CN113780412B - 故障诊断模型训练方法、系统及其诊断方法、系统 - Google Patents

故障诊断模型训练方法、系统及其诊断方法、系统 Download PDF

Info

Publication number
CN113780412B
CN113780412B CN202111060652.0A CN202111060652A CN113780412B CN 113780412 B CN113780412 B CN 113780412B CN 202111060652 A CN202111060652 A CN 202111060652A CN 113780412 B CN113780412 B CN 113780412B
Authority
CN
China
Prior art keywords
training
fault
characteristic signal
signal sequence
image
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
CN202111060652.0A
Other languages
English (en)
Other versions
CN113780412A (zh
Inventor
张辉
韩斌
王丽婧
吴凤桐
孙明
马媛媛
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.)
Qiqihar University
Original Assignee
Qiqihar 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 Qiqihar University filed Critical Qiqihar University
Priority to CN202111060652.0A priority Critical patent/CN113780412B/zh
Publication of CN113780412A publication Critical patent/CN113780412A/zh
Application granted granted Critical
Publication of CN113780412B publication Critical patent/CN113780412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Image Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种故障诊断模型训练方法及系统，先获取多种故障类型中每一故障类型对应的训练用故障特征信号序列集，再对训练用故障特征信号序列集进行二维编码，组成训练数据集。然后构建初始故障诊断模型，并利用训练数据集对初始故障诊断模型进行训练，得到故障诊断模型。本发明还用于提供一种故障诊断方法及系统，先获取待诊断故障特征信号序列，然后对待诊断故障特征信号序列进行二维编码，得到待诊断故障特征信号序列对应的二维图像，最后以二维图像作为输入，利用故障诊断模型进行故障诊断，进而先对振动信号进行编码，再对故障进行诊断，能够克服噪声对网络结构的影响，显著提高诊断精度。

