CN113343855B - 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 - Google Patents

基于引导式子领域自适应的滚动轴承故障诊断系统及方法 Download PDF

Info

Publication number
CN113343855B
CN113343855B CN202110641588.9A CN202110641588A CN113343855B CN 113343855 B CN113343855 B CN 113343855B CN 202110641588 A CN202110641588 A CN 202110641588A CN 113343855 B CN113343855 B CN 113343855B
Authority
CN
China
Prior art keywords
domain
samples
sub
sample
target domain
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
CN202110641588.9A
Other languages
English (en)
Other versions
CN113343855A (zh
Inventor
胡若晖
张敏
许文鑫
程文明
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110641588.9A priority Critical patent/CN113343855B/zh
Publication of CN113343855A publication Critical patent/CN113343855A/zh
Application granted granted Critical
Publication of CN113343855B publication Critical patent/CN113343855B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本发明提出一种基于引导式子领域自适应的滚动轴承故障诊断系统及方法，属于轴承故障信号跨域智能故障诊断技术，系统包括：信号预处理模块、前馈特征提取网络模块和子领域自适应模块；本发明将源域和目标域数据集进行预处理后输入至前馈特征提取网络模块，目标域中提供有每个类别故障下的1个以上的有标签向导样本；提取源域和目标域数据集的信号特征；通过局部最大平均差异测量源域和目标域向导样本相关子领域间的局部分布差异，并最小化源域和目标域无标签样本间的局部分布差异，完成对目标域无标签样本的标签预测。本发明能够通过最小化不同型号轴承故障信号间的子领域差异，实现不同型号轴承数据集间的跨域故障诊断。

Description

基于引导式子领域自适应的滚动轴承故障诊断系统及方法
技术领域
本发明涉及轴承故障信号跨域智能故障诊断技术，尤其涉及一种基于引导式子领域自适应的滚动轴承故障诊断系统及方法。
背景技术
轴承作为旋转型机械中必不可少的零件之一，一旦发生故障将对机械正常运行造成严重威胁。合理分析轴承振动信号，对提前预警机械故障、减少机器维护成本有重要意义。随着人工智能技术的不断发展，越来越多学者使用智能网络对滚动轴承故障类型进行分类。智能故障诊断技术的成熟与深度学习的发展密切相关。深度学习网络强大的特征学习能力使故障诊断不再依靠大量的专业知识。信号处理技术和模式识别技术结合成为当今主流的故障诊断方法。
然而，训练深度学习网络需要提供大量标签数据。收集适用的轴承故障数据需要花费大量时间和机器维修费用，且存在安全风险。在实际轴承发生故障问题时，多数机械设备都无法提前收集充足的信号数据。仅有少量可用数据时，利用数据量充足的滚动轴承数据集(即源域)训练模型，对未知标签的目标信号(即目标域)进行预测，是应对轴承振动信号稀缺的有效方法。但在不同条件下测得的轴承振动信号特征概率分布存在差异，导致跨领域故障诊断准确率较低。消除或缩小这种差异的方法称为领域自适应，训练与测试数据存在差异的情况下训练智能模型的方法，称为迁移学习。
迁移学习模型在信号识别和轴承故障诊断领域已有一定应用。Lu等将最大均值差异应用到轴承故障诊断中，用于实现滚动轴承不同工作负载下的跨域故障诊断。Zhang等将短时傅里叶变换和MVD结合，用于解决变工况故障诊断问题。以上模型使用统计矩匹配(statistic momentmatching-based approach)实现领域自适应。但最近的研究显示，基于对抗性损失的故障诊断模型能取得更好的分类效果，基于生成式对抗的网络模型能有效解决目标域无标签样本数不足的问题。Chen等将对抗领域自适应网络用于轴承故障诊断，通过领域判别器实现反向梯度转播，可有效适配不同转速下采集的轴承故障数据特征。JairoViola等使用连续小波变换和DCGAN网络，解决了源域和目标域样本数不平衡时的变工况跨域故障诊断问题。
上述方法主要解决的是同种轴承在不同转速或不同工作负载下的跨域故障诊断问题。但在实际中，轴承大多在健康状态工作，不是每类轴承都拥有充足的历史故障数据。因此研究不同型号轴承数据间的跨域故障诊断，有助于利用现有的大量开源滚动轴承数据集实现对目标轴承的故障状态检测。然而，由于不同实验平台所用轴承型号不同，加速度传感器型号不同，轴承故障的形成方式和损害程度不同，轴承转速和所受工作载荷不同，导致不同滚动轴承数据集间特征分布差异明显。Guo等利用核密度估计(kernel densityestimation,简写为KDE)分析了来自Paderborn大学人为损伤和自然损坏轴承的时域信号，发现了二者较大的领域差距。这种差异常导致迁移学习模型出现负迁移现象，给跨域故障诊断任务带来巨大挑战。在现有文献中已有使用动态时间翘曲(DTW)和Jensen-Shannon(JS)散度衡量源域与目标域数据的相似性，以方便给待测的时序数据挑选与其相似度较高的源域信号。但实际中不一定所有轴承都能找到与其相似的信号，且寻找的过程是耗时的。因此，寻找一种新的领域自适应方法去缩小不同轴承信号较大的领域差距是必要的。
如今主流的领域自适应方法多数属于全局特征迁移。然而，当源域和目标域数据特征分布差距较大时，全局领域自适应无论无监督还是半监督学习都无法完全消除边缘分布差异，导致目标域故障识别准确率较低。产生这种现象有两个主要原因：1)全局领域自适应仅减少了源域和目标域间的特征分布差异，忽略了两领域内的故障类别差异；全局领域自适应会混淆所有源域和目标域数据，使前馈网络训练的源域特征分类器发生改变，使其丢失掉区分故障类别的重要信息；2)前馈特征提取网络仅学习到源域信号的域内类别差异，全局领域自适应得到的领域不变特征不一定是目标域的故障判别特征；全局领域自适应找到的公共特征空间具有领域不变性，却不一定有标签判别性。一个直观的全局领域自适应过程如图1(a)所示。
