CN113375941A - 高速动车组轴承的开集故障诊断方法 - Google Patents
高速动车组轴承的开集故障诊断方法 Download PDFInfo
- Publication number
- CN113375941A CN113375941A CN202110640234.2A CN202110640234A CN113375941A CN 113375941 A CN113375941 A CN 113375941A CN 202110640234 A CN202110640234 A CN 202110640234A CN 113375941 A CN113375941 A CN 113375941A
- Authority
- CN
- China
- Prior art keywords
- domain
- sample
- data
- label
- training
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 116
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000002146 bilateral effect Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 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
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开揭示了一种高速动车组轴承的开集故障诊断方法,包括:通过加速度传感器采集运行中的高速动车组轴承的振动信号;针对恒定工况的开集诊断场景,输入带有标签的训练数据对一维卷积神经网络进行训练;针对工况变化的开集诊断场景,输入有标签的源域数据和无标签的目标域数据对双边加权对抗网络进行训练;利用训练数据或源域数据的特征建立极值理论模型,之后将测试样本或目标域样本的特征输入已建立的极值理论模型,输出测试样本或目标域样本属于未知故障类型的概率,若概率大于阈值,则测试样本或目标域样本属于未知故障类型,否则属于已知故障类型,根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。
Description
技术领域
本公开属于机械故障诊断领域,尤其涉及一种高速动车组轴承的开集故障诊断方法。
背景技术
由于深度学习具有自动提取有用特征的能力,深度学习在很多机械故障诊断任务上获得了广泛的应用。然而现有的基于深度学习的故障诊断方法存在两个问题,一方面假设用于训练的有标签数据和用于测试的无标签数据具有相同的标签集,实际应用很难满足这一假设,在测试阶段故障类型是无法预测的,即测试数据的标签集可能只包含部分已知的故障类别并且可能包含未知故障。另一方面,深度学习具有良好性能的前提是训练样本和测试样本具有相同的分布,然而高速动车组的工况会发生变化,所以训练样本与测试样本的分布存在差异,导致诊断性能大大下降。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种高速动车组轴承的开集故障诊断方法。首先定义开集故障诊断问题:高速动车组在恒定工况下运行,测试数据的标签集包含部分已知的故障类别且包含未知故障;高速动车组在不同工况下运行,目标域数据的标签集包括部分已知的故障类别且包含未知故障。在训练阶段,针对高速动车组在恒定工况和不同工况下运行的情景,分别采用一维卷积神经网络和双边加权对抗网络学习区分性特征和识别故障类型,之后利用训练数据或源域数据学习的特征建立极值理论模型。在测试阶段,利用学习好的网络进行标签预测、利用极值理论模型进行未知类检测。
为实现上述目的,本公开提供以下技术方案:
一种高速动车组轴承的开集故障诊断方法,包括如下步骤:
S100:通过加速度传感器采集运行中的高速动车组轴承的振动信号。
S200:若高速动车组在恒定工况下运行,将振动信号划分为训练数据、验证数据和测试数据,训练数据、验证数据是有标签的,测试数据是无标签的,假设测试数据的标签集包含部分已知故障类型和未知故障类型。若高速动车组在不同工况下运行,则将其中一种工况下运行的振动信号划分为源域数据和验证数据,源域数据和验证数据是有标签的,另一种工况下运行的振动信号作为目标域数据,目标域数据是无标签的,假设目标域数据的标签集包含部分已知故障类型和未知故障类型。定义在上述假设下开展的故障诊断任务为开集故障诊断;
S300:针对工况恒定的开集诊断场景,建立包括特征提取器F、标签预测器G的一维卷积神经网络;针对工况变化的开集诊断场景,建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器Dω的双边加权对抗网络;
S400:针对工况恒定的开集诊断场景,输入有标签的训练数据对所述一维卷积神经网络进行训练;针对工况变化的开集诊断场景,输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练;
S500:训练完成后,利用训练数据或源域数据建立极值理论模型,用于在测试阶段检测未知类;
S600:对于工况恒定的开集诊断,将无标签的测试数据输入训练好的一维卷积神经网络进行前向传播,所述训练好的一维卷积神经网络输出特征和标签预测值;对于工况变化的开集诊断,将无标签的目标域数据输入训练好的双边加权对抗网络进行前向传播,所述训练好的双边加权对抗网络输出特征和标签预测值;