Description

故障诊断模型训练方法、系统及其诊断方法、系统
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种基于小尺寸卷积的胶囊网络的故障诊断模型训练方法、系统及其诊断方法、系统。
背景技术
当前在“工业4.0”的大环境下，机械设备向着智能化的方向发展，数据收集的速度大大加快，数据驱动故障诊断可以利用大量的机械数据，机械设备的故障诊断方法也随之向智能化发展。
故障诊断是机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机(SVM)，BP神经网络(也称为多层感知器)，贝叶斯分类器以及最近邻分类器等。通过支持向量机则需要足够的先验知识，对于不同的故障的诊断任务需要重新设计不同的特征提取器，使系统的设计成本增加。
如果想脱离先验知识的限制，神经网络是目前最可行的方法之一。作为深度学习最有代表性的网络之一，卷积神经网络在特征提取上表现出绝对的优势，并在图像分类领域取得巨大成功，但是对于机械故障中的一维故障特征信号来说，其只能输入一维卷积网络进行训练，但在一维卷积网络中，噪声对网络性能的影响非常大，而对于用于故障检测的故障特征信号来说，噪声则是不可避免的问题之一，所以一维卷积神经网络对于该问题的表现并不好。
基于此，亟需一种能够提高故障诊断精度的方法及系统。
发明内容
本发明的目的是提供一种故障诊断模型训练方法、系统及其诊断方法、系统，能够提高故障的诊断精度。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明用于提供一种故障诊断模型训练方法，所述训练方法包括：
获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；
对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；
构建初始故障诊断模型；
利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
本发明还用于提供一种故障诊断模型训练系统，所述训练系统包括：
第一获取模块，用于获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；
第一转换模块，用于对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；
构建模块，用于构建初始故障诊断模型；
训练模块，用于利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
第二方面，本发明还用于提供一种故障诊断方法，所述诊断方法包括：
获取待诊断故障特征信号序列；
对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
以所述二维图像作为输入，利用故障诊断模型进行故障诊断。
本发明还用于提供一种故障诊断系统，所述诊断系统包括：
第二获取模块，用于获取待诊断故障特征信号序列；
第二转换模块，用于对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
诊断模块，用于以所述二维图像作为输入，利用故障诊断模型进行故障诊断。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种故障诊断模型训练方法及系统，先获取多种故障类型中每一故障类型对应的训练用故障特征信号序列集，再对训练用故障特征信号序列集进行二维编码，组成训练数据集。然后构建初始故障诊断模型，并利用训练数据集对初始故障诊断模型进行训练，得到故障诊断模型。本发明还用于提供一种故障诊断方法及系统，先获取待诊断故障特征信号序列，然后对待诊断故障特征信号序列进行二维编码，得到待诊断故障特征信号序列对应的二维图像，最后以二维图像作为输入，利用故障诊断模型进行故障诊断，进而先对故障特征信号进行编码，再对故障进行诊断，能够克服噪声对网络结构的影响，显著提高诊断精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1为本发明实施例1所提供的训练方法的方法流程图；
图2为本发明实施例1所提供的GAF编码的方法流程图；
图3为本发明实施例1所提供的MTF编码的方法流程图；
图4为本发明实施例1所提供的改进后的胶囊网络的网络结构示意图；
图5为本发明实施例1所提供的仅采用GAF编码方式的训练流程图；
图6为本发明实施例1所提供的仅采用MTF编码方式的训练流程图；
图7为本发明实施例1所提供的同时采用GAF和MTF编码方式的训练流程图；
图8为本发明实施例2所提供的训练系统的系统框图；
图9为本发明实施例3所提供的诊断方法的方法流程图；
图10为本发明实施例3所提供的不同输入尺寸下准确率的对比示意图；
图11为本发明实施例3所提供的不同故障诊断模型的准确率对比示意图；
图12为本发明实施例4所提供的诊断系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明本发明所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种故障诊断模型训练方法、系统及其诊断方法、系统，能够提高故障的诊断精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
现有技术只能将机械设备故障时的一维故障特征信号输入到一维卷积神经网络，以对故障进行检测，但一维故障特征信号存在噪声，而噪声会对一维卷积神经网络的网络结构带来很大影响，进而造成诊断精度低的问题。针对此问题，本实施例考虑到通过神经网络的训练可以使网络找到故障特征信号中的特征，而卷积神经网络可以在图像中找到不同类型的特征，故先采用可行的编码方式将原始故障特征信号编码成图像以保证其信息的完整性，再使用卷积神经网络进行特征提取和分类，这种方式能够提高所训练得到的故障诊断模型的诊断精度。基于此，本实施例用于提供一种故障诊断模型训练方法，如图1所示，所述训练方法包括：
S1：获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；