为解决以上问题，许多学者开始关注子领域自适应问题。子领域是同类标签的所有样本集合。子领域自适应以最小化源域和目标域相同标签数据的类内差异，同时最大化类间差异为目标。一个直观的子领域自适应过程如图1(b)上部分所示。与全局领域自适应相比，子领域自适应在网络训练时使不同标签的特征持续保持区分性，保证了较高的标签分类准确率和极快的领域收敛速度。然而，寻找公共的子领域空间需要依据目标域无标签数据的预测标签。但当目标域和源域特征差距较大时，预测标签会出现大量错判，导致不同标签的子领域被强行绑定在一起，使分类器准确率下降。
发明内容
本发明的目的是提供一种基于引导式子领域自适应的滚动轴承故障诊断系统及方法，实现不同型号轴承数据集间的跨域故障诊断。
本发明解决其技术问题，采用的技术方案是：
本发明首先提出一种基于引导式子领域自适应的滚动轴承故障诊断系统，包括：
信号预处理模块，用于将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；
前馈特征提取网络，用于提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；
子领域自适应模块，用于通过局部最大平均差异(LMMD)测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测。
进一步的是，所述信号预处理模块中，可以采用常规的重叠采样和随机重复采样对源域和目标域数据集进行数据扩增处理。在优选实现方式中，采用重叠采样和随机重复采样得到源域和目标域每个类别故障下的等量一维样本，每个一维样本包含对应个数的采样点；进一步，可以将源域和目标域样本数据经过步长为128的重叠采样和随机重复采样后，均分为每个类别500个样本，每个样本包含1024个采样点。
进一步的是，所述信号预处理模块中，经数据扩增处理后的目标域中每类故障样本中带标签样本数量为至少1个。
进一步的是，所述信号预处理模块中，将所述一维样本经连续小波变换转换为时频域图谱。
进一步的是，所述前馈特征提取网络模块可以为ResNet18、VGG-Net、AlexNet或CNN-LSTM等。
进一步的是，所述滚动轴承故障诊断系统中前馈特征提取网络和子领域自适应模块组成的网络结构共训练50～100个批次。本发明分两步实现子领域自适应：(1)第一步的若干批次将源域样本和带标签的目标域向导样本代入局部最大平均差异，并计算其无偏估计，通过若干批次训练，最小化源域样本和带标签的目标域向导样本的分布差异实现子领域自适应；(2)第二步的剩余若干批次，将源域样本和目标域无标签样本代入局部最大平均差异，计算其无偏估计，通过若干批次训练，最小化源域样本和目标域无标签样本的分布差异实现子领域自适应。
另外，本发明还提出一种基于引导式子领域自适应的滚动轴承故障诊断方法，包括如下步骤：
步骤1、将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；
步骤2、基于源域和目标域带标签的时频域图谱样本，提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；基于源域和目标域导向样本的信号特征，通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测。
进一步的是，步骤2分为两步：第一步利用源域样本和带标签的目标域向导样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域向导标样本间的局部分布差异，实现子领域自适应；第二步利用源域样本和目标域无标签样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应。
进一步的是，步骤2包括以下分步骤：
步骤21、基于源域和目标域带标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第一步子领域自适应训练；
步骤22、基于源域和目标域无标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第二步子领域自适应训练，实现对目标域无标签样本的故障分类。
上述步骤21和步骤22中，对前馈特征提取网络和子领域自适应模块训练次数可以根据需要设定，只要满足目标域无标签样本分类概率接近1即可。本发明中，第一步子领域自适应训练和第二步子领域自适应训练中，前馈特征提取网络和子领域自适应模块组成的网络结构各训练25～50个批次。
上述步骤21和步骤22中，对前馈特征提取网络和子领域自适应模块进行训练过程相同，包括以下分步骤：
首先，利用源域数据集的时频域图谱样本及其故障标签训练前馈特征提取网络；
然后，将源域和目标域样本(向导标签样本或无标签样本)的时频域图谱样本带入前馈特征提取网络，从前馈特征提取网络提取源域和目标域样本信号特征；当目标域样本为无标签样本时，同时提取其预测标签；
之后，将提取的源域和目标域的样本信号特征分别输入至子领域自适应模块，将标签相同的源域样本和目标域样本的相关子领域投射到同一特征空间，并确定源域和目标域向导标签样本的分布差异，即无偏估计；利用源域和目标域数据的分布差异和交叉熵损失函数之和构建损失函数。
进一步的是，将源域和目标域数据的分布差异加入损失函数对前馈特征提取网络参数进行调整，之后进入下一批次的训练，直至达到设置的训练次数上限。
本发明的有益效果是，通过上述基于引导式子领域自适应的滚动轴承故障诊断系统及方法：首先，通过局部最大平均差异测量了源域和目标域向导样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本投射到同一特征空间；其次，通过局部最大平均差异不断减小源域和目标域无标签样本间的局部分布差异，最终实现子领域自适应。最终，实现了不同型号轴承数据集间的跨域故障诊断。
附图说明
图1为三种迁移学习方法对比图，其中，图1(a)为全局领域自适应过程，图1(b)为子领域自适应过程，图1(c)为本发明中基于引导式子领域自适应过程；
图2为本发明实施例2中某一批次基于引导式子领域自适应的滚动轴承故障诊断流程图；
图3从上到下分别是为本发明应用例中数据集A-F内圈故障加速度信号经连续小波变换得到的时频域图谱；
图4为本发明应用例中将实验C→F、A→E和A→B目标域无标签数据识别结果显示在混淆矩阵中的示意图；(a)针对三种故障类型识别，(b)针对四种故障类型识别；(c)针对十种故障类型识别；
图5为本发明应用例中t-SNE通过将原始特征空间的样本映射到二维空间来可视化高维数据图；(a)针对三种故障类型识别，(b)针对四种故障类型识别；(c)针对十种故障类型识别；
