CN113420387B - 一种压实机械滚动轴承的迁移诊断方法和系统 - Google Patents

一种压实机械滚动轴承的迁移诊断方法和系统 Download PDF

Info

Publication number
CN113420387B
CN113420387B CN202110673490.1A CN202110673490A CN113420387B CN 113420387 B CN113420387 B CN 113420387B CN 202110673490 A CN202110673490 A CN 202110673490A CN 113420387 B CN113420387 B CN 113420387B
Authority
CN
China
Prior art keywords
module
fault
training
rolling bearing
data
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
CN202110673490.1A
Other languages
English (en)
Other versions
CN113420387A (zh
Inventor
贾峰
沈建军
李世豪
张晓波
陈正仓
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202110673490.1A priority Critical patent/CN113420387B/zh
Publication of CN113420387A publication Critical patent/CN113420387A/zh
Application granted granted Critical
Publication of CN113420387B publication Critical patent/CN113420387B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种压实机械滚动轴承的迁移诊断方法和系统，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；构建特征提取模块，提取滚动轴承的故障信息；构建多通道训练模块，对故障信息根据其故障类型分别输入至不同训练通道；在每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；使用反向误差传播方法优化训练参数；利用获取的压实机械滚动轴承的数据，进行重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。减少两个数据集之间的概率分布差异，从而实现诊断模型实现跨数据集的故障诊断。