本实施例能够应用于多种机械设备的故障诊断过程中，如机床、电机、发动机和轴承，故障特征信号包括一维振动信号、一维电参数信号(一维电压信号和一维电流信号)或者一维温度信号，所选取的故障特征信号根据所要进行故障检测的机械设备的类型来确定。比如，在对轴承故障检测时，可以使用一维振动信号作为故障特征信号。
在以信号采样方式所得到的采样序列中，不会对观测到的所有故障特征信号都做处理，故S1可以包括：通过窗函数采样的方式，以至少一个预设序列长度对每一故障类型对应的采样序列进行截取，得到多个训练用故障特征信号序列，进而得到每一故障类型对应的训练用故障特征信号序列集，该训练用故障特征信号序列集包括多个训练用故障特征信号序列。
S2：对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；
本实施例采用格拉姆角场(Gramian Angular Field，GAF)和/或马尔可夫变迁场(Markov Transition Field，MTF)对训练用故障特征信号序列集进行二维编码；具体的，包括以下三种编码方式：
第一种，仅采用GAF对训练用故障特征信号序列集进行二维编码，此时，训练用故障特征信号序列集中的所有训练用故障特征信号序列的序列点数相同。利用GAF对训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第一图像，每一训练用故障特征信号序列对应一训练用第一图像，所有训练用第一图像组成训练用故障特征信号序列集对应的训练用二维图像集，训练用二维图像集对应的标签即为该训练用故障特征信号序列集对应的故障类型。
具体的，如图2所示，利用GAF对训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第一图像可以包括：
S11：对于所述训练用故障特征信号序列集中的每一训练用故障特征信号序列，对所述训练用故障特征信号序列进行归一化处理，得到训练用归一化后序列；
假设训练用故障特征信号序列为由n个实际观测值组成的时间序列X＝{x1,x2,x3...xn}，S11则对训练用故障特征信号序列X进行重新计算，使X内的所有序列点的数值都落在区间[0，1]的范围内。训练用归一化后序列通过下式(1)计算得到：
式(1)中，是t时刻的归一化后故障特征信号，t＝1，2，...n；xt是t时刻的原始故障特征信号；min(x)、max(x)分别表示X中所有序列点的最小值和最大值。
S12：将所述训练用归一化后序列进行极坐标转换，得到训练用角度序列；
在得到训练用归一化后序列后，则可以用极坐标来对/>进行重新表示，以时间戳为半径，转换公式如下式(2)所示：
式(2)中，为第i个序列点的归一化后故障特征信号，i＝1，2，...n；r为半径；ti为第i个序列点的时间戳码；利用式(2)，对于训练用归一化后序列/>中的每一个/>都能够得到对应的φi，所有的φi即组成训练用角度序列。
S13：根据所述训练用角度序列构建格拉姆角场编码矩阵；
在将训练用归一化后序列转换到极坐标系，得到训练用角度序列后，则可以很容易地通过考虑每一个序列点之间的三角和或者差，以利用角度的视角来识别不同时间间隔内的时间相关性。在本实施例中，使用格拉姆角和场(GASF)编码，编码方式由式(3)定义：
式(3)中，GASF即为格拉姆角场编码矩阵；φi为第i个序列点的角度。当然，本实施例也可采用格拉姆角差场进行编码。
可以看出，通过GAF方式编码后，保留了二维图像上对于时间从左上到右下的顺序，在正对角线位置上保留了原始信息，其他区域表达了不同时序间的关系。对于一个原始时间长度为n的训练用故障特征信号序列，通过GAF编码得到尺寸为n×n的格拉姆角场编码矩阵。
S14：将所述格拉姆角场编码矩阵进行可视化，得到训练用第一图像。
具体的，将格拉姆角场编码矩阵中各元素对应的灰度值与颜色空间中的一个点进行匹配，进而将一维度训练用故障特征信号序列可视化为二维度训练用第一图像。
第二种，仅采用MTF对训练用故障特征信号序列集进行二维编码，此时，训练用故障特征信号序列集中的所有训练用故障特征信号序列的序列点数相同。利用MTF对训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第二图像，每一训练用故障特征信号序列对应一训练用第二图像，所有训练用第二图像组成训练用故障特征信号序列集对应的训练用二维图像集，训练用二维图像集对应的标签即为该训练用故障特征信号序列集对应的故障类型。
具体的，如图3所示，利用MTF对训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第二图像可以包括：
S21：对于所述训练用故障特征信号序列集中的每一训练用故障特征信号序列，将所述训练用故障特征信号序列划分为Q个区间；所述训练用故障特征信号序列中的每一个序列点均对应一个唯一的区间；
马尔可夫变迁场是一种编码动态过渡统计数据的框架，按顺序表示马尔科夫过渡概率以保留时域中的信息。对于每一个训练用故障特征信号序列X＝{x1,x2,x3...xn}，把它的值域分成Q个区间，那么每一个xi都可以被映射到一个唯一相应的qj上，此时，xi为第i个序列点，i＝1，2，...n；qj为第j个区间，j＝1，2，...Q。
S22：采用一阶马尔可夫链计算所述区间之间的转移概率，构建马尔可夫过渡矩阵；所述马尔可夫过渡矩阵为Q×Q矩阵；
具体的，沿着时间步以一阶马尔可夫链的方式计算区间之间的转移概率来构建尺寸为[Q，Q]的马尔可夫过渡矩阵W，W形式如下所示：
式(4)中，wij＝p{xt∈qj|xt-1∈qi}；wij表示在区间j中的序列点被在区间i中的序列点跟随的概率；此时，i＝1，2，...Q；j＝1，2，...Q。W中的元素满足
S23：根据所述马尔可夫过渡矩阵构建马尔可夫变迁矩阵；所述马尔可夫变迁矩阵为T×T矩阵；T为所述训练用故障特征信号序列所对应的序列点的个数；
考虑到马尔可夫过渡矩阵W对训练用故障特征信号序列X的分布和对时间序列的依赖性不强，马尔可夫过渡矩阵W对于原始时间序列的信息损失太大，所以做出改进。马尔可夫变迁矩阵M中的元素Mij如下所示：
式(5)中，为了把时间信息融入到M中，Mij表示区间qi到区间qj的转移概率，则矩阵M由下式(6)定义。
Mij|i-j|＝k表示时间间隔为k的各个序列点之间的过渡矩阵，而在M中，主对角线上Mii是k＝0的特例，表示序列点i所在每个区间到自身的概率。
S24：将所述马尔可夫变迁矩阵进行可视化，得到训练用第二图像。
具体的，将马尔可夫变迁矩阵M中各元素对应的灰度值与颜色空间中的一个点进行匹配，进而将一维度训练用故障特征信号序列可视化为二维度训练用第二图像。
第三种，同时采用GAF和MTF对训练用故障特征信号序列集进行二维编码，此时，使用GAF把一维训练用故障特征信号序列转换成二维图像的第一个通道，使用MTF把一维训练用故障特征信号序列转换成二维图像的第二个通道。具体的，利用GAF对训练用故障特征信号序列集中的第一训练用故障特征信号序列进行二维编码，得到训练用第一图像，所用方法与S11-S14所述方法相同，每一第一训练用故障特征信号序列对应一训练用第一图像。利用MTF对训练用故障特征信号序列集中的第二训练用故障特征信号序列进行二维编码，得到训练用第二图像，所用方法与S21-S24所述方法相同，每一第二训练用故障特征信号序列对应一训练用第二图像。所有训练用第一图像和所有训练用第二图像组成训练用故障特征信号序列集对应的训练用二维图像集。
第一训练用故障特征信号序列和第二训练用故障特征信号序列为以相同或不同的预设序列长度对采样序列进行截取所得到的训练用故障特征信号序列，进而第一训练用故障特征信号序列和第二训练用故障特征信号序列的序列点数可以相同，也可以不同。
由于MTF编码得到的矩阵尺寸可以通过调整模糊核大小来调节，所以为了使在输出同样矩阵尺寸的情况下尽可能多的保存准确的概率信息，则第一训练用故障特征信号序列的序列点数小于第二训练用故障特征信号序列的序列点数，此时，在利用MTF对训练用故障特征信号序列集中的第二训练用故障特征信号序列进行二维编码，得到训练用第二图像之后，本实施例的训练方法还包括采用模糊核对训练用第二图像进行处理，具体使用m×m的核对每个m×m尺寸单位中的像素进行平均处理，达到减少图像尺寸效果，以得到与训练用第一图像尺寸相同的训练用处理后图像，将训练用处理后图像作为新的训练用第二图像，进而同时采用GAF和MTF对训练用故障特征信号序列集进行二维编码时，所得到的训练用二维图像集中每一个图像的尺寸均相同，可以用于训练，且能够保存更多的准确的概率信息。m为第二训练用故障特征信号序列的序列点数与第一训练用故障特征信号序列的序列点数的比值。
S3：构建初始故障诊断模型；
本实施例可以采用任意类型的卷积神经网络作为初始故障诊断模型。但考虑到卷积神经网络在故障诊断的泛化性较差，在一个数据集中的训练测试效果可能达到了令人满意的结果，但是该模型在另一个数据集中的表现往往并不好。故为了提高故障诊断模型的适用性，本实施例对故障诊断模型的网络结构进行改进，本实施例的初始故障诊断模型采用改进后的胶囊网络，如图4所示，改进后的胶囊网络包括依次连接的输入层、卷积模块、胶囊网络和输出层，卷积模块用于进行信息读取和特征提取，胶囊网络用于进行更深层次的特征提取与故障识别，卷积模块包括依次连接的第一卷积层、第二卷积层和池化层，胶囊网络包括依次连接的第三卷积层、低层胶囊层和数字胶囊层。
胶囊网络由Hinton在2017年提出，胶囊网络的单元被称为胶囊，每个胶囊包含多个神经元，与传统卷积神经网络的标量模型不同，胶囊用向量来标记图片中各个部分的位置关系。向量的方向和长度代表着指向该方向的概率，长度越大则表示概率越大。通常胶囊网络包含两层胶囊层，低层胶囊层和数字胶囊层(也成为高层胶囊层)，低层胶囊做出预测后向高层胶囊提供参数信息，多个预测结果一致时激活高层胶囊。
本实施例构建适用于故障诊断的改进后的胶囊网络，包括输入层，卷积层，池化层、胶囊层和输出层。之所以对胶囊网络进行改进，是由于输入的编码图像的尺寸较大，为了更好的提取特征，减少信息丢失，本实施例借助于VGG网络中小卷积核多层数的思想，先通过两层3×3小卷积核卷积层，并经过一层池化层压缩，再通过一层卷积层，并输入低层胶囊层，低层胶囊层可以有64个胶囊，每个胶囊有16个维度，再输入数字胶囊层，数字胶囊层可以有10个胶囊，分别对应10种故障类型。改进后的胶囊网络的网络结构参数如下表1所示：
表1
由于胶囊是不同于神经元标量的向量单元，此时卷积神经网络的迭代更新算法将不再适用，故使用动态路由(Dynamic Routing)算法对胶囊网络的向量进行更新，通过动态路由更新胶囊网络中的权重参数 由预测向量和输出向量进行点乘，点积越大则说明预测结果与真实结果的相似度越大。具体的权重更新方式如下：
1、预测向量 为第i个低层胶囊推出的第j个高层胶囊的高层特征；设定迭代次数r，对于第i个低层胶囊和第j个高层胶囊，定义一个权重参数bij。
2、通过下式(7)更新中间向量cij，使得cij非负且和为1。
式(7)中，k表示第k个高层胶囊。
3、通过下式(8)得到第j个高层胶囊的所有输入sj，并用squash激活函数(下式(9))更新第j个高层胶囊的输出vj。
4、通过下式(10)更新bij，并返回到2进行迭代计算。
5、迭代r次后返回最终向量vj。
因为胶囊中的向量不同于标量，本实施例用向量的长度来表示正相关的概率，所以本实施例选用模型边际函数(Marginloss)作为损失函数，每个高层胶囊k使用单独的边际损失Lk，如下式(11)所示：
Lk＝Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2； (11)
式(11)中，m+＝0.9、m-＝0.1，对k类存在的维度将取Tk＝1，对缺失类别用系数λ＝0.5降权，可以阻止训练过程对数字胶囊的压缩；vk为第k个高层胶囊的输出。
总损失函数Loss为每个数字胶囊边际损失Lk的和，如下式(12)所示：
Loss＝∑Lk； (12)
S4：利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
以下，以一维振动信号作为故障特征信号，对轴承故障进行检测为例，对模型训练过程进行进一步的说明：
方案一：
GAF编码的图像可以逆向推理出原振动信号，所以GAF编码的图像包含了完整的振动信号信息，理论上通过GAF编码后的图像可以完全提取其故障特征的纹理信息，改进后的胶囊网络中的低层胶囊层保证了特征的深度提取，卷积模块减少了噪声对分类任务的影响。所以该方案使用GAF编码并输入改进的单通道胶囊网络(CapsNet)，构建GAF-CapsNet模型。
如图5所示，GAF-CapsNet轴承故障诊断模型的训练流程如下：通过实验获得振动信号，通过窗函数将振动信号采样截断，采用GAF对信号进行编码处理，生成灰度图像。依据交叉验证的方式将训练数据集划分为训练集和测试集，将训练集输入单通道改进后的胶囊网络，通过低层胶囊层获取不同类型的轴承故障GAF图像的特征信息，再输入数字胶囊层进行分类与相应故障映射，通过参数调节得到满意的识别准确率后，保存训练好的模型与权重，即可得到故障诊断模型。在进行检测时将采样好的振动信号进行GAF编码，再输入该模型，即可得到网络给出的故障诊断情况，得到故障类型。
方案二：
不同于GAF编码，MTF的编码过程是不可逆推的，它不能反映出原始振动信号的具体信息，但是MTF的优点是描述了这个时刻的振动信息到下个时刻变化的概率特征，这可以在一定程度上避免噪声对分类结果的影响，由于MTF提取的是概率特征，所以在该方案中，使用较大的采样长度来避免概率不准确的情况。在MTF编码后，图像输入胶囊网络中，组成MTF-CapsNet模型。
如图6所示，MTF-CapsNet轴承故障诊断模型的训练流程如下：实验获得的振动信号，通过窗函数将振动信号采样截断，采用MTF对信号进行编码处理，生成灰度图像。依据交叉验证的方式将图像数据集划分为训练集和测试集，将训练集输入单通道的胶囊网络，通过低层胶囊层获取不同类型的轴承故障MTF图像的振幅变化特征，再输入数字胶囊层进行分类与相应故障映射，通过参数调节得到满意的识别准确率后，保存训练好的模型与权重，即可得到故障诊断模型。在进行检测时将采样好的振动信号进行MTF编码，再输入该模型，即可得到网络给出的故障诊断情况，得到故障类型。
方案三：
GAF编码的图像保存了完整的原始振动信号的静态故障信息，MTF编码则提取了其振动过程中的变化趋势，包含了原始振动的动态信息。所以该方案将GAF编码和MTF编码结合起来，将GAF编码作为图像的一个通道，将MTF编码作为图像的第二个通道，编码后的两个矩阵作为图像的两个通道输入改进后的胶囊网络中，构建GAFMTF-CapsNet模型。
与上面两种方案不同的是，GAF编码将长度为n的振动序列转换为n×n的矩阵，但是MTF编码的矩阵尺寸可以通过调整模糊核大小来调节，所以为了使其在输出同样n×n矩阵的情况下尽可能多的保存准确的概率信息，在该方案中，GAF编码与MTF编码的振动时序信号将采用不同长度的采样周期，使MTF编码使用的采样长度更长来保存尽可能准确的振动信号。
如图7所示，GAFMTF-CapsNet轴承故障诊断模型的训练流程如下：实验获得的振动信号，通过两种不同长度相同间隔的窗函数将振动信号采样截取，分别使用GAF编码和MTF编码对信号进行处理，生成的两个矩阵分别作为一个图像通道，生成二通道图像。依据交叉验证的方式将图像数据集划分为训练集和测试集，将训练集输入二通道改进后的胶囊网络，输入数字胶囊层进行分类与相应故障映射，通过参数调节得到满意的识别准确率后，保存训练好的模型与权重，即可得到故障诊断模型。在进行检测时将采样好的振动信号分别进行GAF编码和MTF编码，再输入该模型，即可得到网络给出的故障诊断情况，得到故障类型。
本实施例针对一维故障特征信号在输入卷积神经网络时无法充分提取相对位置关系的问题，提出一种使用格拉姆角场(GAF)和马尔可夫变迁场(MTF)编码成二通道图像，用小尺寸卷积的胶囊网络作为分类器的故障诊断分类方法。利用格拉姆角场和马尔可夫变迁场对采集到的故障特征信号进行编码，从而识别出不同时间间隔内的时间相关性并生产相应特征图。在胶囊网络在小尺寸图像优秀的相对位置关系和分类能力的基础上，加入深度小尺寸卷积层，将格拉姆角场和/或马尔可夫变迁场编码的振动图像输入改进后的胶囊网络进行训练，提出了三种方案，分别是GAF-CapsNet、MTF-CapsNet和GAFMTF-CapsNet模型，此种训练方法能够得到准确率更高的故障诊断模型。
实施例2：
本实施例用于提供一种故障诊断模型训练系统，如图8所示，所述训练系统包括：
第一获取模块M1，用于获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；
第一转换模块M2，用于对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；
构建模块M3，用于构建初始故障诊断模型；
训练模块M4，用于利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
实施例3：
本实施例用于提供一种故障诊断方法，如图9所示，所述诊断方法包括：
T1：获取待诊断故障特征信号序列；
本实施例能够应用于多种机械设备的故障诊断过程中，如机床、电机、发动机和轴承，故障特征信号包括一维振动信号、一维电参数信号(一维电压信号和一维电流信号)或者一维温度信号。对故障特征信号对应的采样序列进行截取，得到待诊断故障特征信号序列。
T2：对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
本实施例可以采用GAF和/或MTF来对待诊断故障特征信号序列进行二维编码。具体的，包括以下三种编码方式：
第一种，仅采用GAF对待诊断故障特征信号序列进行二维编码，具体如实施例1中的S11-S14，得到二维图像；
第二种，仅采用MTF对待诊断故障特征信号序列进行二维编码，具体如实施例1中的S21-S24，得到二维图像；
第三种，同时采用GAF和MTF对待诊断故障特征信号序列进行二维编码，此时，对采样序列进行两次截取，分别得到第一待诊断故障特征信号序列和第二待诊断故障特征信号序列，第一待诊断故障特征信号序列的序列点数小于或等于第二待诊断故障特征信号序列的序列点数。采用GAF对第一待诊断故障特征信号序列进行二维编码，具体如实施例1中的S11-S14，得到第一二维图像，采用MTF对第一待诊断故障特征信号序列进行二维编码，具体如实施例1中的S21-S24，得到第二二维图像。当第一待诊断故障特征信号序列的序列点数等于第二待诊断故障特征信号序列的序列点数时，直接将两个二维图像均输入故障诊断模型；当第一待诊断故障特征信号序列的序列点数小于第二待诊断故障特征信号序列的序列点数时，先将第二二维图像进行缩放，使其与第一二维图像的尺寸相同，再将二者输入故障诊断模型。
需要说明的是，对初始故障诊断模型进行训练时所用的故障特征信号的类型，与利用训练好的故障诊断模型进行故障诊断时所需输入的故障特征信号类型是相同的。对待诊断故障特征信号序列进行二维编码的编码方式与所用的故障诊断模型在训练过程中的编码方式是相同的。具体的，当此时所用的故障诊断模型在训练过程中所用的编码方式为MTF时，则此时对待诊断故障特征信号序列同样采用MTF进行编码。
T3：以所述二维图像作为输入，利用故障诊断模型进行故障诊断。
随着现代机械的高速发展，滚动轴承的应用场合也趋向更高强度和恶劣的工作环境，在所有机械结构故障中，高达30％的损坏是由轴承故障造成的，这使得轴承的故障诊断检修更加重要。以下，以故障特征信号采用一维振动信号，以对轴承故障进行诊断为例，进行具体实验以对故障诊断模型的效果进行测试。
1、电机轴承故障诊断数据集
实验使用凯斯西储大学的轴承数据集，数据集涵盖了频率为12kHz、48kHz采样的驱动端轴承实验数据和12kHz的风扇端轴承数据。实验设备包括一个1.5kw的电动机，一个扭矩传感器/译码器和一个功率测试计。
轴承的故障设置为电火花加工的单点损伤。本实验使用12kHz采样的驱动端轴承实验数据集，此数据集共设计了三种损伤类型：外圈故障(OF)、滚动体故障(RF)和内圈故障(IF)。每种类型的损伤设置了三种受损程度：受损直径0.1778mm、0.3556mm、0.5334mm。再加一组无故障的对照实验(No)，因此共有10种分类数据集，这些数据分别在4种负载(0，1，2，3)条件下试验，电机近似转速分别为1797r/min，1772r/min，1750r/min，1730r/min。每组试验共采集120k组数据，每组数据包括驱动端加速度数据(DE)、风扇端加速度数据(FE)、基座加速度数据(BA)。所有故障信号数据集中都有120000采样数据点，无故障数据集中有240000采样数据点。
2、信号采样试验
每组故障数据有12万采样点，采用矩形滑窗函数来截取信号片段，而网络的输入尺寸直接由信号样本的时间决定。为了保证网络中池化层尽可能少丢失信息，在经过预实验后，认为四种可用的采样尺寸分别为64、128、256、512。
为了探究这四种尺寸对最终实验结果的影响，选取内圈0.1778mm故障在1797r/min的数据进行截取实验。64尺寸未能包含足够的振动信息，而128、256、512三种尺寸均包含了足够的信号信息。肉眼看来，256和512尺寸因为像素的压缩，图像相似度提高，特征更加不明显。为了验证结论，设计了一个卷积神经网络，分别用同样尺寸采样了无故障对照组和外圈0.1778mm故障在1797r/min的数据进行三分类试验，如图10是四种尺寸在卷积神经网络的数据结果。试验发现，小于128尺寸的采样确实会丢失部分信息，致使精度下降。而512尺寸的采样虽然包含足够的信息，但是在卷积神经网络池化层中丢失导致了精度下降。256尺寸与128尺寸准确率相差无几，然而在神经网络中，更大的尺寸意味着更多的训练参数，实际上，256尺寸的试验时间确实要高于128尺寸的实验时间。因此，本实验将使用128为信号样本的时间点长度。故实施例1中的训练用故障特征信号序列和实施例3中的待诊断故障特征信号序列均包括128个序列点。当然，在同时利用MTF和GAF进行编码，且需要设置MTF的序列点数大于GAF的序列点数时，则可选取GAF对应的序列点数为128，MTF对应的序列点数为256。
为了保证分类中每个类别的数据均衡，故障信号数据集中每组数据等距选取2560时间点，在对照的无故障数据集中选取5120时间点。
3、标准数据集在网络中的表现
通过以上的信号采样后，对编码后的10分类样本图像数据集输入CapsNet进行训练，数据集分割为训练集和测试集的分割比例为8：2，通过交叉验证的方式分为5组。本实施例对GAF编码单通道、MTF编码单通道、GAFMTF编码双通道三种情况分别进行试验，试验结果如表2所示。
表2
在试验中可以发现，GAF编码的图像包含大量的振动信息，通过胶囊网络能够捕捉这些信息对故障类型进行识别。但MTF编码的图像准确率较低，对于这种情况，认为是由信息包含情况导致，MTF编码中使用概率作为原始振动信号的转换，在采样数据量不够大的情况下包含较少的准确信息，不足以让网络提取准确内容。GAF包含振动信号的静态信息，而MTF包含了振动的动态信息，所以在两通道的试验中取得了更准确的分类效果。
GAF编码方式完整的保存了原始振动信号中的信息，使模型的准确率得到保证；而MTF编码方式则有着更强的动态性能，其信息更多的包含了转动轴承故障工作时其振动信号的变化方式，增加了模型的泛化性。
4、其他编码方式和网络结构性能对比
用其他编码方式和网络进行试验并比较准确率。另外还有常用的编码方式有：时频图，短时傅里叶变换(STFT)，谱峭度图等；其他常用的网络结构有卷积神经网络(CNN)，比如VGGNet、ResNet。使用GAFMTF-CapsNet与其他方式进行比较，准确率对比如图11所示。
通过试验可以看出，本实施例提出的GAFMTF-CapsNet在与其他编码方式以及网络结构中取得较好成绩。在该设计提出的改进胶囊网络中，加入了深度小尺寸卷积核的卷积层和池化层，使得模型忽略了一部分不重要的特性，进而在一定程度上增加了模型的抗噪声能力，取得更好的试验效果。
本实施例采用格拉姆角场(GAF)编码和/或马尔可夫变迁场(MTF)编码将原始数据转换为二维图像，并将二维图像输入至故障诊断模型中，能够获得更加准确的故障诊断结果，且能够显著提高故障诊断模型的适用性，能够良好适用于任一个故障轴承。
实施例4：
本实施例用于提供一种故障诊断系统，如图12所示，所述诊断系统包括：
第二获取模块M5，用于获取待诊断故障特征信号序列；
第二转换模块M6，用于对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
诊断模块M7，用于以所述二维图像作为输入，利用故障诊断模型进行故障诊断。
实施例5：
本实施例用于提供一种非易失性的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1所述方法的步骤，或实现实施例3所述方法的步骤。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
此外，本领域技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (6)