图6为本发明应用例中领域自适应t-SNE可视化图；(a)为未经子领域自适应的Resnet 18输出特征，(b)为子领域自适应后的输出特征；
图7为本发明应用例中五种方法的目标域故障识别准确率对比图；
图8为本发明应用例中不同分类模型分别对实验A→B中各模型最后一层隐藏层做t-SNE处理，将样本特征映射到二维空间中的可视化结果图。
具体实施方式
下面结合附图及实施例，详细描述本发明的技术方案。
以下实施例详细地介绍了基于引导式子领域自适应(Guided SubdomainAdaption，简写为GDSAN)的滚动轴承故障诊断流程、网络结构和优化目标。GDSAN通过最小化不同型号轴承故障信号间的子领域差异，实现跨域智能故障诊断。
实施例1
本实施例主要讨论目标域每类故障仅有一个标签数据时的跨域故障诊断问题，即目标域其他数据没有标签。因此，本实施例以正确地对目标域无标签样本进行标签预测为目标。在迁移学习任务中，
Figure BDA0003107271500000051
是源域中ns个有标签样本，
Figure BDA0003107271500000052
是目标域中待测的nt个无标签样本。DS和DT服从两种不同的数据分布，拥有相同的标签空间。本实施例将故障标签同为C的DS和DT样本划分为子领域
Figure BDA0003107271500000061
和
Figure BDA0003107271500000062
其中C∈(1,2,...,c)表示故障类别标签。子领域
Figure BDA0003107271500000063
和
Figure BDA0003107271500000064
数据分布用s(c)和t(c)表示，显然s(c)≠t(c)。本实施例目的是通过子领域自适应寻找一种最优算法将
Figure BDA0003107271500000065
和
Figure BDA0003107271500000066
中的样本映射到同一特征空间，即寻找一个分类器η使
Figure BDA0003107271500000067
损失最小：
Figure BDA0003107271500000068
式中：
Figure BDA0003107271500000069
是理想分类器η的损失值，y是样本X的真实标签，η(X)是样本X预测标签。
对于轴承早期故障，振动信号中包含的故障特征信息一般很弱，极易被噪声信号淹没。在轴承实时状态监测中，对轴承早期故障的识别有重要意义。
本实施例提出的基于引导式子领域自适应的滚动轴承故障诊断系统，可以包括信号预处理模块、前馈特征提取网络模块和子领域自适应模块。
1、信号预处理模块
信号预处理模块，用于将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，每个一维样本包含对应个数的采样点，目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本。
本实施例中，为了实现不同型号轴承数据见的跨域故障诊断，在目标域提供每类故障一个有标签样本充当向导，其余为无标签样本。
由于源域和目标域样本数量较少，为了获取充足的源域和目标域样本数据，本实施例中，采用本领域已经披露的常规方法对源域和目标域数据集中一维样本进行重叠采样和随机重复采样得到训练用源域和目标域数据集。本实施例中，将源域和目标域数据经过步长为128的重叠采样和随机重复采样后，均分为每个类别500个样本，每个样本包含1024个采样点。
再将训练用源域和目标域数据集中的一维样本经连续小波变换转换为时频域图谱。
对于轴承早期故障，振动信号中包含的故障特征信息一般很弱，极易被噪声信号淹没。在轴承实时状态监测中，对轴承早期故障的识别有重要意义。连续小波变换(CWT)可以分析多个尺度的信号，通过转换可以描述不同尺度的信号的局部特征。因此，便于进行弱故障特性的判定。
由于轴承或者齿轮箱等元件的故障振动信号通常有冲击衰减的特征，而Morlet小波是实部和虚部的幅值都按指数衰减的简谐振动信号，因此能够与信号实现较好的匹配。Morlet小波能够实现任意的时域或频域分辨率。Morlet是高斯包络下的复指数函数，其数学表达式为：
Figure BDA0003107271500000071
式中：t是时间，β是带宽参数，fc是中心频率。对于信号x(t)，其连续Morlet小波变换为：
Figure BDA0003107271500000072
式中：W(a,b)为小波变换系数，a是尺度因子，a≠0，b是位移因子，ψa,b(t)是基小波ψ(t)经过伸缩和平移形成的小波基函数。
滚动轴承时域振动信号经过基于不同尺度Morlet小波的连续小波变换后，组成了一个S×N维的系数矩阵。其中S为尺度个数，S＝512；N为信号长度，N＝1024。矩阵W中每一行代表在某一个尺度下的小波系数，而每一列则表示同一时刻不同尺度下的变换结果。
2、前馈特征提取网络
前馈特征提取网络，用于提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签。
本实施例以ResNet18网络作为前馈特征提取网络，利用ResNet18网络源域和目标域提取转换成时频图谱的样本信号特征，并得到目标域无标签样本的预测标签。
首先利用源域数据集样本及其故障标签训练ResNet18网络。然后将源域和目标域数据集样本带入ResNet18网络，从ResNet网络提取源域和目标域数据集样本信号特征，并得到目标域无标签样本的预测标签。
需要说明的是，该ResNet18网络也可以用其他特征提取网络代替。
3、子领域自适应模块
子领域自适应模块，用于通过局部最大平均差异(LMMD)测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测。
在全局领域自适应中，最大平均差异(Maximum Mean Discrepancy，简写为MMD)被广泛地用于衡量两种分布之间的差异。作为一种非参数估计，MMD对领域距离的估计量具有无偏性。在MMD的基础上，局部最大平均差异(Local Maximum Mean Discrepancy，简写为LMMD)也可以用于测量两个子领域之间的距离。与MMD不同，LMMD可以根据每个样本的权重测量出局部分布差异。通过将LMMD加入损失函数，使不同子领域间的距离不断缩小。最后，LMMD正式定义了以下差异度量:
Figure BDA0003107271500000081
式中：XS和XT是来自DS和DT的经前馈特征提取网络提取的样本，H是具有特征核k的再生核希伯尔空间(RKHS)，
Figure BDA0003107271500000082
是从样本空间到RKHS的一些特殊映射，内核k表示
Figure BDA0003107271500000083
其中·,·表示两个向量的内积，当且仅当s(c)＝t(c)时，