S700:将验证数据样本的特征输入极值理论模型,确定阈值。
S800:将测试样本或目标域样本的特征输入极值理论模型,输出测试样本或目标域样本可能属于未知类的概率,若概率大于阈值,则样本被视为属于未知类,否则属于已知类,根据标签预测值决定样本的类别,从而实现高速动车组轴承的故障诊断。
优选的,步骤S200中,所述训练数据或源域数据表示为:
优选的,步骤S200中,所述测试数据或目标域数据表示为:
优选的,步骤S300中,所述特征提取器由卷积层和全连接层构成,用于从输入数据中提取特征;所述标签预测器由全连接层构成,用于对输入特征进行分类;所述域分类器由全连接层构成,用于辨别输入的特征来自于源域还是目标域。所述辅助域分类器由全连接层构成,用于提供源域样本和目标域样本与源域的相似性指标。
优选的,对于工况恒定的开集故障诊断,步骤S400中,对所述一维卷积神经网络进行训练包括以下子步骤:
S401:将有标签的训练数据输入特征提取器中进行前向传播,提取训练数据的特征,记为f=F(x);
S402:将所提取的训练数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);根据所述类别标签预测值,计算得到标签预测器的损失函数,作为一维卷积神经网络训练的目标函数,进行反向传播;
S403:重复执行步骤S401到步骤S402,当迭代次数达到设定的最大迭代次数时,一维卷积神经网络训练完成。
优选的,步骤S400中,对所述双边加权对抗网络进行训练包括以下子步骤:
S401:将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播,提取源域数据和目标域数据的特征,记为f=F(x);
S402:将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);
S403:将所提取的源域数据和目标域数据的特征经辅助域分类器进行前向传播,辅助域分类器的输出用于构造样本的域相似性指标;
S404:将所提取的源域数据和目标域数据的特征经域分类器进行前向传播,获得域标签预测值;
S405:根据所述类别标签预测值、域标签预测值,并利用域相似性指标对源域和目标域样本进行加权,计算得到标签预测器、域分类器以及辅助域分类器的损失函数,用于构造目标函数,目标函数构造完成后,进行反向传播;
S406:重复执行步骤S401到步骤S405,当迭代次数达到设定的最大迭代次数时,双边加权对抗网络训练完成。
优选的,步骤S402中,获得训练数据的类别标签预测值后,根据训练数据的真实标签,可计算获得标签预测器的损失,标签预测器的损失表示为:
其中,表示期望,表示第i个训练样本,表示与训练样本相对应的故障类别标签,表示所有训练样本及故障类别标签,K表示类别数目,Gc(fi s)表示将第i个训练特征预测为第c类的概率,fi s表示第i个训练样本的特征。
训练网络的目标函数表示为:
优选的,步骤S403中,构造样本的域相似性指标需要计算样本预测值的熵。
计算第i个源域样本标签预测值的熵:
第i个源域样本的域相似性指标为:
其中,Dω(fi s)为辅助域分类器对于第i个源域样本的域标签预测值。计算第j个目标域样本标签预测值的熵:
第j个目标域样本的域相似性指标为:
优选的,步骤S405中,获得源域数据的类别标签预测值后,根据源域数据的真实标签,可计算获得标签预测器的损失,标签预测器的损失表示为:
其中,表示期望,表示第i个源域样本,表示与源域样本相对应的故障类别标签,表示所有源域样本及故障类别标签,K表示类别数目,Gc(fi s)表示将第i个源域特征预测为第c类的概率,fi s表示第i个源域样本的特征。
根据真实的域标签,可计算得到辅助域分类器的损失,辅助域分类器的损失表示为:
在计算域分类器的损失过程中,利用权利要求8中域相似性指标对每个样本进行加权,获得域分类器的域标签预测值后,根据真实的域标签,最终域分类器的损失表示为:
训练网络的目标函数表示为:
其中,λ表示权衡系数。
优选的,步骤S500中,利用训练数据或源域数据的特征建立极值理论模型。
fi s表示第i个训练样本或源域样本的特征,令代表第i个正确分类的属于类别c的训练样本或源域样本的特征。每类的平均特征采用mc来表示,mc通过平均所有属于类别c的正确分类的训练样本或源域样本的特征来获得:
mc=mean(Si,c)
对于类别c中,每个正确分类的训练样本或源域样本与相应的mc间距离为:
优选的,步骤S700中,所述验证数据表示为:
将验证数据样本的特征输入极值理论模型,对于类别c中,每个验证数据样本与相应的mc间距离为:
阈值Ω设为95%的验证数据不被分为未知类的值。
优选的,步骤S800中,将测试样本或目标域样本的特征输入极值理论模型,根据标签预测值对样本进行分类。对于类别c中,每个测试样本或目标域样本和相应的mc间距离为:
其中威布尔累积分布函数概率代表测试样本或目标域样本属于未知类的概率。
如果该概率超过阈值Ω,则该样本被视为属于未知类,否则属于已知类,根据标签预测值决定样本的类别。
与现有技术相比,本公开带来的有益效果为:对于高速动车组在恒定工况下运行的开集故障诊断任务,本发明所述基于深度学习的开集诊断方法可以在测试数据的标签集包含一部分已知类和未知类的情况下,对测试数据中的已知类样本进行准确的诊断、对未知类样本进行有效检测。
对于高速动车组在不同工况下运行的开集故障诊断任务,本发明所述基于深度学习的开集诊断方法可以在目标域数据的标签集包含一部分已知类和未知类的情况下,减小源域和目标域的已知类间分布差异,将未知类与已知类分离,最终实现对已知类样本进行准确的诊断、对未知类进行有效检测。
