CN113239610A - 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 - Google Patents
一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113239610A CN113239610A CN202110067666.9A CN202110067666A CN113239610A CN 113239610 A CN113239610 A CN 113239610A CN 202110067666 A CN202110067666 A CN 202110067666A CN 113239610 A CN113239610 A CN 113239610A
- Authority
- CN
- China
- Prior art keywords
- domain
- vibration data
- source
- target
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005096 rolling process Methods 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 7
- 230000005012 migration Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/28—Fuselage, exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,包括特征提取器、域自适应模块和分类器,特征提取器用于提取滚动轴承原始数据的特征;域自适应模块通过Wasserstein距离在特征空间中度量两个域特征分布的距离,以解决源域数据集和目标域数据集之间的分布差异;采用领域不变特征训练一个有效的分类器,完成对目标域的分类任务,解决目标域中没有带标签的振动数据的无监督迁移学习问题,可适用于多工况间迁移,实际应用强。
Description
技术领域
本发明涉及一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,属于机械产品质量可靠性评估与故障诊断技术领域。
背景技术
滚动轴承是重型机械,制造系统等的重要部件,在现代工业生产中广泛应用,对其进行故障诊断将有效保证设备正常平稳运行及防止重大事故的发生。深度学习因其学习能力强,可以提取深层次的故障特征,以及抑制人工选取特征的局限性,广泛应用于滚动轴承故障诊断中。尽管基于深度学习的故障诊断方法取得了成功,但是目前的方法仍然存在局限性,深度学习技术通常是在假设测试数据的分布和训练数据相同的情况下进行的。在实际工业应用中,由于环境、操作条件、轴承负载等的变化,训练和测试数据的分布通常彼此不同。针对故障数据的上述特点,如何让在一种工况下训练出来的模型能够适应不同工况下的故障诊断任务,即实现跨域故障诊断具有重要的现实意义。
为了解决跨域故障诊断问题,迁移学习理论被用到了故障诊断领域,将从源域学到的知识用来解决目标域中不同但相关的任务。迁移学习旨在利用相关源域和目标域的知识进行学习,训练得到的模型对目标域进行诊断,从而节省了从头开始收集足够的标记样本重建新的故障诊断模型的大量支出。最近,有学者提出Wasserstein距离可以成为寻找更好的域差异的新方法。与其他流行的概率距离和散度相比,当学习到的特征是由低维流形支持的分布时,Wasserstein距离是更合理的函数。
发明内容
本发明提供了一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,以用于解决目前基于卷积神经网络的域自适应技术在提取可迁移特征的训练过程中,存在内部协变量移位的问题。进一步提升了分类精度及准确性,同时以便于及时发现轴承的故障类别。
本发明的技术方案是:一种基于Wasserstein距离的域自适应轴承故障诊断模型,包括特征提取器、域自适应模块、分类器,特征提取器下一步连接域自适应模块,域自适应模块下一步连接分类器;
特征提取器,用于提取源域DS和目标域DT中的振动数据的特征;
域自适应模块,用于对特征提取器所提取的振动数据的特征进行识别,判断该振动数据是来自于源域DS或目标域DT;
分类器,学习源域DS中的振动数据的特征分布,根据源域DS中的振动数据的特征进行分类训练。分类器根据领域自适应训练,使得目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布;
一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,所述诊断方法的具体步骤如下:
Step1、分别获取源域DS和目标域DT的数据集;其中,D表示领域即域;下标S表示源,DS即表示源域;下标T表示目标,DT即表示目标域;
所述源域DS的数据集中含义ns个有标记的样本即其中X表示数量;XS表示源域DS的数据集即源域数据集;ns表示源域数据集XS中所包含的振动数据的总数量;x表示振动数据,表示数据集XS中的第i个振动数据;y表示标签及即故障类别,表示源数据集XS中的第i个振动数据的标签;
所述目标域DT的数据集中含有nt个未标记的样本即其中X表示数量;XT表示目标域DT的数据集即源域数据集;nt表示源域数据集XT中所包含的振动数据的总数量;x表示振动数据,表示数据集XT中的第i个振动数据;
所述{DS=XS,P(xS)}表示源域,{DT=XT,P(xT)}表示目标域,其中XS是源域样本,XT是目标域样本,P(xS)和P(xT)表示源域样本和目标域样本的概率分布,且xS∈XS,xT∈XT。即所述源域DS和所述目标域DT的特征空间相同;所述源域DS和所述目标域DT的类别空间也相同;
Step2、建立一个基于Wasserstein距离的域自适应滚动轴承故障诊断模型,包括:特征提取器、域自适应模块、分类器;其中,