Figure BDA0003107271500000084
Ec是样本属于故障类别c的数学期望，Es和Et分别是源域和目标域样本属于类别c的数学期望。
假设每一个样本根据不同权重ωc归属于不同的故障标签。于是，式(4)的无偏估计为：
Figure BDA0003107271500000085
式中：权重
Figure BDA0003107271500000086
和
Figure BDA0003107271500000087
是样本
Figure BDA00031072715000000823
和
Figure BDA0003107271500000089
归属于故障标签c的概率大小，
Figure BDA00031072715000000810
和
Figure BDA00031072715000000811
都等于1，
Figure BDA00031072715000000812
是故障类别c权重的加和，样本Xi对于第c类故障的权重
Figure BDA00031072715000000813
可以被表示为：
Figure BDA00031072715000000814
式中：yi是一个热向量(one-hot vector)，yic＝1代表xi属于第c类故障，yic代表向量yi的第c个数值，源域样本或目标域向导样本的
Figure BDA00031072715000000815
可以直接用其真实标签计算。但目标域存在大量样本没有标签，其
Figure BDA00031072715000000816
不能直接计算得出，由于每个样本在经过前馈网络后都会得到一个
Figure BDA00031072715000000817
是经过softmax得到的一系列概率分布，
Figure BDA00031072715000000818
预测了样本Xi属于第c类故障的概率，由此，本实施例利用无标签数据的预测标签
Figure BDA00031072715000000819
计算其
Figure BDA00031072715000000820
其中，伪标签
Figure BDA00031072715000000821
是概率预测(soft prediction)而不是标签预测(hard prediction)。LMMD充分考虑了无标签样本的不确定性，从而减小了标签预测错误导致的负面影响。
为在特征层l中完成子领域自适应，需要进一步量化
Figure BDA00031072715000000822
因此，本实施例中我们将公式(5)重新表示为：
Figure BDA0003107271500000091
式中：zl是第l层的激活值，l＝1,2,…,L，L是网络层数，C是包括正常在内的类别总数。通过将式(7)加入损失函数可以无限缩小子领域间的距离。LMMD可以在很多前馈网络中被实现。
实施例2
本实施例提供了基于引导式子领域自适应的滚动轴承故障诊断方法，利用实施例1给出的基于引导式子领域自适应的滚动轴承故障诊断系统，按照以下步骤进行：
步骤1、利用信号处理模块将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本。
本步骤中，将源域和目标域数据经过步长为128的重叠采样和随机重复采样后，均分为每个类别500个样本，每个样本包含1024个采样点；且目标域中每个类别提供一个带标签样本作为导向样本，其余为无标签样本。
本步骤中，经数据扩增处理后的源域和目标域数据集中的一维样本经过基于不同尺度Morlet小波的连续小波变换后，组成了一个S×N维的系数矩阵。其中S为尺度个数，S＝512；N为信号长度，N＝1024。矩阵W中每一行代表在某一个尺度下的小波系数，而每一列则表示同一时刻不同尺度下的变换结果。
步骤2、基于源域和目标域带标签的时频域图谱样本，提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；基于源域和目标域导向样本的信号特征，通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测。
本步骤分为两步：第一步利用源域样本和带标签的目标域向导样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域向导标签样本间的局部分布差异，实现子领域自适应；第二步利用源域样本和目标域无标签样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应。
在具体实现方式中，步骤2包括以下分步骤：
步骤21、基于源域和目标域带标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第一步子领域自适应训练。
本步骤中，通过25批次训练，利用源域样本和带标签的目标域向导样本的信号特征实现子领域自适应。
如图2所示，以某一批次训练为例，对该子领域自适应训练过程进行详细解释。
首先，利用源域数据集的时频域图谱样本及其故障标签训练ResNet18网络。
然后，将源域和目标域向导带标签样本的时频域图谱样本带入ResNet18网络，从ResNet网络提取源域和目标域数据集样本信号特征；当目标域样本为无标签样本时，同时提取其预测标签；
之后，将提取的源域和目标域的样本信号特征分别输入至子领域自适应模块，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并按照公式(7)计算得到源域和目标域向导标签样本的分布差异，即无偏估计
Figure BDA0003107271500000101
本实施例通过将源域和目标域数据的分布差异加入损失函数来最小化子领域间距。子领域自适应损失可以被表示为：
Figure BDA0003107271500000102
式中：Ec[·]表示类别c的数学期望，
Figure BDA0003107271500000103
表示源域样本
Figure BDA0003107271500000104
属于故障c的概率，为源域样本利用ResNet18网络经过softmax得到的概率分布，J(·,·)表示交叉熵损失函数(分类损失)，λ是领域自适应损失的权重参数，取值为0.31。
在训练中，主要遵循标准的小批量随机梯度。本实施例使用LMMD度量子领域分布差异。于是在特定层l上的子领域自适应损失可以被表示为：
Figure BDA0003107271500000105
基于得到子领域自适应损失，ResNet18网络自动调整参数后，进入下一批次训练。
步骤22、基于源域和目标域无标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第二步子领域自适应训练，实现对目标域无标签样本的故障分类。