附图说明
图1是本公开一个实施例提供的高速动车组轴承的开集故障诊断方法流程图;
图2是本公开一个实施例提供的在恒定工况下深度模型和极值理论的开集故障诊断方法的模型框架示意图;
图3是本公开一个实施例提供的在不同工况下深度模型和极值理论的开集故障诊断方法的模型框架示意图;
图4至图6是本公开相应的实施例的网络结构示意图。
具体实施方式
下面将参照附图1至图6详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提供一种高速动车组轴承的开集故障诊断方法,包括如下步骤:
S100:通过加速度传感器采集运行中的高速动车组轴承的振动信号。
S200:若高速动车组在恒定工况下运行,将振动信号划分为训练数据、验证数据和测试数据,训练数据、验证数据是有标签的,测试数据是无标签的,假设测试数据的标签集包含部分已知故障类型和未知故障类型。若高速动车组在不同工况下运行,则将其中一种工况下运行的振动信号划分为源域数据和验证数据,源域数据和验证数据是有标签的,另一种工况下运行的振动信号作为目标域数据,目标域数据是无标签的,假设目标域数据的标签集包含部分已知故障类型和未知故障类型。定义在上述假设下开展的故障诊断任务为开集故障诊断;
能够理解,在采集振动信号前,需要对高速动车组上不同轴承预制不同类型和不同程度的故障。其中,用上下标s对应于源域,上下标t对应于目标域。
示例性的,所述第一振动信号和所述第二振动信号可以是高速动车组上轴承随时间变化的振动加速度信号,其能够对应轴承的故障类型和故障程度信息。
此外,对于本领域技术人员而言,源域和目标域是迁移学习中的两个基本概念,通常将已有的知识称为源域,需要学习的新知识称为目标域,通过迁移学习可以将源域的知识迁移到目标域上,具体到本实施例,源域数据可以是在某种工况下采集的、具有标签的数据,包含了轴承的故障信息,目标域则可以是在另一种工况下采集的、无标签的数据,通过本实施例提供的方法,能够将源域数据中包含的某一种工况下的故障信息迁移到目标域数据中,从而完成高速动车组轴承在另一种工况下的故障诊断。
S300:针对工况恒定的开集故障诊断,建立包括特征提取器F、标签预测器G的一维卷积神经网络;针对工况变化的开集故障诊断,建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器Dω的双边加权对抗网络;
该步骤中,所述特征提取器由卷积层和全连接层构成,用于从输入数据中提取特征;所述标签预测器由全连接层构成,用于对输入特征进行分类;所述域分类器由全连接层构成,用于辨别输入的特征来自于源域还是目标域。所述辅助域分类器由全连接层构成,用于提供源域样本和目标域样本与源域的相似性指标。
S400:针对工况恒定的开集故障诊断,输入有标签的训练数据对所述一维卷积神经网络进行训练;针对工况变化的开集故障诊断,输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练;
S500:训练完成后,利用训练数据或源域数据建立极值理论模型,用于在测试阶段检测未知类;
S600:对于工况恒定的开集诊断,将无标签的测试数据输入训练好的一维卷积神经网络进行前向传播,所述训练好的一维卷积神经网络输出特征和标签预测值;对于工况变化的开集诊断,将无标签的目标域数据输入训练好的双边加权对抗网络进行前向传播,所述训练好的双边加权对抗网络输出特征和标签预测值;
S700:将验证数据样本的特征输入极值理论模型,确定阈值。
S800:将测试样本或目标域样本的特征输入极值理论模型,输出测试样本或目标域样本可能属于未知类的概率,若概率大于阈值,则样本被视为属于未知类,否则属于已知类,根据标签预测值决定样本的类别,从而实现高速动车组轴承的故障诊断。
本实施例定义了开集故障诊断问题并提出高速动车组轴承在恒定工况和不同工况下运行时的开集故障诊断方法。在训练阶段,对于恒定工况下的开集故障诊断,将训练数据输入一维卷积神经网络学习区分性特征和识别故障类型;对于不同工况下的开集故障诊断,将源域数据和目标域数据同时输入双边加权对抗网络,学习区分性特征和识别故障类型,并减小源域和目标域的共享类的分布差异以及将未知类样本与其他样本分离。训练完成后,利用学习到的特征建立极值理论模型。在测试阶段,利用学习好的模型进行标签预测、利用极值理论模型对数据进行未知类检测。从而同时实现对已知类样本正确分类和对未知类样本进行有效检测。
另一个实施例中,对于工况恒定的开集故障诊断,步骤S400中,对所述一维卷积神经网络进行训练包括以下步骤:
S401:将有标签的训练数据输入特征提取器中进行前向传播,提取训练数据的特征,记为f=F(x);
S402:将所提取的训练数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);根据所述类别标签预测值,计算得到标签预测器的损失函数,作为一维卷积神经网络训练的目标函数,进行反向传播;
该步骤中,获得训练数据的类别标签预测值后,根据训练数据的真实标签,可计算获得标签预测器的损失,标签预测器的损失表示为:
其中,表示期望,表示第i个训练样本,表示与训练样本相对应的故障类别标签,表示所有训练样本及故障类别标签,K表示类别数目,Gc(fi s)表示将第i个训练特征预测为第c类的概率,fi s表示第i个训练样本的特征。
训练网络的目标函数表示为:
S403:重复执行步骤S401到步骤S402,当迭代次数达到设定的最大迭代次数时,一维卷积神经网络训练完成。
