
| CN114740726B (zh) * | 2022-04-22 | 2022-10-21 | 北京大学 | 基于深度最优特征传输的工业过程小样本故障诊断方法 |
| CN114997046B (zh) * | 2022-05-24 | 2023-04-28 | 北京化工大学 | 一种动力学仿真引导的域对抗轴承故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
| WO2020197239A1 (ko) * | 2019-03-25 | 2020-10-01 | 한국과학기술원 | 뉴럴 네트워크를 이용한 결측 영상 데이터 대체 방법 및 그 장치 |
| 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
- 2021-04-19 CN CN202110420852.6A patent/CN113177448B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020197239A1 (ko) * | 2019-03-25 | 2020-10-01 | 한국과학기술원 | 뉴럴 네트워크를 이용한 결측 영상 데이터 대체 방법 및 그 장치 |
| CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
| 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 (3)
| Title |
|---|
| Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation;Hongliang Yan等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;全文 * |
| 中介轴承故障动力学建模与振动特征分析;曹宏瑞等;《机 械 工 程 学 报》;20201130;第56卷(第21期);全文 * |
| 王致杰等.基于模糊神经网络的制动系统故障诊断.《大型风力发电机组状态监测与智能故障诊断》.2013,第67-68页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177448A (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113177448B (zh) | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 | |
| Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
| CN109376620A (zh) | 一种风电机组齿轮箱故障的迁移诊断方法 | |
| CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
| Sugumaran et al. | Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning | |
| CN110375987B (zh) | 一种基于深度森林机械轴承故障检测方法 | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
| CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
| CN112329329B (zh) | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 | |
| CN111060337A (zh) | 一种基于专家系统的运转设备实时故障诊断方法 | |
| CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
| CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
| CN117628005A (zh) | 一种融合信号液压马达故障诊断方法及系统 | |
| CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
| CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
| Wen et al. | Fault diagnosis of rolling bearings of different working conditions based on multi-feature spatial domain adaptation | |
| CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
| CN114970744A (zh) | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 | |
| CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
| CN111859290B (zh) | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 | |
| Wen et al. | Bearing fault diagnosis via fusing small samples and training multi-state siamese neural networks |
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 |