本步骤中，通过25批次训练，利用源域样本和无标签的目标域样本的样本信号特征实现子领域自适应。本步骤中，对前馈特征提取网络和子领域自适应模块训练过程与步骤S2中的相同，只需要将目标域带标签样本替换为目标域无标签样本即可，这里不再详细解释。
本步骤以最后一批训练完成后得到目标域无标签样本的故障分类结果作为最终故障分类结果输出。
应用例
本应用例分别选择了六种不同型号滚动轴承采集的振动信号数据，并对它们开展了广泛的跨域故障诊断实验，以验证提出的GDSAN网络的优越性。同时，本研究还选择了几种主流的迁移学习算法进行对比。
本应用例跨域故障诊断实验基于六种不同型号的滚动轴承数据集，具体数据集细节如表1所示。六类滚动轴承振动信号分别来自五个轴承实验平台，且均由加速度传感器采集。这些轴承数据集根据不同的实际需求采集。一些使用人为损害(CWRU，MFPT)，其他使用实际损害(IMS，SJTU，帕德博恩)。
表1实验数据集
Figure BDA0003107271500000111
CWRU轴承数据集：凯斯西储大学滚动轴承数据集同时收集了电机靠近风扇端和靠近驱动端两个轴承的加速度信号，采样频率为12kHz。靠近驱动端的轴承型号为SKF 6205，靠近风扇端的轴承型号为SKF 6203。使用放电加工(EDM)对电机轴承进行故障播种。数据包括内圈、滚动体和外圈三种故障类型的振动数据，每类故障包括三种故障直径：0.007，0.014，和0.021inchs。实验分别在不同的电机负载下进行：0hp、1hp、2hp和3hp。
MFPT故障数据集：数据集收集了NICK轴承的内圈和外圈故障振动信号，实验分别在七种不同的工作负载(0～300磅)下进行。故障数据采样频率为48,828Hz。
IMS轴承数据集：IMS数据集记录了12个轴承从开始使用到发生故障的全寿命周期加速度数据，采样频率为20kHz。所用轴承型号为Rexnord ZA-2115双列轴承，实验结束时分别有轴承发生了外圈、滚动体和内圈故障。由于实验的启停时间相同，在结束时有的轴承处于晚期故障阶段，也有轴承处于中期故障阶段甚至早期故障阶段，不具备全寿命特征。本实施例选择故障轴承最后十次采集的振动信号作为实验数据。
上海交通大学滚动轴承数据集(SJTU)：上海交通大学滚动轴承数据集记录了SKF2209轴承在过载情况下从开始工作到失效的全寿命周期加速度数据。在其实验中考虑了轴承外圈、内圈和滚动体三种故障状态，采样频率为20kHz，轴承所受径向载荷为11.5kN。
帕德博恩轴承数据集(Paderborn)：帕德博恩轴承数据集分别收集了6203滚珠轴承在人为损坏和真实损坏下的加速度数据，实验收集了轴承外圈和内圈两种数据。本实施例仅选其自然损坏的轴承数据，实验中轴承所受径向载荷为1KN，负载转矩为0.7Nm，采样频率为64kHz。
为全面地体现实施例提供的基于引导式子领域自适应的滚动轴承故障诊断系统利用不同型号轴承数据完成跨域故障诊断的能力，现将六个滚动轴承数据集分为两组，第一组为人为损坏的轴承振动信号，第二组为真实损坏的轴承振动信号。考虑到不同轴承数据集的信号总长度不一致，将实验分为两个部分。第一部分进行源域与目标域数据量平衡时的跨域故障诊断实验。第二部分进行目标域仅有少量标签数据时的跨域故障诊断实验，此时目标域仅取信号总长度为10240样本作为无标签样本数据，源域样本充足。实验中源域数据为有标签样本，每组实验目标域提供每类标签一个有标签样本，剩余目标域数据无标签。
根据表2中给出的任务，利用实施例1给出的基于引导式子领域自适应的滚动轴承故障诊断系统，按照实施例2给出的步骤对源域数据集和目标数据集进行处理。
图3从上到下分别是数据集A-F内圈故障加速度信号经数据扩增和连续小波变换得到的部分时频域图谱。来自不同数据集的图片呈现出了不同的周期变化规律。图3直观地展示了不同型号轴承故障信号肉眼可见的特征差异。
各实验目标域样本故障识别准确率如表2所示。从表2中可知，基于GDSAN的故障诊断方法在目标域无标签样本数量充足和不足时均能保持极高的故障识别准确率。网络能以较高的准确率识别从不同型号轴承采集的故障信号。结果说明了深度迁移学习方法能大幅度减小网络对目标数据量的需求。进一步观察，当源域和目标域信号都来自自然损害的轴承时，准确率有明显的下降。多种潜在的因素导致了这种下降，如从自然损坏的轴承信号中提取到的特征较弱或其规律性不如人为损害的信号强。结果说明了应选择人为损害的轴承数据为源域对自然损害的轴承进行故障诊断。
表2 GDSAN对不同类型的轴承诊断任务的分类精度
Figure BDA0003107271500000121
Figure BDA0003107271500000131
上表中，任务：以箭头前的数据集作为源域数据集，以箭头后的数据集作为目标域数据集；
转换类型：箭头前为源域数据集类型，箭头后为目标域数据集类型；
数据平衡实验：随机取源域和目标域信号总长度一致的信号按照实施例2给出的步骤1与步骤2进行处理；
少样本试验：源域中取所有信号，目标域中取长度为10240的信号按照实施例2给出的步骤1与步骤2进行处理。
将实验C→F、A→E和A→B目标域无标签数据识别结果显示在混淆矩阵中，如图4所示。图中纵坐标表示样本的真实标签，横坐标表示网络的预测标签。从图4中可知，绝大多数目标域样本出现在矩阵对角线上。结果表明基于GDSAN的故障诊断系统能可靠地完成目标域三分类(三种故障类型)、四分类(四种故障类型)和十分类(十种故障类型)故障识别任务。
为更加清晰地显示基于GDSAN的故障分类结果，分别将实验C→F、A→E和A→BResNet 18最后一层隐藏层的目标域数据做t-SNE降维处理。t-SNE通过将原始特征空间的样本映射到二维空间来可视化高维数据，结果如图5所示。从图5中可见，不同标签的目标域数据被投射到了不同的区域中，不同类型的标签有明显的可分性。同种标签有极强的聚簇性，每类标签500个数据点几乎重叠在同一个区域上。结果说明了GDSAN具有较强的收敛性，通过提前在网络训练中帮助每一个目标域样本找到归属，使同类故障标签间的距离不断缩小。
为清晰地展示模型的领域自适应过程，分别对实验A→B经过Resnet18和经过GDSAN的分类结果做t-SNE降维处理，结果如图6所示。从图6(a)中不难看出源域与目标域特征只有小部分重合，图6(b)显示在经过GDSAN后，源域与目标域数据有大部分被投射到同一区域。结果说明不同型号的轴承振动信号特征存在较大差异，GDSAN能有效降低特征边缘分布和联合分布差异对跨领域标签分类的影响，网络学习到来自源域和目标域相似的信号特征。
为充分证明轴承跨数据集故障诊断使用GDSAN的必要性，本应用例进一步对比了源域和目标域样本数平衡时各主流迁移学习方法的故障识别效果。对比模型包括基于ResNet18的CNN-Funitune网络，基于MMD的DDC网络，使用梯度反向传播的DANN网络和DSAN网络。对比试验将每种故障已知标签的目标域数据重复采样50次，加入训练集中训练网络模型。为减少随机性，每组实验做10次并取平均值。