对于工况变化的开集故障诊断,根据权利要求1所述的方法,其中,步骤S400中,对所述双边加权对抗网络进行训练包括以下步骤:
S401:将有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播,提取源域数据和目标域数据的特征,记为f=F(x);
S402:将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);
S403:将所提取的源域数据和目标域数据的特征经辅助域分类器进行前向传播,辅助域分类器的输出用于构造样本的域相似性指标;
该步骤中,构造样本的域相似性指标需要计算样本预测值的熵。
计算第i个源域样本标签预测值的熵:
第i个源域样本的域相似性指标为:
其中,Dω(fi s)为辅助域分类器对于第i个源域样本的域标签预测值。计算第j个目标域样本标签预测值的熵:
第j个目标域样本的域相似性指标为:
S404:将所提取的源域数据和目标域数据的特征经域分类器进行前向传播,获得域标签预测值;
S405:根据所述类别标签预测值、域标签预测值,并利用域相似性指标对源域和目标域样本进行加权,计算得到标签预测器、域分类器以及辅助域分类器的损失函数,用于构造目标函数,目标函数构造完成后,进行反向传播;
该步骤中,获得源域数据的类别标签预测值后,根据源域数据的真实标签,可计算获得标签预测器的损失,标签预测器的损失表示为:
其中,表示期望,表示第i个源域样本,表示与源域样本相对应的故障类别标签,表示所有源域样本及故障类别标签,K表示类别数目,Gc(fi s)表示将第i个源域特征预测为第c类的概率,fi s表示第i个源域样本的特征。
根据真实的域标签,可计算得到辅助域分类器的损失,辅助域分类器的损失表示为:
在计算域分类器的损失过程中,利用权利要求8中域相似性指标对每个样本进行加权,获得域分类器的域标签预测值后,根据真实的域标签,最终域分类器的损失表示为:
训练网络的目标函数表示为:
其中,λ表示权衡系数。
S406:重复执行步骤S401到步骤S405,当迭代次数达到设定的最大迭代次数时,双边加权对抗网络训练完成。
另一个实施例中,步骤S500中,利用训练数据或源域数据的特征建立极值理论模型。
fi s表示第i个训练样本或源域样本的特征,令代表第i个正确分类的属于类别c的训练样本或源域样本的特征。每类的平均特征采用mc来表示,mc通过平均所有属于类别c的正确分类的训练样本或源域样本的特征来获得:
mc=mean(Si,c)
对于类别c中,每个正确分类的训练样本或源域样本与相应的mc间距离为:
步骤S700中,所述验证数据表示为:
将验证数据样本的特征输入极值理论模型,对于类别c中,每个验证数据样本与相应的mc间距离为:
阈值Ω设为95%的验证数据不被分为未知类的值。
步骤S800中,将测试样本或目标域样本的特征输入极值理论模型,根据标签预测值对样本进行分类。对于类别c中,每个测试样本或目标域样本和相应的mc间距离为:
其中威布尔累积分布函数概率代表测试样本或目标域样本属于未知类的概率。
如果该概率超过阈值Ω,则该样本被视为属于未知类,否则属于已知类,根据标签预测值决定样本的类别。
本实施例的方法可以对在恒定工况下、不同工况下运行的高速动车组进行开集故障诊断,不仅可以准确地对已知类样本进行分类并且可以有效地检测未知类样本。
图2和图3是高速动车组轴承的开集故障诊断方法的模型结构示意图。如图2所示,对于相同工况下的故障诊断,对特征提取器和标签预测器进行训练,使得网络具有良好的特征表示能力及正确分类已知类的能力,模型训练完成后,利用训练样本的特征建立极值理论模型,在测试阶段,将测试样本的特征输入极值理论模型,检测测试样本中属于未知类的样本。如图3所示,对于不同工况下的故障诊断,同样对特征提取器和标签预测器进行训练,使得网络具有良好的特征表示能力及正确分类已知类的能力;并训练辅助域分类器,获得域相似性指标,用于在域自适应过程中对源域样本和目标域样本加权;域自适应通过对抗学习来实现,一方面训练特征提取器生成令域分类器无法分辨来自源域还是目标域的特征;另一方面,训练域分类器尽可能分辨特征来自源域还是目标域。在域相似性指标的影响下,属于共享类的样本在域自适应过程中被赋予较大权重,属于未知类的样本在域自适应过程中被赋予较小权重,从而可以获得域不变的共享类特征、分离属于独有类的样本特征。模型训练完成后,利用源域样本的特征建立极值理论模型,在测试阶段,将目标域样本的特征输入极值理论模型,检测目标域样本中属于未知类的样本。下面,对于恒定工况下的故障诊断,通过与一维卷积神经网络(1DCNN)、ResNet18和1DCNN结合最近邻算法(1DCNN+KNN)进行对比实验;对于不同工况下的故障诊断,通过与域对抗神经网络(DANN)、双边加权网络(BWAN)和DANN结合极值理论进行对比实验,进一步说明本公开的技术方案。
