CN113469219A - 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 - Google Patents

基于元迁移学习的复杂工况下的旋转机械故障诊断方法 Download PDF

Info

Publication number
CN113469219A
CN113469219A CN202110638205.2A CN202110638205A CN113469219A CN 113469219 A CN113469219 A CN 113469219A CN 202110638205 A CN202110638205 A CN 202110638205A CN 113469219 A CN113469219 A CN 113469219A
Authority
CN
China
Prior art keywords
meta
training
model
learning
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.)
Granted
Application number
CN202110638205.2A
Other languages
English (en)
Other versions
CN113469219B (zh
Inventor
李忠燚
王雷敏
万雄波
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110638205.2A priority Critical patent/CN113469219B/zh
Publication of CN113469219A publication Critical patent/CN113469219A/zh
Application granted granted Critical
Publication of CN113469219B publication Critical patent/CN113469219B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

基于元迁移学习的复杂工况下的旋转机械故障诊断方法，采集不同状态下机械设备原始传感器信号，并制作图像数据集；将数据集划分成训练集、验证集；选择深层卷积网络作为预训练模型，在ImageNet上完成训练学习；采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；利用VGG‑16网络参数并采用元学习优化方法初始化Meta‑TCNN故障诊断模型；对Meta‑TCNN参数采用微调策略进行更新；使用训练集对Meta‑TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；用验证集对完成训练的Meta‑TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。本发明增加了故障诊断方法的适用范围且降低了成本。

Description

基于元迁移学习的复杂工况下的旋转机械故障诊断方法
技术领域
本发明涉及能制造业技术领域，尤其涉及基于元迁移学习的复杂工况下的旋转机械故障诊断方法。
背景技术
在智能制造、工业大数据、工业4.0融合创新的驱动下，现代产业正在经历一场从传统制造业到法智能制造业的新革命。而机械设备作为这场革命中最重要的角色之一，对其的退化和故障做出准确的判断和及时的响应是至关重要的。最近几年，深度学习也掀起了智能故障诊断的浪潮。目前流行的基于深度学习的诊断模型包括深度自动编码器、深度置信网络、递归神经网络和卷积神经网络(CNN)。
但是目前深度学习的成功依赖于大量故障样本数据来训练模型。但是在故障诊断领域，大量的数据采集和标记数据需要大量的人力，从而导致成本太高；机械设备所处环境(例如有毒，高温和高压)下的数据收集会导致操作人员存在生命风险；设备出现故障所需时间较长，导致故障数据有限且获得周期太长。
此外，在故障诊断或预测中，基于CNN的大多数方法都需要假设训练数据和测试数据具有相同的数据分布。在实际工业场景中，由于设备的自然磨损、运行条件的变化、环境和人为的干扰等原因，数据分布的差异是不可避免的。因此，当训练集(源域)和测试集(目标域)之间的数据分布不同时，上述大多数模型的性能都会严重下降。
因此需要研究在数据分布不同和小样本情况下的旋转机械故障诊断方法，以降低深度学习模型对故障样本数据的数量及质量依赖。
发明内容
有鉴于此，本发明目的是提供基于元迁移学习的复杂工况下的旋转机械故障诊断方法，包括以下步骤：
S1、采集不同状态下机械设备原始传感器信号，并制作图像数据集；
S2、将数据集按照1：1比例划分成训练集、验证集；
S3、选择深层卷积网络VGG-16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；
S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；
S5、利用VGG-16网络参数并采用S4提出的元学习优化方法初始化Meta-TCNN故障诊断模型；
S6、对Meta-TCNN故障诊断模型参数采用微调策略进行更新；
S7、使用训练集对Meta-TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；
S8、用验证集对完成训练的Meta-TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。
本发明提供的技术方案带来的有益效果是：(1)采用预训练模型迁移至新的故障诊断模型，大大减少了模型训练时间，同时降低了对样本数据量的需求，提高了故障诊断方法的精度及泛化性能；
(2)在迁移过程中，创新地采用了元学习实现了优化多情况下的参数初始化问题。因此可选择更多更优秀的预训练模型实现迁移而不考虑其与实际诊断问题的相关性。降低了对源域模型选择的限制，使得故障诊断模型可以利用现有的优秀网络实现更好的诊断性能，同时降低了成本。
附图说明
图1是本发明诊断过程流程图；
图2是本发明原始数据拼接法图；
图3是本发明中参数迁移策略示意图；
图4是预训练模型迁移与从零训练模型准确率对比图；
图5是预训练模型迁移与从零训练模型训练时间对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明提供了基于元迁移学习的复杂工况下的旋转机械故障诊断方法，包括以下步骤：
S1、采集不同状态下机械设备原始传感器信号，使用原始数据拼接法将一维原始信号转换成二维时频分布图像再通过数据扩充得到对应的三通道时频图像，作为本发明中故障诊断模型的输入图像数据集；请参考图2，
通过原始信号叠加的方式得到样本图像，假设序列X为一组振动信号序列，假设需要图片大小为n×m，那么就设定宽度等于n，长度等m，那么我们期望转化后的信号形式为：
Figure BDA0003106036110000041
其中，a为像素点，处理的过程如下：
将信号序列分割成步长为n的子序列p＝[l1,l2,...,ln]，将信号进行组合形成新二维矩阵，最后将得到的序列数据归一化即可。
S2、将数据集按照1：1比例划分成训练集、验证集；
在本发明中，采用的是驱动端振动信号，采样频率为12kHz，轴承有三个故障类型，它们由滚子故障(RF)、外座圈表示故障(OF)和内圈故障(IF)；每种故障类型都有三种不同的损伤大小，损伤大小为0.18，0.36和0.54毫米。因此，一共有十个工况包括9种故障工况和正常工况，实验数据集是在四种工作负载条件下收集的，并且工作负载条件和近似速度如下：
表1 工作负载条件和近似速度
工作负载 近似速度
0 1797
1 1772
2 1750
3 1730
每种运行状态包含500个训练样本，那么10种不同运行状态对应于5000个训练样本。测试数据的样本数量与训练数据相同，即每种运行状态含有500个测试样本，10类运行状态总共含有5000个测试样本。
为了验证本发明所提出的微调预训练网络的迁移学习故障诊断模型在不同运行环境下的故障诊断性能，将所有的数据划分为以下6种不同的数据子集，分别针对这些数据子集进行模型的训练与验证：
A.训练数据和测试数据均来自于负载为0hp的运行工况；
B.训练数据和测试数据均来自于负载为1hp的运行工况；
C.训练数据和测试数据均来自于负载为2hp的运行工况；
D.训练数据和测试数据均来自于负载为3hp的运行工况；
E.训练数据和测试数据均分别来自于负载为0-3hp的运行工况，且每种工况下的样本数量是相同的；
F.训练数据分别来自于负载为0-2hp的运行工况，而测试数据则来自于负载为3hp的运行工况。
S3、选择深层卷积网络VGG-16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；
VGG-16是一个16层的网络结构，隐含层由五个卷积模块和一个全连接模块组成，表2为VGG-16详细参数；
表2 VGG-16详细参数
Figure BDA0003106036110000061
S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；在预训练模型与建立的新模型之间进行参数迁移时，可根据实际情况参考下面具体元学习改进方法，请参考图3；
(一)描述领域自适应问题
无监督问题描述：算法训练模型Θ，模型损失记为
Figure BDA0003106036110000062
该损失
Figure BDA0003106036110000063
被分解为用于源域上的监督学习的项
Figure BDA0003106036110000071
和试图对准目标数据和源数据的自适应损失
Figure BDA0003106036110000072
Figure BDA0003106036110000073
Figure BDA0003106036110000074
和
Figure BDA0003106036110000075
表示源域标记数据和目标域未标记数据，Θ为元梯度，λ为自适应损失权重。
半监督领域自适应问题：目标是学习到一个适合源域和少数标记目标域的模型
Figure BDA0003106036110000076
同时还要用自适应损失
Figure BDA0003106036110000077
将未标记的目标数据与源域数据对齐。如下：
Figure BDA0003106036110000078
(二)描述元学习模型的初始化
优化初始条件的元学习问题可以看作一个双层优化问题。有一个标准的特定于任务的内部算法(我们希望优化其初始条件)，以及优化该初始条件的外部元算法。这种设置可以描述为
Figure BDA0003106036110000079
Figure BDA00031060361100000710
表示基本任务特定算法在其训练集上的标准损失。
Figure BDA00031060361100000711
表示当从外部优化设置的初始条件开始时，优化
Figure BDA00031060361100000712
后的验证集损失，
Figure BDA00031060361100000713
为元测试域，
Figure BDA00031060361100000714
为元训练域。
上式的总体目标是设置基本算法
Figure BDA00031060361100000715
的初始条件，使其在验证集上的损失最小。当这两个损失都是可微的时，我们原则上可以解出上式,然而，这种精确的元学习需要通过内部优化的路径反向传播，这对于长计算图来说是昂贵且不准确的。
(三)创新地获取元梯度方法
(a)在优化内循环之前，我们将参数Θ0复制为
Figure BDA0003106036110000081
并在内层算法中使用
Figure BDA0003106036110000082
(b)完成内循环后，我们得到了
Figure BDA0003106036110000083
和Θ0之间的最短路径梯度：
Figure BDA0003106036110000084
(c)近似每个元梯度步长
Figure BDA0003106036110000085
为
Figure BDA0003106036110000086
Figure BDA0003106036110000087
其中，
Figure BDA0003106036110000088
为完成内循环后元梯度，Θ0为前步元梯度复制值，α为步长调整因子，
Figure BDA0003106036110000089
为元验证域。
(四)多源领域自适应优化步骤
在多源域自适应设置中，将可用的源域分成不相交的元训练和元测试域
Figure BDA00031060361100000810
两者实都具有标签。
让
Figure BDA00031060361100000811
成为无监督的定义域方法，
Figure BDA00031060361100000812
并要求它从元训练领域调整到未标记的元测试领域。
在外环中，使用元测试域的标签数据作为验证集，通过监督损失
Figure BDA00031060361100000813
(如交叉熵)来评估自适应性能。
在完整的源域集合和真正的未标记的目标域DT之间。使用学习到的初始条件来实例化相同的UDA算法：
Figure BDA00031060361100000814
对外部监督损失采取梯度下降步骤来优化初始条件，得到的Θ0在所有源域之间进行自适应，同时适应目标域。
交替执行公式
Figure BDA00031060361100000815
的元优化步骤和公式(4)中最终的无监督领域适应问题的步骤来执行在线元学习操作。迭代
Figure BDA0003106036110000091
其中，Θ为元梯度，模型损失记为
Figure BDA0003106036110000092
Figure BDA0003106036110000093
为元内环损失，α为步长调整因子，
Figure BDA0003106036110000094
为元测试域，Θ0为元梯度，
Figure BDA0003106036110000095
为源域上的监督学习的项，UDA损失记为
Figure BDA0003106036110000096
(五)半监督域自适应优化步骤
通过类比，我们可以找到SSDA方法中无监督分量
Figure BDA0003106036110000097
的初始条件,使用几个带标签的例子
Figure BDA0003106036110000098
来验证外部循环中的自适应。
Figure BDA0003106036110000099
用学习到的初始条件实例化最终的半监督域自适应训练。
Figure BDA00031060361100000910
应用在线元学习，在公式(6)的元优化和公式(8)的最终有监督领域自适应问题之间迭代。
Figure BDA00031060361100000911
其中，DS为源域，DT为目标域，
Figure BDA00031060361100000912
表示目标域未标记数据，
Figure BDA00031060361100000913
为源域上的监督学习的项，UDA损失记为
Figure BDA00031060361100000914
α为步长调整因子，
Figure BDA00031060361100000915
为SSDA损失，Θ为元梯度，Θ0为前步元梯度复制值，λ为自适应损失权重。
S5、利用VGG-16网络参数并采用S4提出的元学习优化方法初始化Meta-TCNN故障诊断模型；改变输出层，使其神经元数与故障状态种类(本实施例为10)相对应，并采用权值随机初始化。
S6、对Meta-TCNN故障诊断模型参数采用微调策略进行更新；
S7、使用训练数据集对Meta-TCNN深层网络模型进行训练，按照步骤6中设置的参数更新方式，通过计算模型输入标签值与真实标签值之间的交叉熵作为模型误差，通过误差反向传播的方式进行参数更新，其中选用Adam算法(学习率为0.0001)进行最优化，在训练模型的过程中保持记录模型误差变化曲线以及分类准确率随迭代次数的变化。在训练过程中采用10-折交叉验证来防止网络过度学习，设置训练轮次次数(Epochs)为30次，批处理大小为32。
S8、用验证集对完成训练的Meta-TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。
为说明本发明模型的有效性，选取目前主流的旋转机械故障诊断方法作为实验对比。为了说明迁移预训练网络的效果，还加入了从零开始训练的深度卷积神经网络诊断模型作为对比，请参考图4和图5。分别是：
基于自动编码器的深层网络(SAE-DNN)方法；基于门控循环单元的递归神经网络(GRU)方法；传统的基于小波特征和支持向量机的故障诊断模型(Multifractal features-based SVM,MF-SVM)；基于能量波动的多尺度特征学习策略的深度卷积网络模型(Deep-Conv)；从零开始训练的深度卷积网络模型(Zero-CNN)；诊断方法准确率对比结果如表3所示：
表3诊断方法准确率对比
Figure BDA0003106036110000101
Figure BDA0003106036110000111
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，包括以下步骤：
S1、采集不同状态下机械设备原始传感器信号，并制作图像数据集；
S2、将数据集按照1：1比例划分成训练集、验证集；
S3、选择深层卷积网络VGG-16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；
S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；
S5、利用VGG-16网络参数并采用S4提出的元学习优化方法初始化Meta-TCNN故障诊断模型；
S6、对Meta-TCNN故障诊断模型参数采用微调策略进行更新；
S7、使用训练集对Meta-TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；
S8、用验证集对完成训练的Meta-TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。
2.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，所述S1具体如下：
使用原始数据拼接法将一维原始信号转换成二维时频分布图像，再通过数据扩充得到对应的三通道时频图像，得到图像数据集。
3.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，S6所述参数微调策略为：锁定Meta-TCNN故障诊断模型的低层三个卷积模块不参与更新，只对高层两个卷积模块以及全连接模块进行参数更新。
4.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，优化初始条件的元学习问题是一个双层优化问题，描述为：
Figure FDA0003106036100000021
其中，
Figure FDA0003106036100000022
表示基本任务特定算法在其训练集上的标准损失，
Figure FDA0003106036100000023
表示当从外部优化设置的初始条件开始时，优化
Figure FDA0003106036100000024
后的验证集损失，
Figure FDA0003106036100000025
为元测试域，
Figure FDA0003106036100000026
为元训练域。
5.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，S4中所述针对多源域自适应问题的参数初始化优化方法为：
(a)在多源域自适应设置中，将可用的源域分成不相交的元训练和元测试域
Figure FDA0003106036100000027
两者都具有标签，DS为源域，
Figure FDA0003106036100000028
为元训练域，
Figure FDA0003106036100000029
为元测试域；
(b)让
Figure FDA00031060361000000210
成为无监督的定义域方法，
Figure FDA00031060361000000211
并要求它从元训练领域调整到未标记的元测试领域，模型损失记为
Figure FDA00031060361000000212
(c)在外环中，使用元测试域的标签数据作为验证集，通过监督损失
Figure FDA00031060361000000213
来评估自适应性能；
(d)在完整的源域集合和真正的未标记的
Figure FDA00031060361000000214
之间，使用学习到的初始条件来实例化相同的UDA算法：
Figure FDA00031060361000000215
(e)对外部监督损失采取梯度下降步骤来优化初始条件，得到的Θ0在所有源域之间进行自适应，同时适应目标域，DT表示源域标记数据和目标域未标记数据；
交替执行公式
Figure FDA0003106036100000031
的元优化步骤和公式(2)中最终的无监督领域适应问题的步骤来执行在线元学习操作，迭代
Figure FDA0003106036100000032
Figure FDA0003106036100000033
其中，Θ为算法训练模型，模型损失记为
Figure FDA0003106036100000034
Figure FDA0003106036100000035
为元内环损失，α为步长调整因子，
Figure FDA0003106036100000036
为元测试域，Θ0为元梯度。
6.根据权利要求4所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，梯度下降的方法为：
(a)在优化内循环之前，将参数Θ0复制为
Figure FDA0003106036100000037
并在内层算法中使用
Figure FDA0003106036100000038
(b)完成内循环后，得到
Figure FDA0003106036100000039
和Θ0之间的最短路径梯度：
Figure FDA00031060361000000310
Figure FDA00031060361000000311
(c)近似每个元梯度步长
Figure FDA00031060361000000312
为
Figure FDA00031060361000000313
Figure FDA00031060361000000314
其中，
Figure FDA00031060361000000315
为完成内循环后元梯度，Θ0为前步元梯度复制值，α为步长调整因子，
Figure FDA00031060361000000316
为元验证域。
7.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，半监督领域自适应问题是学习到一个适合源域和少数标记目标域的模型，同时还要用自适应损失
Figure FDA00031060361000000317
将未标记的目标数据与源域数据对齐，如下：
Figure FDA00031060361000000318
所述针对半监督域自适应问题的参数初始化优化方法为：
(a)通过类比，找到SSDA方法中无监督分量
Figure FDA0003106036100000041
的初始条件，使用带标签的例子
Figure FDA0003106036100000042
来验证外部循环中的自适应；
Figure FDA0003106036100000043
(b)用学习到的初始条件实例化最终的半监督域自适应训练；
Figure FDA0003106036100000044
(c)应用在线元学习，在公式(3)的元优化和公式(4)的最终有监督领域自适应问题之间迭代；
Figure FDA0003106036100000045
其中，DS为源域，DT为目标域，
Figure FDA0003106036100000046
表示目标域未标记数据，
Figure FDA0003106036100000047
为源域上的监督学习的项，UDA损失记为
Figure FDA0003106036100000048
α为步长调整因子，
Figure FDA0003106036100000049
为SSDA损失，Θ为元梯度，Θ0为前步元梯度复制值，λ为自适应损失权重。
8.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法，其特征在于，S7所述对Meta-TCNN模型进行训练具体为：按照设置的参数更新方式，通过计算模型输入标签值与真实标签值之间的交叉熵作为模型误差，通过误差反向传播的方式进行参数更新，其中，选用Adam算法进行最优化，在训练模型的过程中保持记录模型误差变化曲线以及分类准确率随迭代次数的变化。
CN202110638205.2A 2021-06-08 2021-06-08 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 Active CN113469219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110638205.2A CN113469219B (zh) 2021-06-08 2021-06-08 基于元迁移学习的复杂工况下的旋转机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110638205.2A CN113469219B (zh) 2021-06-08 2021-06-08 基于元迁移学习的复杂工况下的旋转机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN113469219A true CN113469219A (zh) 2021-10-01
CN113469219B CN113469219B (zh) 2022-08-30

Family

ID=77869197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110638205.2A Active CN113469219B (zh) 2021-06-08 2021-06-08 基于元迁移学习的复杂工况下的旋转机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN113469219B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
CN114429009A (zh) * 2022-04-07 2022-05-03 中国石油大学(华东) 一种基于元迁移学习的小样本有杆泵井工况诊断方法
CN116680554A (zh) * 2023-06-19 2023-09-01 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法
CN117232577A (zh) * 2023-09-18 2023-12-15 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、系统和光缆交接箱
CN117493946A (zh) * 2023-12-29 2024-02-02 浪潮软件科技有限公司 一种基于vgg网络的小样本示功图诊断方法
CN118013289A (zh) * 2024-04-09 2024-05-10 北京理工大学 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
US20200242400A1 (en) * 2019-01-25 2020-07-30 Oath Inc. Systems and methods for hyper parameter optimization for improved machine learning ensembles
CN111695209A (zh) * 2020-05-13 2020-09-22 东南大学 元深度学习驱动的旋转机械小样本健康评估方法
CN111721536A (zh) * 2020-07-20 2020-09-29 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
CN111814854A (zh) * 2020-06-28 2020-10-23 北京交通大学 一种无监督域适应的目标重识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200242400A1 (en) * 2019-01-25 2020-07-30 Oath Inc. Systems and methods for hyper parameter optimization for improved machine learning ensembles
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111695209A (zh) * 2020-05-13 2020-09-22 东南大学 元深度学习驱动的旋转机械小样本健康评估方法
CN111814854A (zh) * 2020-06-28 2020-10-23 北京交通大学 一种无监督域适应的目标重识别方法
CN111721536A (zh) * 2020-07-20 2020-09-29 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵宇凯等: "基于VGG16迁移学习的轴承故障诊断方法", 《航天器环境工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202028A (zh) * 2021-12-13 2022-03-18 四川大学 基于mamtl的滚动轴承寿命阶段识别方法
CN114429009A (zh) * 2022-04-07 2022-05-03 中国石油大学(华东) 一种基于元迁移学习的小样本有杆泵井工况诊断方法
CN116680554A (zh) * 2023-06-19 2023-09-01 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法
CN116680554B (zh) * 2023-06-19 2024-04-19 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法
CN117232577A (zh) * 2023-09-18 2023-12-15 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、系统和光缆交接箱
CN117232577B (zh) * 2023-09-18 2024-04-05 杭州奥克光电设备有限公司 一种光缆交接箱承载内部监测方法、系统和光缆交接箱
CN117493946A (zh) * 2023-12-29 2024-02-02 浪潮软件科技有限公司 一种基于vgg网络的小样本示功图诊断方法
CN118013289A (zh) * 2024-04-09 2024-05-10 北京理工大学 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品

Also Published As

Publication number Publication date
CN113469219B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN113469219B (zh) 基于元迁移学习的复杂工况下的旋转机械故障诊断方法
Zhang et al. A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
Appana et al. Reliable fault diagnosis of bearings with varying rotational speeds using envelope spectrum and convolution neural networks
CN109902399A (zh) 一种基于att-cnn的变工况下滚动轴承故障识别方法
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
CN112883994B (zh) 一种均衡分布适配的旋转机械变工况故障诊断方法
CN112101085A (zh) 一种基于重要性加权域对抗自适应的智能故障诊断方法
Wang et al. Bearing fault diagnosis under various conditions using an incremental learning-based multi-task shared classifier
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
Lv et al. Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Peng et al. Research on fault diagnosis method of rolling bearing based on 2DCNN
CN114861778A (zh) 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法
CN116894215B (zh) 一种基于半监督动态图注意的齿轮箱故障诊断方法
CN113076920A (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
Sun et al. Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching
CN117009916A (zh) 基于多传感器信息融合与迁移学习的促动器故障诊断方法
CN117111464A (zh) 一种多工况下的自适应故障诊断方法
CN116754231A (zh) 一种基于RegNet-SES的快速诊断滚动轴承故障方法
Long et al. Multidomain variance-learnable prototypical network for few-shot diagnosis of novel faults
CN114818945A (zh) 融入类别自适应度量学习的小样本图像分类方法及装置
Zhuang et al. Remaining useful life estimation under variable failure behaviors via transferable metric learning
She et al. Health indicator construction of rolling bearings based on deep convolutional neural network considering phase degradation

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