表3不同方法中域适应任务的准确性
CNN-Funitune DDC DANN DSAN GDSAN
A→D 33.16％ 31.77％ 85.28％ 83.75％ 100％
A→E 44.55％ 40.94％ 70.17％ 94.45％ 98.85％
A→F 27.11％ 21.27％ 28.74％ 79.93％ 99.07％
C→D 60.56％ 61.56％ 73.56％ 75.13％ 100％
C→E 53.83％ 59.67％ 90.22％ 93.47％ 99.93％
C→F 68.56％ 68.27％ 53.93％ 87.27％ 100％
A→B 24.86％ 19.47％ 27.02％ 72.96％ 99.98％
B→C 67.16％ 67.67％ 84.44％ 87.03％ 98.85％
C→A 98.00％ 97.11％ 95.33％ 99.93％ 100％
D→A 46.83％ 47.66％ 69.39％ 89.35％ 98.70％
E→B 57.88％ 57.83％ 53.56％ 96.85％ 99.73％
F→C 43.05％ 42.89％ 48.22％ 85.47％ 99.53％
Average 52.13％ 51.34％ 64.99％ 87.13％ 99.55％
五种方法的目标域故障识别准确率对比如表3和图7所示。结果表明，GDSAN的平均故障识别准确率达到99.55％，虽DSAN的故障识别准确率达到了87.13％，但与本实施例方法相比，仍有平均12.42％的差距。CNN-Funitune和DDC网络出现了负迁移现象，准确率仅有平均52.13％和51.34％，且在不同的迁移任务中准确率波动较大，如在A→F中准确率仅有平均27.11％和21.27％。全局领域自适应模型在相同的实验条件下的表现与GDSAN差距明显。从实验结果中不难得出，GDSAN在各种迁移任务中均取得了最好最稳定的结果，证明了本实施例所提方法的有效性和优越性。
为进一步量化各方法的故障识别效果，分别对实验A→B中各模型最后一层隐藏层做t-SNE处理，将样本特征映射到二维空间中，可视化结果如图8所示。首先可以观察到，图8(a)-(d)样本被映射到了大面积的区域中，图8(e)和(f)具有更强的收敛性，5000个样本集中分布在10个区域中。结果说明全局的领域自适应仅缩小了源域和目标域数据的差距，却忽略了不同类型故障信号间的差异，当从源域数据中学习到的信息不足以区分目标域故障信号时，分类结果就出现了大面积的交错重叠现象。再进一步观察，图8(e)中虽然数据被映射到了10个区域中，但不同类型的故障重叠在了一起，图8(f)完美地将不同类型的故障映射到不同的区域中。结果表明将目标域标签数据混入源域中训练并不是标签的最大化利用方法，当标签数据不够时产生的效果极小。当子领域自适应无法正确地判断目标域数据标签时，就会强行将不同标签的目标域数据和源域数据绑定在一起，从而产生不利于标签分类的负效果。本实施例所使用的子领域引导机制是必要的，也是标签数据的最大化利用方法，从一开始就将各个子领域向正确的方向引导将大幅提高故障识别准确率。
综上所述，本实施例提出的一种名为GDSAN的新的跨域故障诊断方法，能够用于缩小不同型号轴承故障信号间较大的特征差异。与全局领域自适应不同，GDSAN以子领域对齐为目标实现领域自适应。网络找到的子特征空间在保证具有领域不变性的同时还具有标签判别性。所提方法实现目标信号的智能故障诊断仅需要其提供每类故障一个标签数据。为泛化性地验证所提方法的分类效果，本实施例分别从五个轴承实验平台选取了六种不同型号的轴承信号数据，并在其上做了广泛的迁移学习实验。实验结果表明，GDSAN能以极高的故障识别率完成目标域无标签数据的识别。且当目标域无标签数据不足时也能达到同样的分类效果。为展现所提方法的优越性，本实施例分别选择了4种主流的迁移学习算法与GDSAN做了对比。实验结果表明，GDSAN在故障识别准确率上平均领先其他算法35.65％。GDSAN能强制地执行子领域自适应，并且以平均99.55％的准确率识别各类故障信号。同时，所提方法是目标域标签数据最有效的利用方式。

Claims (8)

1.基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，包括：
信号预处理模块，用于将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；
前馈特征提取网络，用于提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；
子领域自适应模块，用于通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测；
所述系统组成的网络共训练50~100个批次，分两步实现子领域自适应：第一步的若干批次将源域样本和带标签的目标域向导样本代入局部最大平均差异，并计算其无偏估计，通过若干批次训练，最小化源域样本和带标签的目标域向导样本的分布差异实现子领域自适应；第二步的剩余若干批次，将源域样本和目标域无标签样本代入局部最大平均差异，计算其无偏估计，通过若干批次训练，最小化源域样本和目标域无标签样本的分布差异实现子领域自适应。
2.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样对源域和目标域数据集进行数据扩增处理。
3.根据权利要求2所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样得到源域和目标域每个类别故障下的等量一维样本，每个一维样本包含对应个数的采样点。
4.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，将所述一维样本经连续小波变换转换为时频域图谱。
5.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述前馈特征提取网络模块为ResNet18、VGG-Net、AlexNet或CNN-LSTM。
6.基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，利用权利要求1至5任一权利要求所述的系统按照以下步骤进行：
步骤1、将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；