具体的,本次对比实验采用的主要评价指标是在K+1类上的准确率(ALL)、共享类的准确率(ALL*)、未知类的准确率(UNK)和ALL*与UNK的调和均值(H-score)。其中,ALL定义为:ALL=(共享类预测正确的样本数+未知类预测正确的样本数)/总样本数。ALL*定义为:ALL=共享类预测正确的样本数/共享类的样本数。H-score定义为:H-score=2·ALL*·UNK/(ALL*+UNK),只有当ALL*与UNK都很高时,H-score才很高。实验使用的第一组数据是牵引电机的轴承数据,是在3种不同的工况下采集获得的,如表1所示,令0,1,2代表不同转速下采集的数据集的编号,对于恒定工况下的故障诊断,可以组成三个诊断任务:T0,T1,T2,例如,T0代表训练数据和测试数据均在800(转/分)的转速、5.4KN的径向载荷下采集获得;对于不同工况下的故障诊断,可组成6个诊断任务:T01,T02,T10,T12,T20,T21,例如,T01代表源域数据是在800(转/分)的转速、5.4KN的径向载荷下采集获得,目标域数据是在2800(转/分)的转速、5.4KN的径向载荷下采集获得。轴承有3种故障类型(内圈故障、外圈故障和滚动体故障),每种故障类型都有轻微和中度两种故障程度,总共有6种故障状态,如表2所示。振动信号由牵引电机的轴承衬套上的加速度传感器采集得到,采样频率为25600Hz,将振动信号中每1024个点作为一个样本。
表1
工况编号 | 转速 | 径向载荷 |
0 | 800转/分 | 5.4KN |
1 | 2800转/分 | 5.4KN |
2 | 800转/分 | 6KN |
表2
针对开集故障诊断任务,恒定工况下的各诊断任务及相应的训练标签集和测试标签集如表3所示、不同工况下的各诊断任务及相应的源域标签集和目标域标签集如表4所示。
表3
任务 | 负载 | 转速 | 训练标签集 | 测试标签集 |
T<sub>0</sub> | 5.4kN | 800转/分 | 0,2,4,5 | 0,1,2,3,4 |
T<sub>1</sub> | 5.4kN | 2800转/分 | 0,2,3,4,5 | 0,1,2,3 |
T<sub>2</sub> | 6kN | 800转/分 | 0,1,2,4 | 0,2,3 |
表4
800(转/分)的转速、5.4KN的径向载荷下,表2中各故障信息的具体数据如表5所示:
表5
为确保实验的公平性,所有方法的超参数设置设为相同。相同工况下各方法的诊断结果如表6所示,可以看出本发明所提方法的ALL在所有诊断任务上均最高,说明所提出方法对于所有样本的诊断表现最好;本发明所提方法的ALL*和UNK在所有诊断任务上均最高且H-score在大多数诊断任务上的准确率最高,说明所提出方法既能更准确地分类已知类样本又能更有效地检测未知类样本,验证了极值理论模型的有效性。不同工况下各方法的诊断结果如表7所示,可以看出本发明所提方法的ALL*在所有诊断任务上的平均准确度为80.6%,说明所提出方法能够有效地减小域间差异;且本发明所提方法的UNK和H-score在所有诊断任务上均最高,验证了所提方法具有在不同工况下同时准确分类已知类和检测未知类的能力,展现了所提方法在处理开集故障诊断问题时的优越性。
表6
表7
实验使用的第二组数据是美国凯斯西储大学电气工程实验室进行电机轴承实验获得的轴承数据集,该数据集是普通电机在4种不同的负载下(0马力,1马力,2马力和3马力)采集获得的,令0,1,2,3代表不同负载下采集的数据集的编号,对于恒定工况下的故障诊断,可以组成四个诊断任务:C0,C1,C2,C3,例如,C0代表训练数据和测试数据均在0马力的负载下采集获得;对于不同工况下的故障诊断,可组成12个诊断任务:C01,C02,C03,C10,C12,C13,C20,C21,C23,C30,C31,C32,例如,C01代表源域数据是在0马力的负载下采集获得,目标域数据是在1马力的负载下采集获得。数据集包括了轴承正常状态、外圈故障、内圈故障和滚动体故障4种故障类型,且每种故障类型都有3种故障程度,包含损伤直径7mils、14mils和21mils,于是共得到10种状态,如表8所示。振动信号是通过在电机驱动端轴承座上方放置的加速度传感器采集得到,采样频率为12KHz,将振动信号中每1024个点作为一个样本。
表8
针对开集故障诊断任务,恒定工况下的各诊断任务及相应的训练标签集和测试标签集如表9所示、不同工况下的各诊断任务及相应的源域标签集和目标域标签集如表10所示。
表9
任务 | 负载 | 训练标签集 | 测试标签集 |
C<sub>0</sub> | 0马力 | 0,1,2,3,4,5,6 | 0,1,2,3,4,7,8,9 |
C<sub>1</sub> | 1马力 | 0,1,2,3,4,5 | 0,1,2,3,4,7,8 |
C<sub>2</sub> | 2马力 | 0,1,2,3,4,5 | 0,1,6,7 |
C<sub>3</sub> | 3马力 | 0,1,3,5,7,9 | 0,1,2,3,4,5 |
表10
1马力的负载下表8中各故障信息的具体数据如表11所示:
表11
为确保实验的公平性,所有方法的超参数设置设为相同,相同工况下各方法的诊断结果如表12所示,可以看出本发明所提方法的ALL、ALL*、UNK和H-score在所有诊断任务上优于其他对比方法;不同工况下各方法的诊断结果如表13所示,可以看出本发明所提方法的ALL和H-score在所有诊断任务上、UNK在大多数诊断任务上的准确率优于其他对比方法。上述结果验证了所提出方法的有效性。
表12
表13
所述特征提取器的网络结构如表14所示:
层名 | 参数 |
卷积层 | 卷积核尺寸为11×1,输出通道为64 |
最大池化层 | 卷积核尺寸为3×1 |
卷积层 | 卷积核尺寸为5×1,输出通道为192 |
最大池化层 | 卷积核尺寸为3×1 |
卷积层 | 卷积核尺寸为3×1,输出通道为384 |
卷积层 | 卷积核尺寸为3×1,输出通道为256 |
卷积层 | 卷积核尺寸为3×1,输出通道为256 |
自适应平均池化层 | 输出尺寸为6×1 |
全连接层 | 神经元数量为512 |
所述标签预测器的网络结构如表15所示:
层名 | 参数 |
全连接层 | 神经元数量为512 |