所述特征提取器,用于提取源域DS和目标域DT中的振动数据的特征;
所述域自适应模块,用于对特征提取器所提取的振动数据的特征进行识别,判断该振动数据是来自于源域DS或目标域DT;
所述分类器,学习源域DS中的振动数据的特征分布,根据源域DS中的振动数据的特征进行分类训练。
所述分类器根据领域自适应训练,使得目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布;
所述领域自适应训练是指:将源域DS和目标域DT中的振动数据的特征通过特征提取器进行提取,从而映射到同一个特征空间;然后领域判别器判断所提取的特征是来自于源域DS中的振动数据还是目标域DT中的振动数据;当判别器无法判断所提取的特征是来自源域DS中的振动数据还是目标域DT中的振动数据时,则表示目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布,判别器即认为目标域DT中的该振动数据的故障类别与源域DS中的该振动数据的故障类别相同;
Step3、基于Wasserstein距离的域自适应滚动轴承故障诊断模型的优化目标,确定故障诊断模型的目标函数;
故障诊断模型中,包括以下两个优化目标:
域自适应的优化目标:使领域判别的误差最小化;
分类器的优化目标:使故障分类的误差最小化;
Step4、得到故障诊断模型的目标函数后,对故障诊断模型进行训练,求解故障诊断模型中的模型参数,从而得到训练后的分类器;
Step5、在故障识别的过程中,利用分类器即可对目标域中的无标签振动数据进行故障分类识别。
本发明的另一目的在于提供一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法的实现原理:
StepA、通过卷积神经网络提取特征。卷积层包含一个滤波器w和一个偏置b,令Xn为卷积层的第n个输入数据点,N为这些数据点的个数,第n段数据记作其中lk为核长度,j为第j个数据点,卷积过程的一般形式如下所示:
StepB、每个卷积层与池化层相连,以消除卷积层特征的维数。利用最大池化函数来返回每个子区域的最大值,该过程的一般形式表示如下:
在该特征提取过程中具有相应的网参数θf。
StepC、特征提取器得到源域特征hs=(rf(xs))和目标域特征ht=(rf(xt))。通过Wasserstein距离进行域差异的计算,其计算过程如下:
其中,ns表示源域数据集DS中所包含的振动数据的总数量;nt表示源域数据集DT中所包含的振动数据的总数量。将源域特征和目标域特征映射到解空间rc,该过程具有相应的参数θc。
其中ρ是平衡系数。
其中,ns表示源域数据集DS中所包含的振动数据的总数量
StepF、分类损失的最终目标函数可以根据分类器的交叉熵损失lc以及与域差异相关的经验Wasserstein距离lwd得到:
其中,θd表示分类器的参数,λ是确定域差异的超参数。
本发明的有益效果是:
1、本发明提出了一种基于深度域自适应的轴承故障诊断方法,通过Wassertein距离来度量两个分布之间的距离,实现领域自适应的故障特征提取与分类识别,用来解决目标域中无标签的振动数据的故障诊断问题。
2、本发明使用Wassertein距离对原始域自适应网络的目标函数进行改进,Wassertein距离在满足一定条件下是处处连续的,且几乎处处可微的,即表示函数在任一点都是连续的,没有间断点,同时在任一点都存在导数,解决了由于原始的域自适应网络的梯度计算困难导致模型难以优化的问题。
3、本发明的故障诊断模型使用特征提取器从源域和目标域的振动数据中提取可迁移特征,然后通过域自适应模块和分类器两个正则化条件的约束训练,减少所学习到的可迁移特征的分布差异。最后为目标域中的未标记样本得到一个有效的分类器,在故障识别中,可以使用分类器正确地对目标域中的未标记样本进行分类。
附图说明
图1是本发明的系统流程结构框图;
图2是本实施案例中两个迁移任务T01的特征可视化图。
具体实施方式
实施案例1:如图1所示,一种基于Wasserstein距离的域自适应滚动轴承故障方法,包括:
特征提取器,利用包含四个卷积层和池化层的卷积神经网络从源域和目标域的数据集中提取振动数据的可迁移特征,便于后续的域判别,以及训练分类器;
域自适应模块,利用Wasserstein距离来衡量提取到的源域和目标域数据集中可迁移特征的分布差异。进而以优化三个正则化条件:1)源样本的真实标签和预测标签之间的分类误差;2)Wasserstein距离;3)正则化项为目标对CNN模型进行优化训练。
分类器,首先利用特征提取器提取到特征并训练分类器。然后用训练好的分类器对目标域数据集进行故障分类识别。
一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法研究,其特征在于,所述诊断方法的具体步骤如下:
Step1、分别获取源域DS和目标域DT的数据集;其中,D表示领域即域;下标S表示源,DS即表示源域;下标T表示目标,DT即表示目标域;
所述源域DS的数据集中含义ns个有标记的样本即其中X表示数量;XS表示源域DS的数据集即源域数据集;ns表示源域数据集XS中所包含的振动数据的总数量;x表示振动数据,表示数据集XS中的第i个振动数据;y表示标签及即故障类别,表示源数据集XS中的第i个振动数据的标签;
所述目标域DT的数据集中含有nt个未标记的样本即其中X表示数量;XT表示目标域DS的数据集即源域数据集;nt表示源域数据集XT中所包含的振动数据的总数量;x表示振动数据,表示数据集XT中的第i个振动数据;
所述{DS=XS,P(xS)}表示源域,{DT=XT,P(xT)}表示目标域,其中XS是源域样本,XT是目标域样本,P(xS)和P(xT)表示源域样本和目标域样本的概率分布,且xS∈XS,xT∈XT。即所述源域DS和所述目标域DT的特征空间相同;所述源域DS和所述目标域DT的类别空间也相同;
