CN113469066B - 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 - Google Patents

不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 Download PDF

Info

Publication number
CN113469066B
CN113469066B CN202110758708.3A CN202110758708A CN113469066B CN 113469066 B CN113469066 B CN 113469066B CN 202110758708 A CN202110758708 A CN 202110758708A CN 113469066 B CN113469066 B CN 113469066B
Authority
CN
China
Prior art keywords
rolling bearing
sample
task
vibration signal
health state
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
CN202110758708.3A
Other languages
English (en)
Other versions
CN113469066A (zh
Inventor
雷亚国
何平
姜鑫伟
杨彬
李熹伟
李乃鹏
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.)
Xian Jiaotong University
Original Assignee
Xian 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110758708.3A priority Critical patent/CN113469066B/zh
Publication of CN113469066A publication Critical patent/CN113469066A/zh
Application granted granted Critical
Publication of CN113469066B publication Critical patent/CN113469066B/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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，首先利用源滚动轴承振动信号对用深度稠密卷积神经网络建立的基础分类器进行预训练，将特征提取模块参数结合随机初始化的重构健康状态识别模块参数构建多任务学习器；从健康状态已知的目标滚动轴承振动信号随机挑选构成更新数据集，并从中随机挑选构成任务组合，对多任务学习器参数进行更新；利用健康状态已知的目标滚动轴承振动信号中未输入多任务学习器的样本建立微调数据集，微调诊断模型；以健康状态未知的目标滚动轴承振动信号样本为输入，利用诊断模型输出诊断结果，实现滚动轴承健康状态的智能识别；本发明提高了监测数据不平衡约束下滚动轴承故障的迁移诊断精度。

Description

不平衡样本多任务自优化的滚动轴承故障迁移诊断方法
技术领域
本发明属于滚动轴承故障诊断技术领域，具体涉及一种不平衡样本多任务自优化的滚动轴承故障迁移诊断方法。
背景技术
滚动轴承以其效率高、摩擦小、装配方便等优点，在各类旋转机械装备中得到了广泛应用，然而滚动轴承在高转速、大负荷的恶劣条件下工作时，易发生故障，影响机械装备的整体性能，造成严重的经济损失甚至灾难性事故，因此亟需研究滚动轴承故障诊断技术。智能故障诊断依靠先进的机器学习方法，能够实现滚动轴承健康状态的自动高效识别，已成为保障滚动轴承安全平稳运行的重要手段。然而工程实际中获取的数据往往是大量健康状态未知的样本，这些健康状态未知的样本无法有效地训练诊断模型，限制了智能故障诊断的工程应用。迁移学习可从源滚动轴承故障信息中提取知识经验，并将其应用于目标滚动轴承的故障诊断中，弱化了诊断模型对充足健康状态已知的工程数据的依赖。
工程实际中，目标滚动轴承在全寿命服役周期内长时间工作于正常状态，获取的故障状态监测数据远远少于正常状态监测数据，这将造成目标滚动轴承监测数据严重不平衡。现有的大多数滚动轴承故障迁移诊断技术将各类健康状态样本同等看待，并以提高整体的分类准确率作为目标，然而在严重不平衡的目标滚动轴承监测数据下，多数类健康状态样本将主导诊断模型的分类准确率，使得模型难以从少数类健康状态的样本中充分学习诊断知识，导致多数类健康状态样本的诊断精度高而少数类健康状态样本的诊断精度很低，难以在实际应用中实现对滚动轴承故障的有效准确识别。
发明内容
为了克服上述现有技术存在的缺陷，本发明的目的在于提出一种不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，提高监测数据不平衡下的滚动轴承故障迁移诊断精度，推动智能故障诊断技术的实际应用。
为达到上述目的，本发明采取的技术方案为：
不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
Figure BDA0003148305520000021
其中，
Figure BDA0003148305520000022
为第m个源滚动轴承的振动信号样本，由N个振动数据点组成，其样本标签为
Figure BDA0003148305520000023
Ms为源滚动轴承振动信号样本总数，上标/下标s表示源滚动轴承；获取目标滚动轴承的振动信号样本集
Figure BDA0003148305520000024
其中，健康状态已知的目标滚动轴承振动信号样本集为
Figure BDA0003148305520000025
健康状态未知的目标滚动轴承振动信号样本集为
Figure BDA0003148305520000026
Figure BDA0003148305520000027
为第n个目标滚动轴承的振动信号样本，
Figure BDA0003148305520000028
为第u个健康状态已知的目标滚动轴承振动信号样本，其样本标签为
Figure BDA0003148305520000029
Figure BDA00031483055200000210
为第v个健康状态未知的目标滚动轴承振动信号样本，每个样本由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，Ut为健康状态已知的目标滚动轴承振动信号样本总数，Vt为健康状态未知的目标滚动轴承振动信号样本总数，且存在关系Mt＝Ut+Vt，
Figure BDA0003148305520000031
上标/下标t代表目标滚动轴承；
步骤2：构建深度稠密卷积神经网络，作为基础分类器，利用源滚动轴承振动信号样本集
Figure BDA0003148305520000032
对基础分类器进行预训练，待训练参数为特征提取模块参数φ和健康状态识别模块参数
Figure BDA0003148305520000033
训练过程即最小化如下目标函数，并对基础分类器的待训练参数φ，
Figure BDA0003148305520000034
进行更新：
Figure BDA0003148305520000035
式中，
Figure BDA0003148305520000036
为样本
Figure BDA0003148305520000037
被预测为第r种健康状态的概率；I(·)为指示函数；
步骤3：应用步骤2中完成预训练的特征提取模块参数φ结合全新随机初始化的重构健康状态识别模块参数
Figure BDA0003148305520000038
构建多任务学习器Fmeta；
步骤4：从健康状态已知的目标滚动轴承振动信号样本集
Figure BDA0003148305520000039
中随机挑选出样本数据组成更新数据集
Figure BDA00031483055200000310
用更新数据集
Figure BDA00031483055200000311
中的样本组成不同的学习任务组合T，从任务组合T中选取j个组成梯度更新任务组合
Figure BDA00031483055200000312
每个任务Ti由支持集
Figure BDA00031483055200000313
和查询集
Figure BDA00031483055200000314
组成，其中
Figure BDA00031483055200000315
为任务Ti下第p个支持集样本，其样本标签为
Figure BDA00031483055200000316
P为任务Ti下的支持集样本总数，
Figure BDA00031483055200000317
为任务Ti下第q个查询集样本，其样本标签为
Figure BDA00031483055200000318
Q为任务Ti下的查询集样本总数；
步骤5：利用步骤4构造的梯度更新任务组合
Figure BDA0003148305520000041
中每个任务Ti的支持集
Figure BDA0003148305520000042
样本一次训练更新多任务学习器Fmeta的参数，分别得到每个任务Ti下多任务学习器Fmeta的一次更新参数：
Figure BDA0003148305520000043
式中，
Figure BDA0003148305520000044
为任务Ti的支持集
Figure BDA0003148305520000045
下的损失函数；φi'，
Figure BDA0003148305520000046
分别为在每个任务Ti的支持集
Figure BDA0003148305520000047
下一次更新后的特征提取模块参数和健康状态识别模块参数；β为一次更新的学习率；
步骤6：分别计算每个任务Ti的查询集
Figure BDA0003148305520000048
在相应一次更新参数后模型的损失函数并求和，得到多任务学习器目标函数Lmeta：
Figure BDA0003148305520000049
利用得到的多任务学习器目标函数Lmeta二次更新多任务学习器Fmeta的参数，得到多任务学习器Fmeta更新的健康状态识别模块参数：
Figure BDA00031483055200000410
式中，
Figure BDA00031483055200000411
为更新的健康状态识别模块参数；γ为二次更新的学习率；
步骤7：利用健康状态已知的目标滚动轴承振动信号样本集
Figure BDA00031483055200000412
中未输入多任务学习器Fmeta的数据组成微调数据集
Figure BDA00031483055200000413
用微调数据集
Figure BDA00031483055200000414
中的样本对多任务学习器的参数进行微调：
Figure BDA00031483055200000415
式中，
Figure BDA0003148305520000051
为微调数据集
Figure BDA0003148305520000052
下的损失函数；λ为微调模型时的学习率；φFinal、
Figure BDA0003148305520000053
为最终滚动轴承故障迁移诊断模型的特征提取模块参数和健康状态识别模块参数；
步骤8：将第v个健康状态未知的目标滚动轴承振动信号样本
Figure BDA0003148305520000054
输入训练好的最终滚动轴承故障迁移诊断模型中，取输出的目标滚动轴承振动样本健康状态概率分布
Figure BDA0003148305520000055
中最大概率值所对应的健康标记作为第v个健康状态未知的目标滚动轴承振动信号样本
Figure BDA0003148305520000056
的健康状态。
本发明的有益效果为：本发明提出了一种监测数据不平衡下多任务自优化的滚动轴承故障迁移诊断方法，该方法克服了实际应用中监测数据不平衡因素对现有滚动轴承故障迁移诊断技术的限制，提高了监测数据不平衡约束下滚动轴承故障的迁移诊断精度和性能。
附图说明
图1为本发明的流程图。
图2为本发明基础分类器的结构示意图。
图3为本发明多任务学习器的参数更新过程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步详细描述。
如图1所示，不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
Figure BDA0003148305520000057
其中，
Figure BDA0003148305520000058
为第m个源滚动轴承的振动信号样本，由N个振动数据点组成，其样本标签为
Figure BDA0003148305520000059
Ms为源滚动轴承振动信号样本总数，上标/下标s表示源滚动轴承；获取目标滚动轴承的振动信号样本集
Figure BDA0003148305520000061
其中，健康状态已知的目标滚动轴承振动信号样本集为
Figure BDA0003148305520000062
健康状态未知的目标滚动轴承振动信号样本集为
Figure BDA0003148305520000063
Figure BDA0003148305520000064
为第n个目标滚动轴承的振动信号样本，
Figure BDA0003148305520000065
为第u个健康状态已知的目标滚动轴承振动信号样本，其样本标签为
Figure BDA0003148305520000066
Figure BDA0003148305520000067
为第v个健康状态未知的目标滚动轴承振动信号样本，每个样本由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，Ut为健康状态已知的目标滚动轴承振动信号样本总数，Vt为健康状态未知的目标滚动轴承振动信号样本总数，且存在关系Mt＝Ut+Vt，
Figure BDA0003148305520000068
上标/下标t代表目标滚动轴承；
步骤2：参照图2，构建深度稠密卷积神经网络，作为基础分类器，利用源滚动轴承振动信号样本集
Figure BDA0003148305520000069
对基础分类器进行预训练，待训练参数为特征提取模块参数φ和健康状态识别模块参数
Figure BDA00031483055200000610
训练过程即最小化如下目标函数，并对基础分类器的待训练参数φ，
Figure BDA00031483055200000611
进行更新：
Figure BDA00031483055200000612
式中，
Figure BDA00031483055200000613
为样本
Figure BDA00031483055200000614
被预测为第r种健康状态的概率；I(·)为指示函数；
步骤3：应用步骤2中完成预训练的特征提取模块参数φ结合全新随机初始化的重构健康状态识别模块参数
Figure BDA00031483055200000615
构建多任务学习器Fmeta；
步骤4：从健康状态已知的目标滚动轴承振动信号样本集
Figure BDA0003148305520000071
中随机挑选出样本数据组成更新数据集
Figure BDA0003148305520000072
用更新数据集
Figure BDA0003148305520000073
中的样本组成不同的学习任务组合T，从任务组合T中选取j个组成梯度更新任务组合
Figure BDA0003148305520000074
每个任务Ti由支持集
Figure BDA0003148305520000075
和查询集
Figure BDA0003148305520000076
组成，其中
Figure BDA0003148305520000077
为任务Ti下第p个支持集样本，其样本标签为
Figure BDA0003148305520000078
P为任务Ti下的支持集样本总数，
Figure BDA0003148305520000079
为任务Ti下第q个查询集样本，其样本标签为
Figure BDA00031483055200000710
Q为任务Ti下的查询集样本总数；
步骤5：参照图3，利用步骤4构造的梯度更新任务组合
Figure BDA00031483055200000711
中每个任务Ti的支持集
Figure BDA00031483055200000712
样本一次训练更新多任务学习器Fmeta的参数，分别得到每个任务Ti下多任务学习器Fmeta的一次更新参数：
Figure BDA00031483055200000713
式中，
Figure BDA00031483055200000714
为任务Ti的支持集
Figure BDA00031483055200000715
下的损失函数；φi'，
Figure BDA00031483055200000716
分别为在每个任务Ti的支持集
Figure BDA00031483055200000717
下一次更新后的特征提取模块参数和健康状态识别模块参数；β为一次更新的学习率；
步骤6：参照图3，分别计算每个任务Ti的查询集
Figure BDA00031483055200000718
在相应一次更新参数后模型的损失函数并求和，得到多任务学习器目标函数Lmeta：
Figure BDA0003148305520000081
利用得到的多任务学习器目标函数Lmeta二次更新多任务学习器Fmeta的参数，得到多任务学习器Fmeta更新的健康状态识别模块参数：
Figure BDA0003148305520000082
式中，
Figure BDA0003148305520000083
为更新的健康状态识别模块参数；γ为二次更新的学习率；
步骤7：利用健康状态已知的目标滚动轴承振动信号样本集
Figure BDA0003148305520000084
中未输入多任务学习器Fmeta的数据组成微调数据集
Figure BDA0003148305520000085
用微调数据集
Figure BDA0003148305520000086
中的样本对多任务学习器的参数进行微调：
Figure BDA0003148305520000087
式中，
Figure BDA0003148305520000088
为微调数据集
Figure BDA0003148305520000089
下的损失函数；λ为微调模型时的学习率；φFinal、
Figure BDA00031483055200000810
为最终滚动轴承故障迁移诊断模型的特征提取模块参数和健康状态识别模块参数；
步骤8：将第v个健康状态未知的目标滚动轴承振动信号样本
Figure BDA00031483055200000811
输入训练好的最终滚动轴承故障迁移诊断模型中，取输出的目标滚动轴承振动样本健康状态概率分布
Figure BDA00031483055200000812
中最大概率值所对应的健康标记作为第v个健康状态未知的目标滚动轴承振动信号样本
Figure BDA00031483055200000813
的健康状态。
实施例：以机车轮对轴承的健康状态识别为例，验证本发明的可行性。
获得的源滚动轴承振动信号样本集A来自美国凯斯西储大学，如表1所示，该样本集中包含4种轴承的健康状态：正常、内圈故障、外圈故障、滚动体故障。振动信号样本在4种不同的工况(1797r/min，0HP；1772r/min，1HP；1750r/min，2HP；1730r/min，3HP)下获取，每种健康状态加工3种故障程度(0.1778mm；0.3556mm；0.5334mm)，振动信号的采样频率为12kHz，每种健康状态的样本数为1200，每个样本中包含1200个采样点。
获得的目标滚动轴承振动信号样本集B来自机车轮对轴承，如表1所示，该样本集中包含4种轴承的健康状态：正常、内圈故障、外圈故障、滚动体故障。该样本集又分为B1和B2两部分，B1的振动信号样本在转速350r/min～530r/min的工况下采集，B2的振动信号样本在转速490r/min～650r/min的工况下采集，采样频率为12.8kHz，其中正常状态的样本数为1092，故障状态的样本数分别为440，每个样本中包含1200个采样点。
表1源滚动轴承与目标滚动轴承的振动信号样本集
Figure BDA0003148305520000091
基于表1所示的振动信号样本集A、B，首先利用样本集A预训练基础分类器，其次从样本集B1中采样不同的任务组合训练多任务学习器，然后在样本集B2中选取每种健康状态5个样本微调诊断模型，最后应用样本集B2对诊断模型进行测试，验证本发明的可行性。考虑到目标滚动轴承振动信号样本集B中样本不平衡分布，除诊断精度外，选用F-score与G-mean两种不平衡分类评价指标量化本发明在迁移诊断任务上的效果。重复实验20次，计算诊断结果的统计值，如表2所示，本发明在目标机车轴承振动样本集上获得了84.47％的诊断精度，统计标准差为1.27％，此外，本发明获得的F-score与G-mean指标分别为0.843与0.885，指标接近于1，说明本发明方法的诊断准确性较高，验证了本发明方法在解决工程实际数据不平衡下的滚动轴承故障诊断问题中的可行性。
表2不同方法的诊断效果对比
Figure BDA0003148305520000101
选择多层感知机作为分类器构成方法1，并与本发明方法的诊断效果进行对比。使用数据集B1的不平衡数据训练分类器，识别数据集B2中样本的健康状态。如表2所示，该方法的诊断精度为57.06％，F-score为0.542，G-mean为0.625，均低于本发明方法。
选择与提出方法基础分类器相同结构的模型作为分类器构成方法2，并与本发明方法的诊断效果进行对比。使用数据集B1中的不平衡数据训练分类器，识别数据集B2中样本的健康状态。如表2所示，该方法的诊断精度为74.37％，F-score为0.759，G-mean为0.869，均低于本发明方法，且标准差较高，为5.91％。
通过对比本发明方法与方法1和方法2的诊断效果，表明本发明方法有效地克服监测数据不平衡因素对诊断知识迁移的影响，有效提高了故障迁移诊断模型的精度和性能。

Claims (1)

1.不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，其特征在于，包括以下步骤：
步骤1：获取源滚动轴承R种健康状态时的振动信号样本集
Figure FDA0003148305510000011
其中，
Figure FDA0003148305510000012
为第m个源滚动轴承的振动信号样本，由N个振动数据点组成，其样本标签为
Figure FDA0003148305510000013
Ms为源滚动轴承振动信号样本总数，上标/下标s表示源滚动轴承；获取目标滚动轴承的振动信号样本集
Figure FDA0003148305510000014
其中，健康状态已知的目标滚动轴承振动信号样本集为
Figure FDA0003148305510000015
健康状态未知的目标滚动轴承振动信号样本集为
Figure FDA0003148305510000016
Figure FDA0003148305510000017
为第n个目标滚动轴承的振动信号样本，
Figure FDA0003148305510000018
为第u个健康状态已知的目标滚动轴承振动信号样本，其样本标签为
Figure FDA0003148305510000019
为第v个健康状态未知的目标滚动轴承振动信号样本，每个样本由N个振动数据点组成，Mt为目标滚动轴承振动信号样本总数，Ut为健康状态已知的目标滚动轴承振动信号样本总数，Vt为健康状态未知的目标滚动轴承振动信号样本总数，且存在关系Mt＝Ut+Vt，
Figure FDA00031483055100000110
上标/下标t代表目标滚动轴承；
步骤2：构建深度稠密卷积神经网络，作为基础分类器，利用源滚动轴承振动信号样本集
Figure FDA00031483055100000111
对基础分类器进行预训练，待训练参数为特征提取模块参数φ和健康状态识别模块参数
Figure FDA00031483055100000112
训练过程即最小化如下目标函数，并对基础分类器的待训练参数φ，
Figure FDA00031483055100000113
进行更新：
Figure FDA0003148305510000021
式中，
Figure FDA0003148305510000022
为样本
Figure FDA0003148305510000023
被预测为第r种健康状态的概率；I(·)为指示函数；
步骤3：应用步骤2中完成预训练的特征提取模块参数φ结合全新随机初始化的重构健康状态识别模块参数
Figure FDA0003148305510000024
构建多任务学习器Fmeta；
步骤4：从健康状态已知的目标滚动轴承振动信号样本集
Figure FDA0003148305510000025
中随机挑选出样本数据组成更新数据集
Figure FDA0003148305510000026
用更新数据集
Figure FDA0003148305510000027
中的样本组成不同的学习任务组合T，从任务组合T中选取j个组成梯度更新任务组合
Figure FDA0003148305510000028
每个任务Ti由支持集
Figure FDA0003148305510000029
和查询集
Figure FDA00031483055100000210
组成，其中
Figure FDA00031483055100000211
为任务Ti下第p个支持集样本，其样本标签为
Figure FDA00031483055100000212
P为任务Ti下的支持集样本总数，
Figure FDA00031483055100000213
为任务Ti下第q个查询集样本，其样本标签为
Figure FDA00031483055100000214
Q为任务Ti下的查询集样本总数；
步骤5：利用步骤4构造的梯度更新任务组合
Figure FDA00031483055100000215
中每个任务Ti的支持集
Figure FDA00031483055100000216
样本一次训练更新多任务学习器Fmeta的参数，分别得到每个任务Ti下多任务学习器Fmeta的一次更新参数：
Figure FDA00031483055100000217
式中，
Figure FDA00031483055100000218
为任务Ti的支持集
Figure FDA00031483055100000219
下的损失函数；φi'，
Figure FDA0003148305510000031
分别为在每个任务Ti的支持集
Figure FDA0003148305510000032
下一次更新后的特征提取模块参数和健康状态识别模块参数；β为一次更新的学习率；
步骤6：分别计算每个任务Ti的查询集
Figure FDA0003148305510000033
在相应一次更新参数后模型的损失函数并求和，得到多任务学习器目标函数Lmeta：
Figure FDA0003148305510000034
利用得到的多任务学习器目标函数Lmeta二次更新多任务学习器Fmeta的参数，得到多任务学习器Fmeta更新的健康状态识别模块参数：
Figure FDA0003148305510000035
式中，
Figure FDA0003148305510000036
为更新的健康状态识别模块参数；γ为二次更新的学习率；
步骤7：利用健康状态已知的目标滚动轴承振动信号样本集
Figure FDA0003148305510000037
中未输入多任务学习器Fmeta的数据组成微调数据集
Figure FDA0003148305510000038
用微调数据集
Figure FDA0003148305510000039
中的样本对多任务学习器的参数进行微调：
Figure FDA00031483055100000310
式中，
Figure FDA00031483055100000311
为微调数据集
Figure FDA00031483055100000312
下的损失函数；λ为微调模型时的学习率；φFinal、
Figure FDA00031483055100000313
为最终滚动轴承故障迁移诊断模型的特征提取模块参数和健康状态识别模块参数；
步骤8：将第v个健康状态未知的目标滚动轴承振动信号样本
Figure FDA00031483055100000314
输入训练好的最终滚动轴承故障迁移诊断模型中，取输出的目标滚动轴承振动样本健康状态概率分布
Figure FDA00031483055100000315
中最大概率值所对应的健康标记作为第v个健康状态未知的目标滚动轴承振动信号样本
Figure FDA0003148305510000041
的健康状态。
CN202110758708.3A 2021-07-05 2021-07-05 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 Active CN113469066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110758708.3A CN113469066B (zh) 2021-07-05 2021-07-05 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110758708.3A CN113469066B (zh) 2021-07-05 2021-07-05 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法

Publications (2)

Publication Number Publication Date
CN113469066A CN113469066A (zh) 2021-10-01
CN113469066B true CN113469066B (zh) 2023-04-11

Family

ID=77878216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110758708.3A Active CN113469066B (zh) 2021-07-05 2021-07-05 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法

Country Status (1)

Country Link
CN (1) CN113469066B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114235409B (zh) * 2021-12-17 2022-10-28 西安交通大学 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10094878B1 (en) * 2017-06-23 2018-10-09 Texas Instruments Incorporated Winding fault detection using inverter harmonics
CN109682596B (zh) * 2018-12-20 2020-11-13 南京航空航天大学 非均衡样本下高速重载输入级故障诊断方法
CN110220709B (zh) * 2019-06-06 2020-04-21 北京科技大学 基于cnn模型和迁移学习的滚动轴承故障诊断方法
CN110285969B (zh) * 2019-07-10 2020-05-26 西安交通大学 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法
CN111242171B (zh) * 2019-12-31 2023-10-31 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
CN111337256B (zh) * 2020-03-27 2020-12-29 西安交通大学 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法
CN112418013B (zh) * 2020-11-09 2024-02-09 贵州大学 一种小样本下基于元学习的复杂工况轴承故障诊断方法

Also Published As

Publication number Publication date
CN113469066A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
CN112629863A (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN110108456A (zh) 一种深度卷积神经网络的旋转机械健康评估方法
CN112067294A (zh) 基于深度学习的滚动轴承智能故障诊断方法
CN108444696A (zh) 一种齿轮箱故障分析方法
CN103868690A (zh) 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN103115789A (zh) 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN111351665B (zh) 基于emd和残差神经网络的滚动轴承故障诊断方法
CN110608884B (zh) 一种基于自注意力神经网络的滚动轴承状态诊断方法
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111812507A (zh) 一种基于图卷积的电机故障诊断方法
CN113469066B (zh) 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN114112398A (zh) 一种变速工况下滚动轴承故障诊断方法
Deng et al. Rolling bearing fault diagnosis based on Deep Boltzmann machines
CN116186641A (zh) 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法
CN110728377B (zh) 一种面向机电设备的智能故障诊断方法及系统
CN114755017A (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN108548671A (zh) 一种基于自动编码器的轴系转速大波动的故障诊断方法
CN112146880B (zh) 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
CN105823634A (zh) 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法
CN116910652A (zh) 一种基于联邦自监督学习的设备故障诊断方法
CN117556317A (zh) 一种基于时频图像的转动轴承故障诊断方法
CN112734001A (zh) 一种基于阶次谱迁移的风电传动链智能故障诊断方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法

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