线性整流函数 | 无 |
全连接层 | 神经元数量为训练或源域数据集类别数量 |
所述域分类器和辅助域分类器的网络结构均如表16所示:
表14、表15、表16所述网络结构,示例性的参见如图4、图5、图6所示,其中,图中的ReLU指线性整流函数。
对于恒定工况下的故障诊断,本公开能够有效提高模型在测试数据上的诊断准确率,同时正确分类已知类样本并能有效地检测未知类样本。对于工况变化下的故障诊断,本公开能够有效提高模型在目标域数据上的诊断准确率,减小了源域和目标域的共享类的分布差异以及将未知类样本与其他样本分离,并且能够正确分类已知类样本和有效地检测未知类样本。
尽管以上结合附图对本公开的实施方案进行了描述,但本公开的技术方案不局限于不同转速和不同负载两种工况,也包括其他种类的工况。上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本公开保护之列。
Claims (10)
1.一种高速动车组轴承的开集故障诊断方法,包括如下步骤:
S100:通过加速度传感器采集运行中的高速动车组轴承的振动信号;
S200:若高速动车组在恒定工况下运行,将所述振动信号划分为带有标签的训练数据、带有标签的验证数据和无标签的测试数据,设定所述测试数据的标签集包括部分已知故障类型和未知故障类型,若高速动车组在工况变化下运行,则将其中一种工况下运行的振动信号划分为带有标签的源域数据和带有标签的验证数据,另一种工况下运行的振动信号作为目标域数据,目标域数据是无标签的,设定目标域数据的标签集包括部分已知故障类型和未知故障类型,在所述设定下开展的故障诊断任务为开集故障诊断;
S300:针对恒定工况的开集诊断场景,建立包括特征提取器F、标签预测器G的一维卷积神经网络;针对工况变化的开集诊断场景,建立包括特征提取器F、标签预测器G、域分类器D和辅助域分类器Dω的双边加权对抗网络;
S400:针对恒定工况的开集诊断场景,输入带有标签的训练数据对所述一维卷积神经网络进行训练;针对工况变化的开集诊断场景,输入有标签的源域数据和无标签的目标域数据对所述双边加权对抗网络进行训练;
S500:训练完成后,利用训练数据或源域数据建立极值理论模型以在测试阶段检测未知故障类型;
S600:对于恒定工况的开集诊断,将所述测试数据输入训练完成的一维卷积神经网络进行前向传播,所述训练完成的一维卷积神经网络输出特征和标签预测值;对于工况变化的开集诊断,将所述目标域数据输入训练完成的双边加权对抗网络进行前向传播,所述训练完成的双边加权对抗网络输出特征和标签预测值;
S700:将验证数据的特征输入极值理论模型确定阈值;
S800:将测试样本或目标域样本的特征输入极值理论模型,输出测试样本或目标域样本属于未知故障类型的概率,若概率大于阈值,则测试样本或目标域样本属于未知故障类型,否则属于已知故障类型,根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。
3.根据权利要求1所述的方法,其中,步骤S300中,所述特征提取器由卷积层和全连接层构成以从输入数据中提取特征;所述标签预测器由全连接层构成以对输入特征进行分类;所述域分类器由全连接层构成以辨别输入的特征来自于源域还是目标域,所述辅助域分类器由全连接层构成以提供源域样本和目标域样本与源域的相似性指标。
4.根据权利要求1所述的方法,具中,步骤S400中,对所述一维卷积神经网络进行训练包括以下子步骤:
S401:将有标签的训练数据输入特征提取器中进行前向传播,提取训练数据的特征,记为f=F(x),f为特征,F为特征提取器,x为训练数据;
S402:将所提取的训练数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);根据所述类别标签预测值计算得到标签预测器的损失函数,作为一维卷积神经网络训练的目标函数,进行反向传播;
S403:重复执行步骤S401到步骤S402,当迭代次数达到设定的最大迭代次数时,一维卷积神经网络训练完成。
5.根据权利要求1所述的方法,其中,步骤S400中,对所述双边加权对抗网络进行训练包括以下子步骤:
S401:将带有标签的源域数据和无标签的目标域数据同时输入特征提取器中进行前向传播,提取源域数据和目标域数据的特征,记为f=F(x);
S402:将所提取的源域数据和目标域数据的特征输入标签预测器进行前向传播,获得类别标签预测值,记为g=G(f);
S403:将所提取的源域数据和目标域数据的特征经辅助域分类器进行前向传播,辅助域分类器的输出用于构造样本的域相似性指标;
S404:将所提取的源域数据和目标域数据的特征经域分类器进行前向传播,获得域标签预测值;
S405:根据所述类别标签预测值和域标签预测值,并利用域相似性指标对源域和目标域样本进行加权,计算得到标签预测器、域分类器以及辅助域分类器的损失函数以构造目标函数,目标函数构造完成后,进行反向传播;
S406:重复执行步骤S401到步骤S405,当迭代次数达到设定的最大迭代次数时,双边加权对抗网络训练完成。
8.根据权利要求5所述的方法,其中,步骤S405中,获得源域数据的类别标签预测值后,根据源域数据的真实标签计算获得标签预测器的损失,标签预测器的损失表示为:其中,表示期望,表示第i个源域样本,表示与源域样本相对应的故障类别标签,表示所有源域样本及故障类别标签,K表示类别数目,Gc为标签预测器,Gc(fi s)表示将第i个源域特征预测为第c类的概率,fi s表示第i个源域样本的特征,根据真实的域标签计算得到辅助域分类器的损失,辅助域分类器的损失表示为:其中,表示期望,表示所有源域样本,表示所有目标域样本,Dω(fi s)为第i个源域样本的域标签预测值,为第j个目标域样本的域标签预测值;在计算域分类器的损失过程中,利用域相似性指标对每个样本进行加权,获得域分类器的域标签预测值后,根据真实的域标签,最终域分类器的损失表示为:
其中,λ表示权衡系数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640234.2A CN113375941B (zh) | 2021-06-08 | 2021-06-08 | 高速动车组轴承的开集故障诊断方法 |
DE102021124047.6A DE102021124047A1 (de) | 2021-06-08 | 2021-09-16 | Fehlerdiagnosemethode offener Menge für Hochgeschwindigkeits-EMU-Lager |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640234.2A CN113375941B (zh) | 2021-06-08 | 2021-06-08 | 高速动车组轴承的开集故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113375941A true CN113375941A (zh) | 2021-09-10 |
CN113375941B CN113375941B (zh) | 2023-08-25 |
Family
ID=77572910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640234.2A Active CN113375941B (zh) | 2021-06-08 | 2021-06-08 | 高速动车组轴承的开集故障诊断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113375941B (zh) |
DE (1) | DE102021124047A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136565A (zh) * | 2021-10-22 | 2022-03-04 | 中南大学 | 一种多振源系统的故障诊断系统及方法 |
CN114358124A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 |
CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
CN114626406A (zh) * | 2022-02-15 | 2022-06-14 | 苏州大学 | 基于类边界特征检测的轴承故障诊断方法及系统 |
CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN115358280A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承信号故障诊断方法、装置、设备及存储介质 |
CN117909837A (zh) * | 2024-03-15 | 2024-04-19 | 山东科技大学 | 一种数据和知识协同驱动的齿轮故障诊断方法 |
CN117909837B (zh) * | 2024-03-15 | 2024-05-31 | 山东科技大学 | 一种数据和知识协同驱动的齿轮故障诊断方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330315B (zh) * | 2023-12-01 | 2024-02-23 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007008940A2 (en) * | 2005-07-11 | 2007-01-18 | Brooks Automation, Inc. | Intelligent condition-monitoring and dault diagnostic system |
CN111504644A (zh) * | 2020-04-01 | 2020-08-07 | 西安交通大学 | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188065B2 (en) | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2021
- 2021-06-08 CN CN202110640234.2A patent/CN113375941B/zh active Active
- 2021-09-16 DE DE102021124047.6A patent/DE102021124047A1/de active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007008940A2 (en) * | 2005-07-11 | 2007-01-18 | Brooks Automation, Inc. | Intelligent condition-monitoring and dault diagnostic system |