Step2、建立一个基于Wasserstein距离的域自适应滚动轴承故障诊断模型,包括:特征提取器、域自适应模块、分类器;其中,
所述特征提取器,用于提取源域DS和目标域DT中的振动数据的特征;
所述域自适应模块,用于对特征提取器所提取的振动数据的特征进行识别,判断该振动数据是来自于源域DS或目标域DT;
所述分类器,学习源域DS中的振动数据的特征分布,根据源域DS中的振动数据的特征进行分类训练。
所述分类器根据领域自适应训练,使得目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布;
所述域自适应训练是指:将源域DS和目标域DT中的振动数据的特征通过特征提取器进行特征提取,从而映射到同一个特征空间;然后领域判别器判断所提取的特征是来自于源域DS中的振动数据还是目标域DT中的振动数据;当判别器无法判断所提取的特征是来自源域DS中的振动数据还是目标域DT中的振动数据时,则表示目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布,判别器即认为目标域DT中的该振动数据的故障类别与源域DS中的该振动数据的故障类别相同;
Step3、基于Wasserstein距离的域自适应滚动轴承故障诊断模型的优化目标,确定故障诊断模型的目标函数;
故障诊断模型中,包括以下两个优化目标:
域自适应的优化目标:使领域判别的误差最小化;
分类器的优化目标:使故障分类的误差最小化;
Step4、得到故障诊断模型的目标函数后,对故障诊断模型进行训练,求解故障诊断模型中的模型参数,从而得到训练后的分类器;
在模型的训练过程中,根据一些参考文献以及实验研究将分类器、特征提取器以及域判别器的学习率都设置为0.00001。训练的迭代次数为2000次。
Step5、在故障识别的过程中,利用分类器即可对目标域中的无标签振动数据进行故障分类识别。
本实施案例采用凯斯西储大学公开的实验数据集验证所提方法的有效性。该数据集包含四种工况,由加速度传感器在四个不同的负载条件(0、1、2和3hp)下收集,如表1所示,每种工况包含正常、内圈故障、外圈故障和滚动体故障四种健康状态;每个故障部位包含三种故障尺寸,分别为7mils、14mils和21mils。因此,一个工况包含10种健康状态。由于负载不同导致其振动信号有明显差异,因此,将每种负载的数据集划分为一个域。
表1滚动轴承数据集信息
验证本发明所采用的故障诊断方法,采用卷积神经网络以及基于MMD的域自适应诊断方法进行对比分析,对如下表2所示的六种迁移任务进行评估。所得结果如表2所示。图2展示了本发明所提方法的T01迁移任务的特征可视化图。对表2分析可知,采用Masserstein距离计算域差异作为最终约束条件的域自适应方法测试结果明显优于其它方法的测试结果。特别是和基于MMD的域自适应方法比较,本发明所提方法测试结果准确率较高,则说明Masserstein距离用于域自适应具有优越性。另外,与卷积神经网络比较,具有域自适应功能的方法,其测试精度得到了显著提高。相邻的源域和目标域测试精度更高,例如,0hp和1hp(T01)之间的轴承负载差异小于0hp和3hp(T03)之间的负载差异,这使得从0hp域中学习到的特征更容易转移到1hp域。从表2可以比较出反向迁移任务的测试准确率也较高,说明网络结构的双向性能良好。
表2在六个传输任务中测试目标域样本的诊断结果
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于Wasserstein距离的域自适应轴承故障诊断模型,其特征在于,包括:特征提取器、域自适应模块、分类器,特征提取器下一步连接域自适应模块,域自适应模块下一步连接分类器。
2.一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,其特征在于:
Step1、分别获取源域DS和目标域DT的数据集;其中,D表示领域即域;下标S表示源,DS即表示源域;下标T表示目标,DT即表示目标域;
所述源域DS的数据集中含义ns个有标记的样本即其中X表示数量;XS表示源域DS的数据集即源域数据集;ns表示源域数据集XS中所包含的振动数据的总数量;x表示振动数据,表示数据集XS中的第i个振动数据;y表示标签及即故障类别,表示源数据集XS中的第i个振动数据的标签;
所述目标域DT的数据集中含有nt个未标记的样本即其中X表示数量;XT表示目标域DT的数据集即源域数据集;nt表示源域数据集XT中所包含的振动数据的总数量;x表示振动数据,表示数据集XT中的第i个振动数据;
所述{DS=XS,P(xS)}表示源域,{DT=XT,P(xT)}表示目标域,其中XS是源域样本,XT是目标域样本,P(xS)和P(xT)表示源域样本和目标域样本的概率分布,且xS∈XS,xT∈XT;即所述源域DS和所述目标域DT的特征空间相同;所述源域DS和所述目标域DT的类别空间也相同;
Step2、建立一个基于Wasserstein距离的域自适应滚动轴承故障诊断模型,包括:特征提取器、域自适应模块、分类器;其中,
所述特征提取器,用于提取源域DS和目标域DT中的振动数据的特征;
所述域自适应模块,用于对特征提取器所提取的振动数据的特征进行识别,判断该振动数据是来自于源域DS或目标域DT;
所述分类器,学习源域DS中的振动数据的特征分布,根据源域DS中的振动数据的特征进行分类训练;
所述分类器根据领域自适应训练,使得目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布;
所述领域自适应训练是指:将源域DS和目标域DT中的振动数据的特征通过特征提取器进行提取,从而映射到同一个特征空间;然后领域判别器判断所提取的特征是来自于源域DS中的振动数据还是目标域DT中的振动数据;当判别器无法判断所提取的特征是来自源域DS中的振动数据还是目标域DT中的振动数据时,则表示目标域DT中的振动数据的特征的分布类似于源域DS中的振动数据的特征的分布,判别器即认为目标域DT中的该振动数据的故障类别与源域DS中的该振动数据的故障类别相同;