1.一种故障诊断模型训练方法，其特征在于，所述训练方法包括：
获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；具体包括：
通过窗函数采样的方式，以至少一个预设序列长度对每一故障类型对应的采样序列进行截取，得到每一所述故障类型对应的训练用故障特征信号序列集；所述训练用故障特征信号序列集包括多个训练用故障特征信号序列；
对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；所述对所述训练用故障特征信号序列集进行二维编码具体包括：
利用GAF对所述训练用故障特征信号序列集中的第一训练用故障特征信号序列进行二维编码，得到训练用第一图像；利用MTF对所述训练用故障特征信号序列集中的第二训练用故障特征信号序列进行二维编码，得到训练用第二图像；所有所述训练用第一图像和所有所述训练用第二图像组成所述训练用故障特征信号序列集对应的训练用二维图像集；所述第一训练用故障特征信号序列和所述第二训练用故障特征信号序列为以相同或不同的预设序列长度对所述采样序列进行截取所得到的训练用故障特征信号序列；将GAF编码得到的训练用第一图像和MTF编码得到的训练用第二图像结合起来，将GAF编码得到的训练用第一图像作为胶囊网络输入图像的一个通道，将MTF编码得到的训练用第二图像作为胶囊网络输入图像的第二个通道，编码后的两个矩阵作为图像的两个通道输入改进后的胶囊网络中；
其中，所述第一训练用故障特征信号序列的序列点数小于所述第二训练用故障特征信号序列的序列点数；在利用MTF对所述训练用故障特征信号序列集中的第二训练用故障特征信号序列进行二维编码，得到训练用第二图像之后，所述训练方法还包括：采用模糊核对所述训练用第二图像进行处理，得到与所述训练用第一图像尺寸相同的训练用处理后图像，将所述训练用处理后图像作为新的训练用第二图像；
构建初始故障诊断模型；所述初始故障诊断模型采用改进后的胶囊网络；所述改进后的胶囊网络包括依次连接的输入层、卷积模块、胶囊网络和输出层；
所述卷积模块包括依次连接的第一卷积层、第二卷积层和池化层；所述胶囊网络包括依次连接的第三卷积层、低层胶囊层和数字胶囊层；输入到胶囊网络中的图像先通过3×3小卷积核的第一卷积层和3×3小卷积核的第二卷积层，并经过一层池化层压缩，再通过第三卷积层，并输入低层胶囊层，低层胶囊层有64个胶囊，每个胶囊有16个维度，再输入数字胶囊层，数字胶囊层有10个胶囊，分别对应10种故障类型；
利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
2.根据权利要求1所述的训练方法，其特征在于，所述利用GAF对所述训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第一图像具体包括：
对于所述训练用故障特征信号序列集中的每一训练用故障特征信号序列，对所述训练用故障特征信号序列进行归一化处理，得到训练用归一化后序列；
将所述训练用归一化后序列进行极坐标转换，得到训练用角度序列；
根据所述训练用角度序列构建格拉姆角场编码矩阵；
将所述格拉姆角场编码矩阵进行可视化，得到训练用第一图像。
3.根据权利要求1所述的训练方法，其特征在于，所述利用MTF对所述训练用故障特征信号序列集中的训练用故障特征信号序列进行二维编码，得到训练用第二图像具体包括：
对于所述训练用故障特征信号序列集中的每一训练用故障特征信号序列，将所述训练用故障特征信号序列划分为Q个区间；所述训练用故障特征信号序列中的每一个序列点均对应一个唯一的区间；
采用一阶马尔可夫链计算所述区间之间的转移概率，构建马尔可夫过渡矩阵；所述马尔可夫过渡矩阵为Q×Q矩阵；
根据所述马尔可夫过渡矩阵构建马尔可夫变迁矩阵；所述马尔可夫变迁矩阵为T×T矩阵；T为所述训练用故障特征信号序列所对应的序列点的个数；
将所述马尔可夫变迁矩阵进行可视化，得到训练用第二图像。
4.一种故障诊断模型训练系统，用于实现如权利要求1～3任一项所述的故障诊断模型训练方法，其特征在于，所述训练系统包括：
第一获取模块，用于获取多种故障类型中每一所述故障类型对应的训练用故障特征信号序列集；所述第一获取模块具体用于通过窗函数采样的方式，以至少一个预设序列长度对每一故障类型对应的采样序列进行截取，得到每一所述故障类型对应的训练用故障特征信号序列集；所述训练用故障特征信号序列集包括多个训练用故障特征信号序列；
第一转换模块，用于对所述训练用故障特征信号序列集进行二维编码，得到每一所述训练用故障特征信号序列集对应的训练用二维图像集；所有所述训练用二维图像集和每一所述训练用二维图像集对应的标签组成训练数据集；所述第一转换模块具体用于:
利用GAF对所述训练用故障特征信号序列集中的第一训练用故障特征信号序列进行二维编码，得到训练用第一图像；利用MTF对所述训练用故障特征信号序列集中的第二训练用故障特征信号序列进行二维编码，得到训练用第二图像；所有所述训练用第一图像和所有所述训练用第二图像组成所述训练用故障特征信号序列集对应的训练用二维图像集；所述第一训练用故障特征信号序列和所述第二训练用故障特征信号序列为以相同或不同的预设序列长度对所述采样序列进行截取所得到的训练用故障特征信号序列；将GAF编码得到的训练用第一图像和MTF编码得到的训练用第二图像结合起来，将GAF编码得到的训练用第一图像作为胶囊网络输入图像的一个通道，将MTF编码得到的训练用第二图像作为胶囊网络输入图像的第二个通道，编码后的两个矩阵作为图像的两个通道输入改进后的胶囊网络中；
构建模块，用于构建初始故障诊断模型；所述初始故障诊断模型采用改进后的胶囊网络；所述改进后的胶囊网络包括依次连接的输入层、卷积模块、胶囊网络和输出层；
所述卷积模块包括依次连接的第一卷积层、第二卷积层和池化层；所述胶囊网络包括依次连接的第三卷积层、低层胶囊层和数字胶囊层；输入到胶囊网络中的图像先通过3×3小卷积核的第一卷积层和3×3小卷积核的第二卷积层，并经过一层池化层压缩，再通过第三卷积层，并输入低层胶囊层，低层胶囊层有64个胶囊，每个胶囊有16个维度，再输入数字胶囊层，数字胶囊层有10个胶囊，分别对应10种故障类型；
训练模块，用于利用所述训练数据集对所述初始故障诊断模型进行训练，得到故障诊断模型。
5.一种故障诊断方法，其特征在于，所述诊断方法包括：
获取待诊断故障特征信号序列；
对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
以所述二维图像作为输入，利用故障诊断模型进行故障诊断；所述故障诊断模型为根据权利要求1～3任一项所述的故障诊断模型训练方法得到的。
6.一种故障诊断系统，其特征在于，所述诊断系统包括：
第二获取模块，用于获取待诊断故障特征信号序列；
第二转换模块，用于对所述待诊断故障特征信号序列进行二维编码，得到所述待诊断故障特征信号序列对应的二维图像；
诊断模块，用于以所述二维图像作为输入，利用故障诊断模型进行故障诊断；所述故障诊断模型为根据权利要求1～3任一项所述的故障诊断模型训练方法得到的。
CN202111060652.0A 2021-09-10 2021-09-10 故障诊断模型训练方法、系统及其诊断方法、系统 Active CN113780412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060652.0A CN113780412B (zh) 2021-09-10 2021-09-10 故障诊断模型训练方法、系统及其诊断方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060652.0A CN113780412B (zh) 2021-09-10 2021-09-10 故障诊断模型训练方法、系统及其诊断方法、系统