Description

一种压实机械滚动轴承的迁移诊断方法和系统
技术领域
本发明属于压实机械滚动轴承故障诊断领域，涉及一种压实机械滚动轴承的迁移诊断方法和系统。
背景技术
振动压路机、振荡压路机等压实机械师交通基础设施建设中的核心工程设备，承担着公路、铁路、铁路等交通基础设施的路基与路面压实任务。由于压实机械通常是持续、往复作业，工作在大功率、高扭矩、强冲击等复杂工况之下。滚动轴承作为压实机械的核心部件之一，并且受到其工作条件影响较易发生损坏，并且其健康状态影响着压实机械压实性能、平稳性以及使用周期。及时准确的对压实机械滚动轴承进行故障诊断，可以降低其维护成本，提高压实机械操作安全性及使用平稳性。并且深度学习的发展，深度智能故障诊断可以为压实机械滚动轴承的安全正常运行保驾护航。
在传统的深度智能故障诊断方法中主要包括深度卷积神经网络、深度生成网络、随机森林以及支持向量机等其他方法。上述方法旨在利用大量有标签的故障数据对深度诊断模型进行训练，最终实现压实机械滚动轴承的故障识别。然而上述存在一定的局限性，要求用于模型训练的数据集和用于模型测试的数据集服从同一概率分布。在实际过程中采集的压实机械滚动轴承数据集通常来自于不同工况或者来自于不同的压实机械滚动轴承，此时两个数据集服从不同的概率分布。压实机械的轴承设备较难发生损害，因此难以采集足够多样本很难，不足以支持训练一个很好的模型。其次对未知故障数据的故障状态存在着标记困难，标记代价大的缺点。如果采集了一种工况下足够多的轴承故障数据，并且对其进行了标记。而此数据集仅适用于此一种工况，当遇到其他工况时，需要重新积累数据及标记数据，这不仅造成了资源的浪费，而且增加了成本。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种压实机械滚动轴承的迁移诊断方法和系统，减少两个数据集之间的概率分布差异，从而实现诊断模型实现跨数据集的故障诊断。
为达到上述目的，本发明采用以下技术方案予以实现：
一种压实机械滚动轴承的迁移诊断方法，包括以下步骤；
步骤1)，当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；
步骤2)，根据步骤1)中采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息；
步骤3)，构建多通道训练模块，对步骤2)中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；
步骤4)，在步骤3)的每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；
步骤5)，使用反向误差传播方法优化步骤2)和步骤4)中的训练参数；
步骤6)，利用步骤1)获取的压实机械滚动轴承的数据，进行步骤1)至步骤5)的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；
步骤7)，使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
优选的，步骤1)中，滚动轴承数据集包括轴承的加速度信号。
优选的，步骤1)中，全部源域数据集和部分目标域数据集用于模型训练，剩余目标域数据集用于模型测试。
优选的，步骤2)中，特征提取模块由卷积神经网络构成，卷积神经网络包括2层卷积层、2层池化层、2层Rule层和1层Dropout层。
优选的，步骤3)中，根据源域数据和目标域数据的总故障状态数目建立多条训练通道，将步骤1)中提取的故障特征输入至故障分类模块，得到故障特征在每一种故障状态上的预测概率，依次将每一种故障状态的预测概率作为权重乘以故障特征，并将其顺序输入进对应训练通道中。
优选的，步骤4)中，在每个通道训练模块中建立数据局部区域标记模块，跨领域对齐模块和故障分类模块，其中数据局部区域标记模块由数据分割、可迁移性鉴别器、数据加权和数据合并三部分构成，跨领域对齐模块位于数据局部区域标记模块之后，由领域鉴别器构成，领域鉴别器由2层卷积层、1层Rule层和1层Softmax层构成，故障分类模块位于跨领域对齐模块之后，由3层全连接层、1层Rule层和1层Softmax层构成，将输入进每一个通道的源域数据和目标域数据依次输入进数据局部区域标记模块、跨领域对齐模块和故障分类模块。
优选的，步骤5)中，根据每个通道训练模块中跨领域对齐模块和故障分类模块产生的误差，对多通道跨领域对齐迁移诊断方法进行反向梯度计算，根据计算得到的梯度对步骤2)和步骤4)中的训练参数进行补偿优化。
一种压实机械滚动轴承的迁移诊断系统，包括：
滚动轴承数据集采集模块，用于当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；
特征提取模块构建模块，用于采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息；
多通道训练模块构建模块，用于构建多通道训练模块，对特征提取模块构建模块中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；
训练模块子模块构建模块，用于在每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；
训练参数优化模块，用于使用反向误差传播方法优化特征提取模块构建模块和训练模块子模块构建模块中的训练参数；
诊断模型选取模块，用于利用滚动轴承数据集采集模块获取的压实机械滚动轴承的数据，进行前五个模块的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；
应用模块，用于使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明所述的多训练通道模块解决了现有迁移智能故障方法在进行领域时域时对数据进行随意匹配的问题，利用数据局部区域标记模块解决了一个数据的不同区域具有不同可迁移性的问题，从而避免对压实机械滚动轴承的故障知识迁移的影响，利用一种工况上采集的数据集，此数据集是有标签的，将其迁移至另一种工况，此数据是没有的标签。此时避免了对另一种工况下数据采集难，标记困难的问题重复出现，节省了成本，提高了模块对两个具有不同概率分布数据集的诊断准确率。
附图说明
图1为本发明的流程图；
图2为使用本常规诊断方法的t-sne可视化结果图；
图3为使用本发明诊断方法的t-sne可视化结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，为本发明所述的基于多通道跨领域对齐的压实机械滚动轴承的迁移诊断方法，包括以下步骤：
1)当压实机械在不同工况工作时，利用数据采集装置采取不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；
2)根据步骤1)中采集的滚动轴承数据构建特征提取模块，从采集的时域信号中提取滚动轴承的故障信息；
3)构建多通道训练模块，对步骤2)中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；
4)在步骤3)的每个训练通道中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；
5)使用反向误差传播方法微调步骤2)和步骤4)中的训练参数，优化压实机械滚动轴承迁移诊断方法中的特征提取过程，提高跨领域对齐模块的故障知识迁移能力，增强故障分类模块的故障识别准确率；
6)利用步骤1)获取的压实机械滚动轴承的数据，对提出的多通道跨领域对齐的迁移诊断模型进行重复训练，根据统计的训练准确率和测试准确率挑选出最优诊断模型。
所述的步骤1)中，采集的压实机械滚动轴承数据集分为有标签的源域数据集和无标签的目标域数据集，两个数据集采集于不同工况下压实机械滚动轴承，其中全部源域数据集和部分目标域数据集用于模型训练，剩余目标域数据集用于模型测试。
所述的步骤2)中，特征提取模块由卷积神经网络构成，其中卷积神经网络包括2层卷积层、2层池化层、2层Rule层和1层Dropout层构成。
所述的步骤3)中，根据源域数据和目标域数据的总故障状态数目建立k条训练通道，将1)中提取的故障特征输入至故障分类模块，得到故障特征在每一种故障状态上的预测概率，依次将每一种故障状态的预测概率作为权重乘以故障特征，并将其顺序输入进对应训练通道中。
所述的步骤4)中，在每一个训练通道中建立数据局部区域标记模块，跨领域对齐模块和故障分类模块，其中数据局部区域标记模块由数据分割、可迁移性鉴别器、数据加权和数据合并三部分构成，跨领域对齐模块位于数据局部区域标记模块之后，由领域鉴别器构成，领域鉴别器由2层卷积层、1层Rule层和1层Softmax层构成，故障分类模块位于跨领域对齐模块之后，主要由3层全连接层、1层Rule层和1层Softmax层构成，将输入进每一个通道的源域数据和目标域数据依次输入进数据局部区域标记模块、跨领域对齐模块和故障分类模块。
所述的步骤5)中，根据每一个训练通道中跨领域对齐模块和故障分类模块产生的误差，对多通道跨领域对齐迁移诊断方法进行反向梯度计算，根据计算得到的梯度对提出方法中的参数进行优化，完成多通道跨领域对齐迁移诊断方法的参数微调。
具体过程为：
1)利用数据采集装置对不同工况下压实机械的滚动轴承进行数据集采集，包括轴承的加速度信号，并将其中一种工况下的轴承数据集作为训练集，定义为源域数据集，并对其进行故障状态标记，并将源域数据集表示为
Figure BDA0003119735800000071
表示第i个源域数据，
Figure BDA0003119735800000072
表示第i个源域数据的故障状态标签，ns表示源域数据的样本数量，并且假设源域数据的概率分布为P(xs)，将目标域数据定义为
Figure BDA0003119735800000073
Figure BDA0003119735800000074
表示第j个目标域数据，nt表示目标于数据的样本数量，并且源域数据的概率分布与目标域数据的概率分布不相同，即P(xs)≠P(xt)；
2)使用特征提取模块对步骤1)采集的源域数据集和目标域数据集进行故障特征提取，其中特征提取模块由卷积神经网络构成，主要包括2层卷积层、2层池化层、2层Rule层和1层Dropout层，通过公式
Figure BDA0003119735800000075
得到两个数据集的故障特征，其中xm表示源域数据集和目标域数据集并集中的第m个样本数据，Gfc表示卷积神经网络，
Figure BDA0003119735800000076
表示提取的故障特征；
3)根据源域数据集和目标域数据集并集的总故障状态数目建立k条训练通道，其中k表示数据集的总故障状态。将步骤2)中得到的故障特征中输入至故障分类模块中，得到第m个特征在每一种故障状态类型上预测概率，依次将得到概率乘以上述特征，并将其分别输入至对应的训练通道中，得到新的特征可以表示为：
Figure BDA0003119735800000081
式中
Figure BDA0003119735800000082
表示得到新的特征，Gy表示故障分类模块，
Figure BDA0003119735800000083
表示由每一种故障状态预测概率组成的概率预测向量，
Figure BDA0003119735800000084
表示第k种故障状态上的预测概率，通过故障分类模块的预测值可以保证具有相同类型的故障特征可以在同一训练通道上进行后续训练；
4)在每一条训练通道上建立数据局部区域标记模块、跨领域对齐模块、故障分类模块，其中数据局部区域标记模块由数据分割、可迁移性鉴别器、数据加权和数据合并三部分构成，跨领域对齐模块位于数据局部区域标记模块之后，由领域鉴别器构成，领域鉴别器由2层卷积层、1层Rule层和1层Softmax层构成，故障分类模块位于跨领域对齐模块之后，主要由3层全连接层、1层Rule层和1层Softmax层构成，将输入进每一个通道的源域数据和目标域数据依次输入进数据局部区域标记模块、跨领域对齐模块和故障分类模块，其具体步骤如下：
4.1)首先对输入训练通道的故障特征进行数据分割，根据其特征长度分割为v个小特征，然后根据分割的特征个数依次建立v个可迁移性鉴别器，并将v个小特征依次输入至每个可迁移性鉴别器，得到每一个小特征的可迁移性标记，其中可迁移性鉴别由2层卷积层、1层Rule层和1层Softmax层构成，通过公式表示如下：
Figure BDA0003119735800000091
式中
Figure BDA0003119735800000092
表示第m个新故障特征在第k个训练通道的第v个小特征，Gt表示可迁移性鉴别器，
Figure BDA0003119735800000093
表示上述特征对应的可迁移性标记，其输出为属于源域特征的概率，然后利用上述可迁移性标记对相应的特征进行加权，并将加权后的特征进行特征合并，得到新的故障特征
Figure BDA0003119735800000094
4.2)将得到的新故障特征
Figure BDA0003119735800000095
跨领域对齐模块中，跨领域对齐模块旨减少源域特征与目标域特征的概率分布差异，跨领域对齐模块主要领域鉴别器组成，通过公式表示如下：
Figure BDA0003119735800000096
式中Gd表示领域鉴别器，
Figure BDA0003119735800000097
表示第m个故障特征领域标签，当其值为0表示其输入源域，当其值为1时表示其输入目标域，然后将得到的预测标签与真实标签进行误差计算，通过使上述误差最大化，保证2)中特征提取模块中提取的故障特征在领域鉴别器中无法被区分，从而达到减小概率分布差异的目的；最后将得到的第m个故障特征
Figure BDA0003119735800000098
输入至故障分类模块中，得到故障特征的故障状态预测：
Figure BDA0003119735800000099
式中Gy表示故障分类模块，
Figure BDA0003119735800000101
表示第k个训练网络上故障状态预测概率组成的概率预测向量，
Figure BDA0003119735800000102
表示第k种故障状态上的预测概率；
5)对2)中的特征提取模块和4)中的可迁移性鉴别器、跨领域对齐模块、故障分类模块的参数进行优化，首先通过计算可迁移性鉴别器、领域鉴别器和故障分类模块的误差，其中可迁移性鉴别器误差计算表示如下：
Figure BDA0003119735800000103
式中lt表示可迁移鉴别器总误差，
Figure BDA0003119735800000104
表示第k条训练网络的误差，
Figure BDA0003119735800000105
表示交叉熵损失函数，
Figure BDA0003119735800000106
表示v个小特征真实领域标签，当特征为源域时其值为0，当特征为目标域时其值为1；领域鉴别器损失计算表示如下：
Figure BDA0003119735800000107
式中ld表示领域鉴别器总误差，
Figure BDA0003119735800000108
表示第k条训练网络的误差，
Figure BDA0003119735800000109
表示交叉熵损失函数，dm,k表示m个故障特征真实领域标签，当特征为源域时其值为0，当特征为目标域时其值为1；故障分类模块损失计算表示如下：
Figure BDA00031197358000001010
式中ly表示故障分类模块的总误差，
Figure BDA00031197358000001011
表示第k条训练网络的误差，
Figure BDA00031197358000001012
表示交叉熵损失函数，Pm,k表示第k个训练网络上真实故障状态向量；然后利用反向梯度计算方法，对各模块参数进行微调，最终达到跨领域鉴别模块无法识别压实机械的故障数据属于源域或者目标域，故障分类模块能够准确识别故障数据的故障状态；
6)利用实验式轴承转子实验平台模拟压实机械的轴承转子结构，获取在不同工况下的滚动轴承的数据集，采集的数据集包含两种工况：负载为1.1N*m和负载为3N*m，采集的每一种工况下的数据集均包含四种故障状态：正常、内圈故障、外圈故障和滚动体故障，采样频率为12Khz，在实际实验过程种样本长度为1528，第一种工况样本数量为1710，第二种工况样本数量为1528。
在训练过程中将第一种工况作为源域训练集，将第二种工况作为目标域训练集，其中100％源域训练集和50％目标域训练集用于训练，剩余50％目标域训练集用于测试；训练结果如表1所示提出方法的测试结果可以达到99.51％左右，因此相较与传统的方法90.38％具有较好的诊断精度和优势。
表1
Figure BDA0003119735800000111
诊断结果格式：平均精度±标准差。
图2和图3是使用t-sne降维方法对常规方法和本申请方法对压实机械滚动轴承诊断的故障特征进行可视化，从图中可以看出本申请的方法对数据集的不同故障状态进行分类，以及源域数据和目标域数据进行拟合均具有明显的优势。
7)，使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
本发明还公开了压实机械滚动轴承的迁移诊断系统，包括：
滚动轴承数据集采集模块，用于当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据。
特征提取模块构建模块，用于采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息。
多通道训练模块构建模块，用于构建多通道训练模块，对特征提取模块构建模块中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配。
训练模块子模块构建模块，用于在每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块。
训练参数优化模块，用于使用反向误差传播方法优化特征提取模块构建模块和训练模块子模块构建模块中的训练参数。
诊断模型选取模块，用于利用滚动轴承数据集采集模块获取的压实机械滚动轴承的数据，进行前五个模块的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型。
应用模块，用于使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
本发明还公开了计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
本发明还公开了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种压实机械滚动轴承的迁移诊断方法，其特征在于，包括以下步骤；
步骤1），当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；
步骤2），根据步骤1）中采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息；
步骤3），构建多通道训练模块，对步骤2）中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；
步骤4），在步骤3）的每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；
数据局部区域标记模块为：对输入训练通道的故障特征进行数据分割，根据其特征长度分割为v个小特征，然后根据分割的特征个数依次建立v个可迁移性鉴别器，并将v个小特征依次输入至每个可迁移性鉴别器，得到每一个小特征的可迁移性标记，其中可迁移性鉴别由2层卷积层、1层Rule层和1层Softmax层构成，通过公式表示如下：
Figure QLYQS_1
式中
Figure QLYQS_2
表示第m个新故障特征在第k个训练通道的第v个小特征，
Figure QLYQS_3
表示可迁移性鉴别器，
Figure QLYQS_4
表示上述特征对应的可迁移性标记，其输出为属于源域特征的概率，然后利用上述可迁移性标记对相应的特征进行加权，并将加权后的特征进行特征合并，得到新的故障特征
Figure QLYQS_5
；
步骤5），使用反向误差传播方法优化步骤2）和步骤4）中的训练参数；
其中可迁移性鉴别器误差计算表示如下：
Figure QLYQS_6
式中
Figure QLYQS_7
表示可迁移鉴别器总误差，
Figure QLYQS_8
表示第k条训练网络的误差，
Figure QLYQS_9
表示交叉熵损失函数，
Figure QLYQS_10
表示v个小特征真实领域标签，当特征为源域时其值为0，当特征为目标域时其值为1；
步骤6），利用步骤1）获取的压实机械滚动轴承的数据，进行步骤1）至步骤5）的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；
步骤7），使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
2.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤1）中，滚动轴承数据集包括轴承的加速度信号。
3.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤1）中，全部源域数据集和部分目标域数据集用于模型训练，剩余目标域数据集用于模型测试。
4.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤2）中，特征提取模块由卷积神经网络构成，卷积神经网络包括2层卷积层、2层池化层、2层Rule层和1层Dropout层。
5.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤3）中，根据源域数据和目标域数据的总故障状态数目建立多条训练通道，将步骤1）中提取的故障特征输入至故障分类模块，得到故障特征在每一种故障状态上的预测概率，依次将每一种故障状态的预测概率作为权重乘以故障特征，并将其顺序输入进对应训练通道中。
6.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤4）中，在每个通道训练模块中建立数据局部区域标记模块，跨领域对齐模块和故障分类模块，其中数据局部区域标记模块由数据分割、可迁移性鉴别器、数据加权和数据合并三部分构成，跨领域对齐模块位于数据局部区域标记模块之后，由领域鉴别器构成，领域鉴别器由2层卷积层、1层Rule层和1层Softmax层构成，故障分类模块位于跨领域对齐模块之后，由3层全连接层、1层Rule层和1层Softmax层构成，将输入进每一个通道的源域数据和目标域数据依次输入进数据局部区域标记模块、跨领域对齐模块和故障分类模块。
7.根据权利要求1所述的压实机械滚动轴承的迁移诊断方法，其特征在于，步骤5）中，根据每个通道训练模块中跨领域对齐模块和故障分类模块产生的误差，对多通道跨领域对齐迁移诊断方法进行反向梯度计算，根据计算得到的梯度对步骤2）和步骤4）中的训练参数进行补偿优化。
8.一种压实机械滚动轴承的迁移诊断系统，其特征在于，包括：
滚动轴承数据集采集模块，用于当压实机械在不同工况工作时，采集不同工况下的滚动轴承数据集，建立有标签的源域数据集和无标签的目标域数据；
特征提取模块构建模块，用于采集的滚动轴承数据集构建特征提取模块，从滚动轴承数据集中提取滚动轴承的故障信息；
多通道训练模块构建模块，用于构建多通道训练模块，对特征提取模块构建模块中提取的故障信息根据其故障类型分别输入至不同训练通道，完成同类型故障状态数据的相互匹配；
训练模块子模块构建模块，用于在每个通道训练模块中建立数据局部区域标记模块、跨领域对齐模块和故障分类模块；
数据局部区域标记模块为：对输入训练通道的故障特征进行数据分割，根据其特征长度分割为v个小特征，然后根据分割的特征个数依次建立v个可迁移性鉴别器，并将v个小特征依次输入至每个可迁移性鉴别器，得到每一个小特征的可迁移性标记，其中可迁移性鉴别由2层卷积层、1层Rule层和1层Softmax层构成，通过公式表示如下：
Figure QLYQS_11
式中
Figure QLYQS_12
表示第m个新故障特征在第k个训练通道的第v个小特征，
Figure QLYQS_13
表示可迁移性鉴别器，
Figure QLYQS_14
表示上述特征对应的可迁移性标记，其输出为属于源域特征的概率，然后利用上述可迁移性标记对相应的特征进行加权，并将加权后的特征进行特征合并，得到新的故障特征
Figure QLYQS_15
；
训练参数优化模块，用于使用反向误差传播方法优化特征提取模块构建模块和训练模块子模块构建模块中的训练参数；
其中可迁移性鉴别器误差计算表示如下：
Figure QLYQS_16
式中
Figure QLYQS_17
表示可迁移鉴别器总误差，
Figure QLYQS_18
表示第k条训练网络的误差，
Figure QLYQS_19
表示交叉熵损失函数，
Figure QLYQS_20
表示v个小特征真实领域标签，当特征为源域时其值为0，当特征为目标域时其值为1；
诊断模型选取模块，用于利用滚动轴承数据集采集模块获取的压实机械滚动轴承的数据，进行前五个模块的重复训练，根据统计的训练准确率和测试准确率挑选出最优的诊断模型；
应用模块，用于使用最优的诊断模型对待测的压实机械滚动轴承进行故障诊断。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述压实机械滚动轴承的迁移诊断方法的步骤。
CN202110673490.1A 2021-06-17 2021-06-17 一种压实机械滚动轴承的迁移诊断方法和系统 Active CN113420387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673490.1A CN113420387B (zh) 2021-06-17 2021-06-17 一种压实机械滚动轴承的迁移诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673490.1A CN113420387B (zh) 2021-06-17 2021-06-17 一种压实机械滚动轴承的迁移诊断方法和系统

Publications (2)

Publication Number Publication Date
CN113420387A CN113420387A (zh) 2021-09-21
CN113420387B true CN113420387B (zh) 2023-04-18

Family

ID=77788903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673490.1A Active CN113420387B (zh) 2021-06-17 2021-06-17 一种压实机械滚动轴承的迁移诊断方法和系统

Country Status (1)

Country Link
CN (1) CN113420387B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN111709448A (zh) * 2020-05-20 2020-09-25 西安交通大学 一种基于迁移关系网络的机械故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7613662B2 (en) * 2004-05-28 2009-11-03 International Business Machines Corporation Apparatus, machine-readable medium, and system for the detection of atypical sequences via generalized compositional methods
CN108062753B (zh) * 2017-12-29 2020-04-17 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN108875918B (zh) * 2018-08-14 2021-05-04 西安交通大学 一种基于适配共享深度残差网络的机械故障迁移诊断方法
CN109710636B (zh) * 2018-11-13 2022-10-21 广东工业大学 一种基于深度迁移学习的无监督工业系统异常检测方法
CN110866365B (zh) * 2019-11-22 2021-06-01 北京航空航天大学 基于部分迁移卷积网络的机械设备智能故障诊断方法
CN111721536B (zh) * 2020-07-20 2022-05-27 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN111709448A (zh) * 2020-05-20 2020-09-25 西安交通大学 一种基于迁移关系网络的机械故障诊断方法

Also Published As

Publication number Publication date
CN113420387A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN110376522B (zh) 一种数据融合的深度学习网络的电机故障诊断方法
CN111709448A (zh) 一种基于迁移关系网络的机械故障诊断方法
CN110703057A (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
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
CN108537259A (zh) 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法
CN110647830A (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
CN111967712B (zh) 一种基于复杂网络理论的交通风险预测方法
Shajihan et al. CNN based data anomaly detection using multi-channel imagery for structural health monitoring
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
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
CN112949402A (zh) 极小故障样本量下行星齿轮箱故障诊断方法
CN113569685A (zh) 机床主轴轴承故障诊断模型建立、故障诊断方法和系统
CN110991472A (zh) 一种高速列车牵引系统微小故障诊断方法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法
CN115496233A (zh) 一种基于马尔可夫模型的数据中台运行故障预测方法
CN111458145A (zh) 一种基于路图特征的缆车滚动轴承故障诊断方法
CN113723592A (zh) 一种基于风电齿轮箱监测系统的故障诊断方法
CN113420387B (zh) 一种压实机械滚动轴承的迁移诊断方法和系统
CN117191396A (zh) 一种基于两阶段迁移的齿轮箱故障诊断方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统

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