Step3、基于Wasserstein距离的域自适应滚动轴承故障诊断模型的优化目标,确定故障诊断模型的目标函数;
故障诊断模型中,包括以下两个优化目标:
域自适应的优化目标:使领域判别的误差最小化;
分类器的优化目标:使故障分类的误差最小化;
Step4、得到故障诊断模型的目标函数后,对故障诊断模型进行训练,求解故障诊断模型中的模型参数,从而得到训练后的分类器;
Step5、在故障识别的过程中,利用分类器即可对目标域中的无标签振动数据进行故障分类识别。
3.根据权利要求2所述一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法的实现原理,其特征在于:
StepA、通过卷积神经网络提取特征,卷积层包含一个滤波器w和一个偏置b,令Xn为卷积层的第n个输入数据点,N为这些数据点的个数,第n段数据记作其中lk为核长度,j为第j个数据点,卷积过程的一般形式如下所示:
StepB、每个卷积层与池化层相连,以消除卷积层特征的维数,利用最大池化函数来返回每个子区域的最大值,该过程的一般形式表示如下:
在该特征提取过程中具有相应的网参数θf;
StepC、特征提取器得到源域特征hs=(rf(xs))和目标域特征ht=(rf(xt));通过Wasserstein距离进行域差异的计算,其计算过程如下:
其中,ns表示源域数据集DS中所包含的振动数据的总数量;nt表示源域数据集DT中所包含的振动数据的总数量;将源域特征和目标域特征映射到解空间rc,该过程具有相应的参数θc;
其中ρ是平衡系数;
其中,ns表示源域数据集DS中所包含的振动数据的总数量;
StepF、分类损失的最终目标函数可以根据分类器的交叉熵损失lc以及与域差异相关的经验Wasserstein距离lwd得到:
其中,θd表示分类器的参数,λ是确定域差异的超参数。
4.根据权利要求2所述一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法,其公开了一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法在机械产品质量可靠性评估与故障诊断技术领域的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067666.9A CN113239610A (zh) | 2021-01-19 | 2021-01-19 | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067666.9A CN113239610A (zh) | 2021-01-19 | 2021-01-19 | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239610A true CN113239610A (zh) | 2021-08-10 |
Family
ID=77130055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067666.9A Pending CN113239610A (zh) | 2021-01-19 | 2021-01-19 | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239610A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526915A (zh) * | 2022-01-21 | 2022-05-24 | 华南理工大学 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
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 |
-
2021
- 2021-01-19 CN CN202110067666.9A patent/CN113239610A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN114526915A (zh) * | 2022-01-21 | 2022-05-24 | 华南理工大学 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
CN114526915B (zh) * | 2022-01-21 | 2022-12-16 | 华南理工大学 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
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 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN113324754B (zh) | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 | |
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及系统 | |
CN112860183B (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN116026593A (zh) | 跨工况的滚动轴承故障靶向迁移诊断方法及系统 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN113239720B (zh) | 一种基于深度迁移学习的地铁车辆走行部故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |