CN113554075A - 生成故障分类模型的方法及确定旋转设备故障类型的方法 - Google Patents
生成故障分类模型的方法及确定旋转设备故障类型的方法 Download PDFInfo
- Publication number
- CN113554075A CN113554075A CN202110784624.7A CN202110784624A CN113554075A CN 113554075 A CN113554075 A CN 113554075A CN 202110784624 A CN202110784624 A CN 202110784624A CN 113554075 A CN113554075 A CN 113554075A
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- fault
- target
- classification model
- 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.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000009826 distribution Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 67
- 238000011176 pooling Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- LVXVIPZBNJSUKL-NJAPINKUSA-N [(6ar,9r,10as)-10a-methoxy-4,7-dimethyl-6a,8,9,10-tetrahydro-6h-indolo[4,3-fg]quinoline-9-yl]methanol Chemical compound C1=CC([C@]2(OC)[C@H](N(C)C[C@H](CO)C2)C2)=C3C2=CN(C)C3=C1 LVXVIPZBNJSUKL-NJAPINKUSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
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)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了生成故障分类模型的方法和确定旋转设备故障类型的方法，以及用于执行上述方法的计算设备。其中，生成故障分类模型的方法包括步骤：获取原始旋转设备对应的源域数据以及目标旋转设备对应的目标域数据作为训练数据，源域数据具有故障类型标签；将训练数据输入预训练的故障分类模型中进行处理，以输出源域数据对应的预测故障类型、源域数据的预测领域、目标域数据的预测领域；通过计算源域数据对应的预测故障类型与故障类型标签之间的第一损失函数、预测领域与领域标签之间的第二损失函数、源域数据的分布与目标域数据的分布之间的第三损失函数，来更新故障分类模型的参数，直到满足预定条件时，训练结束，得到训练后的故障分类模型。
Description
技术领域
本发明涉及深度学习技术领域，特别涉及一种生成故障分类模型的方法 及确定旋转设备故障类型的方法。
背景技术
旋转设备在现代工业中占有重要地位，对旋转设备的状态监测越来越受 到人们的关注。滚动轴承是旋转设备中最重要的部件之一，它对设备整体性 能具有重要影响。由于工作条件恶劣，滚动轴承可能会出现各种故障，在发 生故障时会导致意外停机，造成巨大的经济损失。因此，对轴承进行有效、 可靠的故障诊断具有重要意义。
振动分析广泛应用于对旋转设备关键部件的状态监测。随着计算机与信 息技术的发展，利用计算机技术来辅助设备故障诊断的技术越来越多，常见 的包括人工神经网络、支持向量机、随机森林、k-近邻等。然而，数据规模 的增长和数据类型的不断扩展、以及设备所处的恶劣环境等不可抗力因素， 给这些传统的人工智能诊断模型带来了很大的挑战。
与浅层智能诊断方法相比，基于深度学习故障诊断方法更适合处理日益 增长的数据，更可能在复杂的工业场景下提供准确的诊断分析。各种深度学 习模型已成功应用于故障诊断领域，包括卷积神经网络、深度信念网络、基 于ResNet的方法以及其他深度模型。
建立有效的故障诊断模型需要基于两个条件：1)有足够的带有故障类型 信息的标记数据；2)训练数据和测试数据来自相同的分布。然而，在实际应 用中很难满足这样的条件。首先，一些设备上很难获取到带标签的故障数据， 其次，从不同机器上获得的数据的概率分布是不同的，即使是同一台机器也 会面临不同的工业状况场景，当从不同的机器上或者同一机器变工况的场景 下获取训练数据集和测试数据集来训练故障诊断模型时，故障诊断模型的分 类性能会下降。因此，利用从一台设备上采集的有标记数据训练的故障诊断 模型可能无法用于对来源于其他设备上的无标记数据进行分类。
鉴于此，需要一种生成故障分类模型的方案，以解决在实际应用场景中 带标签的训练数据不足、训练数据与测试数据的分布偏移的问题。
发明内容
为此，本发明提供了生成故障分类模型的方法及确定旋转设备故障类型 的方法，以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面，提供了一种生成故障分类模型的方法，适于在 计算设备中执行，包括步骤：获取原始旋转设备对应的源域数据以及目标旋 转设备对应的目标域数据作为训练数据，所述源域数据、目标域数据分别具 有相应的领域标签，且所述源域数据具有相应的故障类型标签；将所述训练 数据输入预训练的故障分类模型中进行处理，以输出源域数据对应的预测故 障类型、源域数据的预测领域、目标域数据的预测领域；以及通过计算所述 源域数据对应的预测故障类型与故障类型标签之间的第一损失函数、所述预测领域与领域标签之间的第二损失函数、所述源域数据的分布与目标域数据 的分布之间的第三损失函数，来更新所述故障分类模型的参数，直到满足预 定条件时，训练结束，得到训练后的故障分类模型，所述训练后的故障分类 模型适于根据目标域数据确定目标旋转设备的故障类型。