步骤2、基于源域和目标域带标签的时频域图谱样本，提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；基于源域和目标域导向样本的信号特征，通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测；该步骤分为两步：第一步利用源域样本和带标签的目标域向导样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域向导标样本间的局部分布差异，实现子领域自适应；第二步利用源域样本和目标域无标签样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应。
7.根据权利要求6所述的基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，步骤2包括以下分步骤：
步骤21、基于源域和目标域带标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第一步子领域自适应训练；
步骤22、基于源域和目标域无标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第二步子领域自适应训练，实现对目标域无标签样本的故障分类。
8.根据权利要求7所述的基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，步骤21和步骤22中，对前馈特征提取网络和子领域自适应模块训练次数相同或不同；步骤21和步骤22中针对某一批次，对前馈特征提取网络和子领域自适应模块进行训练过程相同，包括以下分步骤：
首先，利用源域数据集的时频域图谱样本及其故障标签训练前馈特征提取网络；
然后，将源域和目标域样本的时频域图谱样本带入前馈特征提取网络，从前馈特征提取网络提取源域和目标域样本信号特征；目标域样本为向导标签样本或无标签样本；当目标域样本为无标签样本时，同时提取其预测标签；
之后，将提取的源域和目标域的样本信号特征分别输入至子领域自适应模块，将标签相同的源域样本和目标域样本的相关子领域投射到同一特征空间，并确定源域和目标域向导标签样本的分布差异，即无偏估计；利用源域和目标域数据的分布差异和交叉熵损失函数之和构建损失函数。
CN202110641588.9A 2021-06-09 2021-06-09 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 Active CN113343855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641588.9A CN113343855B (zh) 2021-06-09 2021-06-09 基于引导式子领域自适应的滚动轴承故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641588.9A CN113343855B (zh) 2021-06-09 2021-06-09 基于引导式子领域自适应的滚动轴承故障诊断系统及方法

Publications (2)

Publication Number Publication Date
CN113343855A CN113343855A (zh) 2021-09-03
CN113343855B true CN113343855B (zh) 2022-09-16

Family

ID=77475712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641588.9A Active CN113343855B (zh) 2021-06-09 2021-06-09 基于引导式子领域自适应的滚动轴承故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN113343855B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779724B (zh) * 2021-09-13 2022-07-22 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN116304905B (zh) * 2023-02-03 2024-01-23 中国人民解放军92942部队 一种在多负载工况下的永磁同步电机退磁故障诊断方法
CN116229080B (zh) * 2023-05-08 2023-08-29 中国科学技术大学 半监督域适应图像语义分割方法、系统、设备及存储介质
CN117312863B (zh) * 2023-11-29 2024-02-02 山东理工昊明新能源有限公司 故障检测模型的构建方法、电力设备故障检测方法及装置
CN117436353B (zh) * 2023-12-21 2024-03-22 泰安维创游乐设备有限公司 基于大数据的游乐设备故障智能预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135510A (zh) * 2019-05-22 2019-08-16 电子科技大学中山学院 一种动态领域自适应方法、设备及计算机可读存储介质
CN110647867A (zh) * 2019-10-09 2020-01-03 中国科学技术大学 基于自适应抗噪声神经网络的轴承故障诊断方法及系统
CN111199257A (zh) * 2020-01-10 2020-05-26 中国铁道科学研究院集团有限公司电子计算技术研究所 高铁行车设备故障诊断方法及装置
CN112101085A (zh) * 2020-07-22 2020-12-18 西安交通大学 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN112115916A (zh) * 2020-09-29 2020-12-22 西安电子科技大学 域适应Faster R-CNN半监督SAR检测方法
CN112200114A (zh) * 2020-10-20 2021-01-08 上海明略人工智能(集团)有限公司 故障诊断模型的训练方法、装置、电子设备及存储介质
CN112733612A (zh) * 2020-12-18 2021-04-30 华中科技大学 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN112861787A (zh) * 2021-03-09 2021-05-28 上海电力大学 一种风电机组行星齿轮箱故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10956817B2 (en) * 2018-04-18 2021-03-23 Element Ai Inc. Unsupervised domain adaptation with similarity learning for images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135510A (zh) * 2019-05-22 2019-08-16 电子科技大学中山学院 一种动态领域自适应方法、设备及计算机可读存储介质