CN111504644A (zh) * | 2020-04-01 | 2020-08-07 | 西安交通大学 | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
金余丰;刘晓锋;姚美常;黄凤良;: "基于域对抗迁移的变工况滚动轴承故障诊断模型", 自动化仪表, no. 12 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136565A (zh) * | 2021-10-22 | 2022-03-04 | 中南大学 | 一种多振源系统的故障诊断系统及方法 |
CN114136565B (zh) * | 2021-10-22 | 2022-08-09 | 中南大学 | 一种多振源系统的故障诊断系统及方法 |
CN114358124A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 |
CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
CN114358124B (zh) * | 2021-12-03 | 2024-03-15 | 华南理工大学 | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 |
CN114358125B (zh) * | 2021-12-03 | 2024-03-22 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
CN114626406A (zh) * | 2022-02-15 | 2022-06-14 | 苏州大学 | 基于类边界特征检测的轴承故障诊断方法及系统 |
CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN114994451B (zh) * | 2022-08-08 | 2022-10-11 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN115358280A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承信号故障诊断方法、装置、设备及存储介质 |
CN117909837A (zh) * | 2024-03-15 | 2024-04-19 | 山东科技大学 | 一种数据和知识协同驱动的齿轮故障诊断方法 |
CN117909837B (zh) * | 2024-03-15 | 2024-05-31 | 山东科技大学 | 一种数据和知识协同驱动的齿轮故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113375941B (zh) | 2023-08-25 |
DE102021124047A1 (de) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN110751207B (zh) | 基于深度卷积域对抗迁移学习的故障诊断方法 | |
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 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111504644B (zh) | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 | |
CN112308147B (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
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 | |
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 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
Wang et al. | Conditionsensenet: A deep interpolatory convnet for bearing intelligent diagnosis under variational working conditions | |
CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
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 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
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 | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
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 | |
CN115374820A (zh) | 一种基于多源子域适应网络的旋转机械跨域故障诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 |
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 |