可选地，在根据本发明的生成故障分类模型的方法中，所述故障分类模 型包括卷积处理模块、故障分类模块、领域鉴别模块以及分布差异度量模块， 其中，所述卷积处理模块适于对输入的训练数据进行卷积和池化处理，以输 出源域数据中的源域特征数据、目标域数据中的目标域特征数据，所述源域 特征数据输入故障分类模块，所述源域特征数据和目标域特征数据输入领域 鉴别模块；所述故障分类模块适于对所述源域特征数据进行故障分类处理， 以输出所述源域特征数据对应的预测故障类型，以便计算源域特征数据对应的预测故障类型与故障类型标签之间的第一损失函数；所述领域鉴别模块适 于对所述源域特征数据和目标域特征数据进行领域分类处理，以输出所述源 域特征数据的预测领域、目标域特征数据的预测领域，以便计算所述预测领 域与领域标签之间的第二损失函数；所述分布差异度量模块适于计算所述源 域数据的分布与目标域数据的分布之间的第三损失函数。
可选地，在根据本发明的生成故障分类模型的方法中，所述分布差异度 量模块包括多个分布差异度量器，每个分布差异度量器适于对所述卷积处理 模块的每一层输出的数据计算分布差异，以便根据每个分布差异度量器输出 的分布差异来计算所述源域数据的分布与目标域数据的分布之间的第三损失 函数。
可选地，在根据本发明的生成故障分类模型的方法中，通过计算所述第 一损失函数、第二损失函数、第三损失函数，来更新所述故障分类模型的参 数包括：通过计算所述第一损失函数的最小值、第二损失函数的最大值以及 第三损失函数的最小值，来更新所述故障分类模型的参数。
可选地，在根据本发明的生成故障分类模型的方法中，通过计算所述第 一损失函数、第二损失函数、第三损失函数，来更新所述故障分类模型的参 数的步骤包括：根据所述第一损失函数的最小值、第二损失函数的最大值和 第三损失函数的最小值来生成领域适应目标函数；通过计算所述领域适应目 标函数来更新所述故障分类模型的参数，以便拉近所述源域数据与目标域数 据之间的距离。
可选地，在根据本发明的生成故障分类模型的方法中，获取原始旋转设 备对应的源域数据以及目标旋转设备对应的目标域数据作为训练数据的步骤 包括：对所述源域数据、目标域数据进行预处理，以生成相应的源域图像数 据、目标域图像数据；将所述源域图像数据和目标域图像数据作为训练数据。
可选地，在根据本发明的生成故障分类模型的方法中，所述卷积处理模 块至少包括2个卷积层、2个池化层、2个全连接层；所述故障分类模块、领 域鉴别模块分别与所述卷积处理模块的全连接层连接。
可选地，在根据本发明的生成故障分类模型的方法中，所述分布差异度 量模块中的每个分布差异度量器分别与一个卷积层或一个全连接层连接；每 个分布差异度量器适于对与其连接的卷积层或全连接层输出的数据计算分布 差异。
根据本发明的一个方面，提供了一种确定旋转设备故障类型的方法，所 述方法包括步骤：将目标旋转设备对应的目标域数据输入故障分类模型，经 分类处理后输出所述目标旋转设备属于每种故障类型的概率；以及根据所述 属于每种故障类型的概率确定所述目标旋转设备的故障类型；其中，所述故 障分类模型利用如上所述的生成故障分类模型的方法来生成。
可选地，在根据本发明的确定旋转设备故障类型的方法中，经分类处理 后输出所述目标旋转设备属于每种故障类型的概率的步骤包括：通过卷积处 理模块对输入的目标域数据进行卷积和池化处理，以输出目标域数据中的目 标域特征数据；通过故障分类模块对所述目标域特征数据进行故障分类处理， 以输出所述目标旋转设备属于每种故障类型的概率。
可选地，在根据本发明的确定旋转设备故障类型的方法中，所述目标域 数据为振动数据，将目标旋转设备对应的目标域数据输入故障分类模型的步 骤包括：对所述目标域数据进行预处理，以生成相应的目标域图像数据；将 所述目标域图像数据输入所述故障分类模型。
可选地，在根据本发明的确定旋转设备故障类型的方法中，所述故障类 型包括保持架故障、转子故障、内圈故障和外圈故障。
根据本发明的一个方面，提供了一种计算设备，包括：一个或多个处理 器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被 配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方 法中的任一方法的指令。
根据本发明的一个方面，提供了一种存储一个或多个程序的计算机可读 存储介质，一个或多个程序包括指令，指令当计算设备执行时，使得计算设 备执行如上所述的方法中的任一方法。
根据本发明的方案，根据本发明的技术方案，利用源域数据和目标域数 据对故障分类模型进行训练，基于对抗训练的思想，可以实现拉近源域数据 与目标域数据之间的距离、缩小源域数据与目标域数据之间的差异的目的， 使得源域数据与目标域数据难以领域鉴别模块区分。基于训练后的故障分类 模型，可以根据目标域数据确定目标旋转设备的故障类型，其中故障分类模 块能够针对目标域数据产生具有鲁棒性和一致性的故障分类结果，提高故障 分类模型用于对目标旋转设备进行故障诊断时的性能和准确率。这样，实现了针对对旋转设备进行故障诊断的实际应用场景，训练有针对性的故障分类 模型。解决了在实际对旋转设备进行故障诊断的应用场景中，带标签的训练 数据不足、训练数据与测试数据的分布偏移的问题。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说 明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所 有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅 读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明 显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的构造示意图；
图2示出了根据本发明一个实施例的生成故障分类模型的方法200的流 程示意图；
图3示出了根据本发明一个实施例的故障分类模型300的结构示意图； 以及
图4示出了根据本发明一个实施例的确定旋转设备故障类型的方法400 的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示 了本公开的示例性实施例，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。