CN110647867A (zh) * 2019-10-09 2020-01-03 中国科学技术大学 基于自适应抗噪声神经网络的轴承故障诊断方法及系统
CN111199257A (zh) * 2020-01-10 2020-05-26 中国铁道科学研究院集团有限公司电子计算技术研究所 高铁行车设备故障诊断方法及装置
CN112101085A (zh) * 2020-07-22 2020-12-18 西安交通大学 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN112115916A (zh) * 2020-09-29 2020-12-22 西安电子科技大学 域适应Faster R-CNN半监督SAR检测方法
CN112200114A (zh) * 2020-10-20 2021-01-08 上海明略人工智能(集团)有限公司 故障诊断模型的训练方法、装置、电子设备及存储介质
CN112733612A (zh) * 2020-12-18 2021-04-30 华中科技大学 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN112861787A (zh) * 2021-03-09 2021-05-28 上海电力大学 一种风电机组行星齿轮箱故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Mohsen Farhang."Adaptive time-frequency multiplexing for 5G applications".《AEU-International Journal of Electronics and Communications》.2020,第117卷 *
刘英姣."F4轧机轧辊轴承振动分析及故障诊断技术的研究".《中国优秀硕士学位论文全文数据库 工程科技I辑》.2016,(第06期), *
飞狗."图像去噪".《https://zhuanlan.zhihu.com/p/359714302》.2021, *

Also Published As

Publication number Publication date
CN113343855A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113343855B (zh) 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
Feng et al. Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis
Huo et al. Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
Sugumaran et al. Effect of number of features on classification of roller bearing faults using SVM and PSVM
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
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
CN101907681A (zh) 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN114048568A (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
Islam et al. Time–frequency envelope analysis-based sub-band selection and probabilistic support vector machines for multi-fault diagnosis of low-speed bearings
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
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
CN111504680B (zh) 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN115935187B (zh) 基于核敏感度对齐网络的变工况下机械故障诊断方法
CN117628005A (zh) 一种融合信号液压马达故障诊断方法及系统
Xu et al. A two-stage estimation method based on Conceptors-aided unsupervised clustering and convolutional neural network classification for the estimation of the degradation level of industrial equipment
CN115905976B (zh) 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备
CN116644348A (zh) 基于传递式对抗迁移的跨机械部件故障诊断方法及装置
Yu et al. A novel 1D‐CNN‐based diagnosis method for a rolling bearing with dual‐sensor vibration data fusion
Wang et al. Fault detection for the class imbalance problem in semiconductor manufacturing processes
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架
Liu et al. Fault diagnosis of rolling bearing under limited samples using joint learning network based on local-global feature perception

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