Publications (2)

Publication Number Publication Date
CN113780412A CN113780412A (zh) 2021-12-10
CN113780412B true CN113780412B (zh) 2024-01-30

Family

ID=78842455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060652.0A Active CN113780412B (zh) 2021-09-10 2021-09-10 故障诊断模型训练方法、系统及其诊断方法、系统

Country Status (1)

Country Link
CN (1) CN113780412B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266339B (zh) * 2021-12-13 2024-09-03 南京理工大学 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法
CN114252739B (zh) * 2021-12-24 2023-11-03 国家电网有限公司 配电网单相接地故障判别方法、系统、设备和存储介质
CN114325072B (zh) * 2022-03-14 2022-06-21 南昌航空大学 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
CN114595730A (zh) * 2022-03-31 2022-06-07 南京工业大学 基于gaf-drsn的滚动轴承故障诊断方法
CN115150131A (zh) * 2022-06-09 2022-10-04 广东技术师范大学 自适应网络拓扑变化的sfc故障诊断方法
CN115278871B (zh) * 2022-07-26 2024-04-26 河海大学 一种基于gasf和胶囊网络的nlos识别方法
CN115267461A (zh) * 2022-09-13 2022-11-01 重庆邮电大学 基于维度扩展的拉曼光谱及机器视觉的油纸绝缘老化诊断方法
CN116008756B (zh) * 2023-03-15 2023-06-09 国网福建省电力有限公司 电容式电压互感器绝缘故障诊断方法、系统、设备和介质
CN116719060B (zh) * 2023-08-04 2023-10-31 北京航空航天大学 基于信息融合的深度学习网络的紧组合导航故障检测方法
CN118194025B (zh) * 2024-05-15 2024-07-23 山东科技大学 基于迁移学习的燃料电池水故障诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134225A2 (en) * 2013-02-26 2014-09-04 Pronutria, Inc. Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN112000830A (zh) * 2020-08-26 2020-11-27 中国科学技术大学 一种时序数据检测方法及装置
CN112179654A (zh) * 2020-09-28 2021-01-05 西南交通大学 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法
CN112906813A (zh) * 2021-03-09 2021-06-04 中南大学 一种基于密度聚类和胶囊神经网络的浮选工况识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8537234B2 (en) * 2007-05-07 2013-09-17 DigitalOptics Corporation International Image restoration with enhanced filtering
US8498776B2 (en) * 2009-11-17 2013-07-30 GM Global Technology Operations LLC Fault diagnosis and prognosis using diagnostic trouble code markov chains

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134225A2 (en) * 2013-02-26 2014-09-04 Pronutria, Inc. Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN112000830A (zh) * 2020-08-26 2020-11-27 中国科学技术大学 一种时序数据检测方法及装置
CN112179654A (zh) * 2020-09-28 2021-01-05 西南交通大学 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法
CN112906813A (zh) * 2021-03-09 2021-06-04 中南大学 一种基于密度聚类和胶囊神经网络的浮选工况识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fault Diagnosis of High-Speed Train Bogie Based on Capsule Network;Lingling Chen 等;IEEE;6203-6211 *
Imaging Time-Series to Improve Classification and Imputation;ZhiguangWang 等;arXiv;第1-7页 *
基于混合时间序列卷积神经网络的轴承故障诊断;何强 等;组合机床与自动化加工技术;37-41+45 *

Also Published As

Publication number Publication date
CN113780412A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113780412B (zh) 故障诊断模型训练方法、系统及其诊断方法、系统
Hoang et al. Rolling element bearing fault diagnosis using convolutional neural network and vibration image
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN111323228B (zh) 一种基于时间序列映射与卷积神经网络的故障诊断方法
CN111582320B (zh) 一种基于半监督学习的动态个体识别方法
CN109657582B (zh) 人脸情绪的识别方法、装置、计算机设备及存储介质
CN110705525A (zh) 一种诊断滚动轴承故障的方法及装置
CN107643181B (zh) 一种基于图像识别的滚动轴承变工况故障诊断方法
CN114170184A (zh) 一种基于嵌入特征向量的产品图像异常检测方法及装置
CN117009770A (zh) 一种基于SDP和视觉Transformer编码的轴承故障诊断方法
Islam et al. Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal
JP7225731B2 (ja) 多変数データシーケンスの画像化
CN116610993A (zh) 轴承故障诊断方法、系统、设备及存储介质
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN118312879B (zh) 一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法
CN115392301A (zh) 换流变压器状态识别方法、装置、设备、介质和程序产品
CN116754231A (zh) 一种基于RegNet-SES的快速诊断滚动轴承故障方法
Xue et al. A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data
Lu et al. Rotating Machinery Fault Diagnosis Under Multiple Working Conditions via A Time Series Transformer Enhanced by Convolutional Neural Network
CN109165576B (zh) 一种运动状态识别方法及装置
CN118090211A (zh) 一种基于时频特征融合的电梯曳引机轴承故障诊断方法
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
Ahmed et al. Three-stage method for rotating machine health condition monitoring using vibration signals

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