图1是示例计算设备100的框图。在基本的配置102中，计算设备100 典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以 用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限 于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们 的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112 之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的 处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字 信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118 可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是 处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但 不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存 等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者 多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在 操作系统上利用程序数据124进行操作。在一些实施例中，计算设备100被 配置为执行生成故障分类模型的方法200或确定旋转设备故障类型的方法400，程序数据124中就包含了用于执行上述各方法的指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、 外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的 通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理 单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如 显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包 括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由 一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输 入设备、图像输入设备)或者其他外设(例如打印机、扫描仪等)之类的外 部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布 置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162 通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在 诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据 结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以 是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中以 编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网 络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外 (IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读 介质可以包括存储介质和通信介质二者。在一些实施例中，计算机可读介质 中存储一个或多个程序，这一个或多个程序中包括执行某些方法的指令。
计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分， 这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、 个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、 或者可以包括上面任何功能的混合设备。当然，计算设备100也可以实现为 包括桌面计算机和笔记本计算机配置的个人计算机，或者是具有上述配置的 服务器。本发明的实施方式对此均不作限制。
图2示出了根据本发明一个实施例的生成故障分类模型的方法200的流 程图，所生成的故障分类模型用于根据待检测的目标旋转设备的振动数据(目 标域数据)来确定目标旋转设备的故障类型，以实现对目标旋转设备的故障 诊断。
以下将结合图2，详细阐述根据本发明实施例的生成故障分类模型的方法 200的流程。
如图2所示，方法200始于步骤S210。在步骤S210中，获取原始旋转设 备对应的源域数据、目标旋转设备对应的目标域数据，将源域数据和目标域 数据作为训练数据。其中，源域数据、目标域数据分别具有相应的领域标签， 并且，源域数据具有相应的故障类型标签。
需要说明的是，原始旋转设备与目标旋转设备是不同的、具有一定相关 性的旋转设备，源域数据是从原始旋转设备上采集的带故障类型标签的振动 数据，目标域数据是从目标旋转设备上采集的不具有故障类型标签的振动数 据。而从不同设备上获取的振动数据的分布是不同的，换言之，源域数据与 目标域数据来自不同的分布，属于不同的领域的数据。基于此，如果仅基于 源域数据来训练故障分类模型，训练后得到的故障分类模型在根据目标域数 据进行故障诊断时，模型性能会有所下降，对于目标旋转设备的故障分类不够准确。
应当理解，故障类型标签表示源域数据对应的真实故障类型。需要说明 的是，旋转设备涉及多种故障类型，相应地，故障类型标签可以包括多个， 每个故障类型标签分别对应于一种故障类型。在一种实施方式中，旋转设备 的故障类型例如包括保持架故障、转子故障、内圈故障、外圈故障等，但并 不限于所列举的这些类型。
领域标签表示数据所属的真实领域，即包括源域、目标域，以便模型根 据领域标签来区分两种领域的数据，确定数据是源域数据还是目标域数据。
随后，在步骤S220中，将训练数据(包括源域数据和目标域数据)均输 入预训练的故障分类模型中进行处理，经故障分类模型处理之后，输出源域 数据对应的预测故障类型(即预测为每种故障类型的概率，也即，源域数据 被分到每个故障类型标签的概率分布)、源域数据的预测领域(即预测该源 域数据属于源域、目标域的概率)、目标域数据的预测领域(即预测该目标 域数据属于源域、目标域的概率)。
图3示出了根据本发明一个实施例的故障分类模型300的结构示意图。 如图3所示，故障分类模型300包括积处理模块320、故障分类模块330、领 域鉴别模块340、分布差异度量模块350。故障分类模块330、领域鉴别模块 340、分布差异度量模块350均与卷积处理模块320连接。在一种实施方式中， 故障分类模型300可以实现为一种基于ResNet-18的预训练网络模型。
根据一个实施例，在步骤S210中，在获取原始旋转设备对应的源域数据 以及目标旋转设备对应的目标域数据后，首先通过预处理模块310对源域数 据、目标域数据进行预处理，以生成相应的源域图像数据、目标域图像数据。 随后，可以将源域图像数据和目标域图像数据来作为训练数据输入故障分类 模型300的卷积处理模块320。在一种实施方式中，原始的源域数据、目标域 数据例如为高频加速度振动序列，通过预处理模块310对其进行短时傅里叶 变换预处理，可以得到源域图像数据、目标域图像数据，作为训练数据。这 里，目标域图像数据还可以用于后续对训练后的故障分类模型300的测试数 据。
在故障分类模型300中，卷积处理模块320用于对输入的训练数据(源 域数据和目标域数据)进行卷积、激活和池化处理，以便从训练数据中提取 与每种故障类型相对应的故障特征。具体地，经卷积处理模块320处理后， 可以输出从源域数据中提取的源域特征数据，并输出从目标域数据中提取的 目标域特征数据。
其中，经卷积处理模块320处理后输出的源域特征数据输入故障分类模 块330，经卷积处理模块320处理后输出的源域特征数据和目标域特征数据均 会输入领域鉴别模块340。在一种实施方式中，卷积处理模块320至少包括2 个卷积层、2个池化层、2个全连接层，如图3所示，其按照“卷积层C1→池 化层P1→卷积层C2→池化层P2→全连接层F1→全连接层F2”的顺序依次连接。 卷积处理模块320还包括与卷积层C1相连的网络输入层。训练数据通过网络 输入层输入卷积处理模块320，并依次经过卷积层C1、池化层P1、卷积层C2、 池化层P2、全连接层F1和全连接层F2处理后，输出源域特征数据和目标域特 征数据。
在一种实施方式中，对于卷积层，可以采用卷积核kl∈RH·L·D对l-1层的输 出向量进行卷积操作，其中，H表示卷积核的高度，L和D分别表示卷积核的 长度和深度。给定第l-1层的输出特征
第l层输出的特征数据可 以通过以下公式来计算：
式中，D＝{s,t}表示源域、目标域的索引值，
表示从第l-1层的特征表示
中学习到的迁移特征，bl指的是第l层的偏差，
表示解决消失梯度问题常用的激活函数ReLU。
在此基础上，利用池化层的下采样过程来减少训练参数的个数，从而有 效地克服过拟合问题。本发明采用最大池化(max pooling)的下采样形式， 将可转移特征划分为若干个不重叠的部分，并返回每个部分的最大值。源域 和目标域中的特征
经过最大池化处理后可表示为
基于若干个卷积池 化处理之后，能够提取到数据的高级特征表示。这些特征被展平之后输入到 全连接层F2之上。例如，本发明中全连接层F2可表示为下式：
式中，
由卷积处理的最后一层
展平而来，
以及
分别表示F2层的权重和偏差。
故障分类模块330、领域鉴别模块340分别与卷积处理模块320的全连接 层F2连接，其中，经卷积处理模块320的全连接层F2输出的源域特征数据输 入故障分类模块330进行处理，经卷积处理模块320的全连接层F2输出的源 域特征数据和目标域特征数据输入领域鉴别模块340进行处理。
具体地，故障分类模块330通过有监督学习训练有效的分类器进行故障 诊断。因此，只有来带标记的源域数据才能被输入到故障分类模块330中。 故障分类模块330用于对源域特征数据进行故障分类处理，以输出源域特征 数据对应的预测故障类型(预测属于每种故障类型的概率)。这样，可以计 算源域特征数据对应的预测故障类型与故障类型标签之间的第一损失函数。 在一个实施例中，故障分类模块330包括与全连接层F2相连的全连接层F31、 与全连接层F31相连的故障分类器M1，全连接层F2输出的源域特征数据经由全 连接层F31的输出输入故障分类器M1，故障分类器M1通过对源域特征数据进行 故障分类处理，以输出源域特征数据对应的预测故障类型，以便基于表示真 实故障类型的故障分类标签来训练故障分类器M1。在一种实施方式中，故障 分类器M1可以采用Softmax网络。
其中，用
来表示卷积处理模块320对源域数据的输出，即源域特征数 据。全连接层F31的输出可表示为以下公式：
利用Softmax回归来计算故障分类器M1输出的预测故障类型，可以表示 为：
式中，C表示旋转设备的故障类型。
在故障分类模型300中，领域鉴别模块340用于对源域特征数据和目标 域特征数据进行领域分类处理，以输出源域特征数据的预测领域、目标域特 征数据的预测领域(属于源域、目标域的概率)。这样，可以计算预测领域 与领域标签(真实领域)之间的第二损失函数。在一个实施例中，领域鉴别 模块340包括与全连接层F2相连的全连接层F32、与全连接层F32相连的领域分 类器M2，全连接层F2输出的源域特征数据和目标域特征数据经由全连接层F32的输出输入领域分类器M2，领域分类器M2通过对特征数据进行分类处理，以 输出特征数据对应的预测领域。领域分类器M2可以实现为Logistics回归的 二元分类器。
其中，全连接层F2的输出可以表示为：
领域分类器M2的输出可以表示为：
在故障分类模型300中，分布差异度量模块350用于计算源域数据的分 布与目标域数据的分布之间的第三损失函数并输出。
在一个实施例中，分布差异度量模块350包括多个分布差异度量器，例 如包括分布差异度量器D1，D2，D3，D4。每个分布差异度量器适于对卷积处 理模块320的每一层输出的数据计算分布差异，这样，分布差异度量模块350 可以根据每个分布差异度量器输出的分布差异来计算源域数据的分布与目标 域数据的分布之间的第三损失函数。
具体地，每个分布差异度量器分别与卷积处理模块320的一个卷积层或 一个全连接层连接。如图3所示，卷积层C1与分布差异度量器D1连接，卷积 层C2与分布差异度量器D2连接，全连接层F1与分布差异度量器D3连接，全 连接层F2与分布差异度量器D4连接。每个分布差异度量器分别用于对与其相 连的卷积层或全连接层输出的数据(包括源域、目标域的特征数据)计算分 布差异。
在一种实施方式中，本发明将最大均值差异(MMD)应用到卷积处理模 块320的每一层的输出数据上，即，每个分布差异度量器分别基于最大均值 差异来计算每一层输出数据的均值差异。例如，分布差异度量器D1可以利用 核函数将卷积层C1输出的数据(包括源域、目标域的特征数据)投影到可再 生核希尔伯特空间，来计算卷积层C1输出源域特征数据与目标域特征数据的 均值差异。通过计算每一层输出数据的均值差异，进而，通过将每一层的均 值差异进行汇总来得到最终的源域数据与目标域数据的分布差异度量。
其中，基于核函数的MMD方法计算分布差异可以表示为：
式中，k(·,·)表示特征核函数，n1和n2分别表示源域和目标域的样本数量。基于此，将MMD方法应用到卷积处理模块320的每一层的输出数据上，最终的 源域数据与目标域数据之间的分布差异(第三损失函数)可以通过以下公式 来计算：
式中，κl＝1-D2(ζL,s,ζL,t)/D2(ζl,s,ζl,t)表示多层MMD的平衡参数，ζL,s＝∪l∈Γxl,s和ζL,t＝∪l∈Γxl,t分别表示源域和目标域的多层迁移特征，Γ＝{C1,C2,F1,F2}表示四 个进行分布适配的层的索引。这里，可以采用高斯核进行计算，即
其中γ为核宽度。
最后，在步骤S230中，通过计算源域数据对应的预测故障类型与故障类 型标签之间的第一损失函数、预测领域与领域标签之间的第二损失函数、以 及源域数据的分布与目标域数据的分布之间的第三损失函数，根据损失函数 值来更新故障分类模型的参数，直到满足预定条件时，训练结束，从而得到 训练后的故障分类模型。
具体地，通过计算第一损失函数的最小值、第二损失函数的最大值以及 第三损失函数的最小值，来更新故障分类模型的参数。需要说明的是，领域 鉴别模块340采用生成对抗模型的思想，通过最大化领域鉴别模块340对应 的第二损伤函数，对其进行对抗训练，以使来自源域、目标域的特征数据难 以被领域鉴别模块340所区分，最终达到拉近源域数据与目标域数据之间的 距离、缩小源域数据与目标域数据之间的差异的目的。
根据一个实施例，可以根据第一损失函数的最小值、第二损失函数的最 大值和第三损失函数的最小值来生成领域适应目标函数。随后，通过计算领 域适应目标函数来更新故障分类模型300的参数，以便拉近源域数据与目标 域数据之间的距离，使源域数据与目标域数据难以被领域鉴别模块区分。
其中，第一损失函数用Lc表示，第二损失函数用Ld表示。Lc和Ld分别可 以由下式进行计算：
式中，I(·)为指示函数，C表示故障类型数量，dm＝{0,1}表示领域标签。这样， 所要优化的目标即是最小化Lc、最大化Ld以及最小化D2。领域适应目标函数 可以用下式表示：
minLc-λLd+βD2
式中，λ和β是超参数，可以确定领域适应的强度，超参数值通过交叉验证进 行选择。在确定领域适应目标函数之后，在一种实施方式中，可以基于随机 梯度下降优化算法来对模型参数进行更新和优化计算。
根据本发明的方法200，利用源域数据和目标域数据对故障分类模型300 进行训练，基于对抗训练的思想，可以实现拉近源域数据与目标域数据之间 的距离、缩小源域数据与目标域数据之间的差异的目的，使得源域数据与目 标域数据难以被领域鉴别模块区分。基于训练后的故障分类模型，可以根据 目标域数据确定目标旋转设备的故障类型，其中故障分类模块能够针对目标 域数据产生具有鲁棒性和一致性的故障分类结果，提高故障分类模型用于对 目标旋转设备进行故障诊断时的性能和准确率。
图4示出了根据本发明一个实施例的确定旋转设备故障类型的方法400 的流程示意图。方法400适于在计算设备(例如前述计算设备100)中执行。
如图4所示，方法始于步骤S410。在步骤S410中，将目标旋转设备对应 的目标域数据输入故障分类模型300，经分类处理后输出与目标域数据相对应 的故障类型的概率，也即，输出目标旋转设备属于每种故障类型的概率。这 里，故障分类模型300是基于前述方法200训练生成的故障分类模型，可以 参考前文关于方法200的描述，此处不予赘述。
随后在步骤S420中，根据故障分类模型300输出的目标旋转设备属于每 种故障类型的概率，来确定目标旋转设备的故障类型。
需要说明的是，经过前述方法200中利用源域数据和目标域数据对故障 分类模型300进行训练后，使得故障分类模型300的领域鉴别模块340难以 区分源域数据与目标域数据。这样，基于训练后的故障分类模型300，经卷积 处理模块320处理后输出的目标域特征数据，可以输入故障分类模块330中 进行分类处理。
具体而言，在步骤S410中将目标旋转设备对应的目标域数据输入故障分 类模型300之后，经分类处理后输出与目标旋转设备的故障类型的概率是通 过以下步骤来实现：
在故障分类模型300中，通过卷积处理模块320对输入的目标域数据进 行卷积和池化处理，以输出目标域数据中的目标域特征数据。目标域特征数 据输入故障分类模块330中。
进而，通过故障分类模块330对目标域特征数据进行故障分类处理，以 输出目标旋转设备属于每种故障类型的概率。
根据前文方法200中所述，目标域数据可以是从目标旋转设备上采集的 不带故障分类标签的振动数据，例如为高频加速度振动序列。在一个实施例 中，在步骤S410中将目标旋转设备对应的目标域数据输入故障分类模型300 中之前，通过预处理模块310对目标域数据进行预处理，例如，通过预处理 模块310对目标域数据进行短时傅里叶变换预处理，以得到相应的目标域图 像数据。进而，将目标域图像数据输入故障分类模型300中，经故障分类模 型300处理后输出目标旋转设备属于每种故障类型的概率。
A7、如A1-A6中任一项所述的方法，其中，所述卷积处理模块至少包括2 个卷积层、2个池化层、2个全连接层；所述故障分类模块、领域鉴别模块分 别与所述卷积处理模块的全连接层连接。
A8、如A7所述的方法，其中，所述分布差异度量模块中的每个分布差异 度量器分别与一个卷积层或一个全连接层连接；每个分布差异度量器适于对 与其连接的卷积层或全连接层输出的数据计算分布差异。
B11、如B9或B10所述的方法，其中，所述目标域数据为振动数据，将 目标旋转设备对应的目标域数据输入故障分类模型的步骤包括：对所述目标 域数据进行预处理，以生成相应的目标域图像数据；将所述目标域图像数据 输入所述故障分类模型。
B12、如B9-B11中任一项所述的方法，其中，所述故障类型包括保持架 故障、转子故障、内圈故障和外圈故障。
综上，根据本发明的技术方案，利用源域数据和目标域数据对故障分类 模型进行训练，基于对抗训练的思想，可以实现拉近源域数据与目标域数据 之间的距离、缩小源域数据与目标域数据之间的差异的目的，使得源域数据 与目标域数据难以领域鉴别模块区分。基于训练后的故障分类模型，可以根 据目标域数据确定目标旋转设备的故障类型，其中故障分类模块能够针对目 标域数据产生具有鲁棒性和一致性的故障分类结果，提高故障分类模型用于 对目标旋转设备进行故障诊断时的性能和准确率。这样，实现了针对对旋转 设备进行故障诊断的实际应用场景，训练有针对性的故障分类模型。解决了 在实际对旋转设备进行故障诊断的应用场景中，带标签的训练数据不足、训 练数据与测试数据的分布偏移的问题。
应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个， 在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分 组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解 释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确 记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发 明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方 式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单 元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位 在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合 为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自 适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以 把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可 以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者 单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴 随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或 者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴 随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相 似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它 实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合 意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利 要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从 而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采 取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读 的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类 的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、 处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少 一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代 码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行 本发明所述的方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介 质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储 诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一 般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数 据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种 的组合也包括在计算机可读介质的范围之内。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者 由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于 实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元 素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置 用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第 三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗 示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方 式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本 技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它 实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导 的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此， 在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技 术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明 所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (10)
1.一种生成故障分类模型的方法，适于在计算设备中执行，包括步骤：
获取原始旋转设备对应的源域数据以及目标旋转设备对应的目标域数据作为训练数据，所述源域数据、目标域数据分别具有相应的领域标签，且所述源域数据具有相应的故障类型标签；
将所述训练数据输入预训练的故障分类模型中进行处理，以输出源域数据对应的预测故障类型、源域数据的预测领域、目标域数据的预测领域；以及
通过计算所述源域数据对应的预测故障类型与故障类型标签之间的第一损失函数、所述预测领域与领域标签之间的第二损失函数、所述源域数据的分布与目标域数据的分布之间的第三损失函数，来更新所述故障分类模型的参数，直到满足预定条件时，训练结束，得到训练后的故障分类模型，所述训练后的故障分类模型适于根据目标域数据确定目标旋转设备的故障类型。
2.如权利要求1所述的方法，其中，所述故障分类模型包括卷积处理模块、故障分类模块、领域鉴别模块以及分布差异度量模块，其中，
所述卷积处理模块适于对输入的训练数据进行卷积和池化处理，以输出源域数据中的源域特征数据、目标域数据中的目标域特征数据，所述源域特征数据输入故障分类模块，所述源域特征数据和目标域特征数据输入领域鉴别模块；
所述故障分类模块适于对所述源域特征数据进行故障分类处理，以输出所述源域特征数据对应的预测故障类型，以便计算源域特征数据对应的预测故障类型与故障类型标签之间的第一损失函数；
所述领域鉴别模块适于对所述源域特征数据和目标域特征数据进行领域分类处理，以输出所述源域特征数据的预测领域、目标域特征数据的预测领域，以便计算所述预测领域与领域标签之间的第二损失函数；
所述分布差异度量模块适于计算所述源域数据的分布与目标域数据的分布之间的第三损失函数。
3.如权利要求2所述的方法，其中，
所述分布差异度量模块包括多个分布差异度量器，每个分布差异度量器适于对所述卷积处理模块的每一层输出的数据计算分布差异，以便根据每个分布差异度量器输出的分布差异来计算所述源域数据的分布与目标域数据的分布之间的第三损失函数。
4.如权利要求1-3中任一项所述的方法，其中，通过计算所述第一损失函数、第二损失函数、第三损失函数，来更新所述故障分类模型的参数包括：
通过计算所述第一损失函数的最小值、第二损失函数的最大值以及第三损失函数的最小值，来更新所述故障分类模型的参数。
5.如权利要求1-4中任一项所述的方法，其中，通过计算所述第一损失函数、第二损失函数、第三损失函数，来更新所述故障分类模型的参数的步骤包括：
根据所述第一损失函数的最小值、第二损失函数的最大值和第三损失函数的最小值来生成领域适应目标函数；
通过计算所述领域适应目标函数来更新所述故障分类模型的参数。
6.如权利要求1-5中任一项所述的方法，其中，获取原始旋转设备对应的源域数据以及目标旋转设备对应的目标域数据作为训练数据的步骤包括：
对所述源域数据、目标域数据进行预处理，以生成相应的源域图像数据、目标域图像数据；
将所述源域图像数据和目标域图像数据作为训练数据。
7.一种确定旋转设备故障类型的方法，在计算设备中执行，所述方法包括步骤：
将目标旋转设备对应的目标域数据输入故障分类模型，经分类处理后输出所述目标旋转设备属于每种故障类型的概率；以及
根据所述属于每种故障类型的概率确定所述目标旋转设备的故障类型；
其中，所述故障分类模型利用如权利要求1-6中任一项所述的方法来生成。
8.如权利要求7所述的方法，其中，经分类处理后输出所述目标旋转设备属于每种故障类型的概率的步骤包括：
通过卷积处理模块对输入的目标域数据进行卷积和池化处理，以输出目标域数据中的目标域特征数据；
通过故障分类模块对所述目标域特征数据进行故障分类处理，以输出所述目标旋转设备属于每种故障类型的概率。
9.一种计算设备，包括：
一个或多个处理器；和
存储器；
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-6所述方法中的任一方法的指令和用于执行根据权利要求7-8所述方法中任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行根据权利要求1-6所述的方法中的任一方法和用于执行根据权利要求7-8所述方法中任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784624.7A CN113554075A (zh) | 2021-07-12 | 2021-07-12 | 生成故障分类模型的方法及确定旋转设备故障类型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784624.7A CN113554075A (zh) | 2021-07-12 | 2021-07-12 | 生成故障分类模型的方法及确定旋转设备故障类型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113554075A true CN113554075A (zh) | 2021-10-26 |
Family
ID=78131542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110784624.7A Pending CN113554075A (zh) | 2021-07-12 | 2021-07-12 | 生成故障分类模型的方法及确定旋转设备故障类型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554075A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115396882A (zh) * | 2022-08-24 | 2022-11-25 | 武汉烽火技术服务有限公司 | 一种实现网络告警分类模型计算的方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 |
| CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
| CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
| 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 |
| 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 |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| CN112633385A (zh) * | 2020-12-25 | 2021-04-09 | 华为技术有限公司 | 一种模型训练的方法、数据生成的方法以及装置 |
| CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
-
2021
- 2021-07-12 CN CN202110784624.7A patent/CN113554075A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 |
| CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
| CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
| 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 |
| 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 |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| CN112633385A (zh) * | 2020-12-25 | 2021-04-09 | 华为技术有限公司 | 一种模型训练的方法、数据生成的方法以及装置 |
| CN113076834A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 旋转机械故障信息处理方法、处理系统、处理终端、介质 |
Non-Patent Citations (1)
| Title |
|---|
| 贺伟: "《HHT理论算法及其在现代信号处理中的应用研究》", vol. 1, 31 January 2019, 吉林大学出版社, pages: 82 - 83 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115396882A (zh) * | 2022-08-24 | 2022-11-25 | 武汉烽火技术服务有限公司 | 一种实现网络告警分类模型计算的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
| Belaid et al. | Classification of brain tumor by combination of pre-trained vgg16 cnn | |
| US20190213399A1 (en) | Apparatuses and methods for recognizing object and facial expression robust against change in facial expression, and apparatuses and methods for training | |
| JP6208552B2 (ja) | 識別器、識別プログラム、及び識別方法 | |
| CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
| CN112149717A (zh) | 基于置信度加权的图神经网络训练方法及装置 | |
| CN107292349A (zh) | 基于百科知识语义增强的零样本分类方法、装置 | |
| CN113569486A (zh) | 一种工业设备的故障检测方法、计算设备及可读存储介质 | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| Irfan et al. | A Scalo gram-based CNN ensemble method with density-aware smote oversampling for improving bearing fault diagnosis | |
| CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
| CN111428566B (zh) | 一种形变目标跟踪系统及方法 | |
| CN114925728A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
| CN113554075A (zh) | 生成故障分类模型的方法及确定旋转设备故障类型的方法 | |
| Pham et al. | Chest X-ray abnormalities localization via ensemble of deep convolutional neural networks | |
| Ahmed | Parallel dilated CNN for detecting and classifying defects in surface steel strips in real-time | |
| Struski et al. | ProMIL: Probabilistic multiple instance learning for medical imaging | |
| CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
| CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
| CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
| CN116681961A (zh) | 基于半监督方法和噪声处理的弱监督目标检测方法 | |
| Wu et al. | A fault diagnosis method based on Auxiliary Classifier Generative Adversarial Network for rolling bearing | |
| US20230162046A1 (en) | Method and system for anomaly detection and report generation | |
| CN115019898A (zh) | 一种基于深度森林的共晶预测方法 | |
| Farag et al. | Inductive Conformal Prediction for Harvest-Readiness Classification of Cauliflower Plants: A Comparative Study of Uncertainty Quantification Methods |
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 |