CN113837071A - 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 - Google Patents

基于多尺度权重选择对抗网络的部分迁移故障诊断方法 Download PDF

Info

Publication number
CN113837071A
CN113837071A CN202111113786.4A CN202111113786A CN113837071A CN 113837071 A CN113837071 A CN 113837071A CN 202111113786 A CN202111113786 A CN 202111113786A CN 113837071 A CN113837071 A CN 113837071A
Authority
CN
China
Prior art keywords
domain
scale
fault diagnosis
class
mwsan
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
CN202111113786.4A
Other languages
English (en)
Other versions
CN113837071B (zh
Inventor
秦毅
钱泉
周弦
柏厚义
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202111113786.4A priority Critical patent/CN113837071B/zh
Publication of CN113837071A publication Critical patent/CN113837071A/zh
Application granted granted Critical
Publication of CN113837071B publication Critical patent/CN113837071B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，属于机械故障诊断技术领域。该方法包括：S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；S2：利用深度学习构建MDAN；S3：构建多尺度权重选择机制；S4：结合多尺度权重选择机制和MDAN构建MWSAN；S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。本发明提高了故障诊断的精度。

Description

基于多尺度权重选择对抗网络的部分迁移故障诊断方法
技术领域
本发明属于机械故障诊断技术领域，涉及一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法。
背景技术
近年来工业的发展对机械设备长时间安全可靠地运行要求越来越高，为了避免重大的经济损失和人身伤害，故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。故障诊断技术通过监视设备的运行状态，确定故障发生的位置并及时地排查安全隐患。因此为了防止灾难性的事故发生，加强机械设备的状态监测，及时准确地识别出故障显得尤为重要。轴承、齿轮、轴、转子等机械零件，其健康状态直接影响着整个旋转机械的稳定性，因此故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极重大的意义。
目前，迁移学习已经广泛应用于轴承、齿轮、轴、转子等机械零件的少样本无标签故障诊断中，并取得了良好的诊断精度。但是，这些迁移学习方法假设了源域和目标域的标签空间应该是一致的。在实际工业中，目标域可能是源域标签空间的一个子集，在这种情况下，这些传统的方法可能会导致负迁移，从而降低故障诊断的精度。
因此，亟需一种新的机械故障诊断方法来提高机械设备故障诊断的精度。
发明内容
有鉴于此，本发明的目的在于提供一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，结合多尺度域对抗网络结构和多尺度权重选择机制，用于解决机械设备故障诊断时部分迁移诊断问题，从而提高故障诊断的精度。
为达到上述目的，本发明提供如下技术方案：
一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，具体包括以下步骤：
S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；
S2：利用深度学习构建多尺度域对抗网络(Multiscale domain adversarialnetwork,MDAN)；
S3：构建多尺度权重选择机制；
S4：结合多尺度权重选择机制和MDAN构建多尺度权重选择对抗网络(Multi-scaleweight selection adversarial network，MWSAN)；
S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；
S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。
进一步，步骤S1中，利用滑动采样技术扩充故障样本数据集。
进一步，步骤S2构建的MDAN网络包括特征提取器Gf、多尺度分类器Gy和域分类器Gd；
所述特征提取器包括卷积层(Conv)、最大池化层(MaxPool)、BN层、全局平均池化层(GAP)和激活层(ReLU)；
所述多尺度分类器包括激活层、全连接层和Dropout层；
所述域判别器包括梯度反转层(GRL)、激活层(ReLU，Sigmoid)和全连接层(FC)。
进一步，步骤S3中，构建的多尺度权重选择机制包括实例权重和类权重；
(1)实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本
Figure BDA0003274753830000021
输入到MDAN中，得到第k个分类器的输出
Figure BDA0003274753830000022
Figure BDA0003274753830000023
Figure BDA0003274753830000024
Figure BDA0003274753830000025
其中，
Figure BDA0003274753830000026
表示第i个目标域样本
Figure BDA0003274753830000027
由特征提取器输出的特征向量；
Figure BDA0003274753830000028
表示第k个分类器的输出特征向量；Gf是特征提取器，Gy是多尺度分类器，σ(·)是Softmax函数；
Figure BDA0003274753830000029
是第k个分类器的Softmax输出，也是在源域标签空间的概率分布，看作是目标域样本
Figure BDA00032747538300000210
获得的实例权重，即
Figure BDA00032747538300000211
通过这个实例权重
Figure BDA00032747538300000212
这个源域中的公共类和异常类就可以被近似地区分；
(2)类别权重：在实际工业中，采集的原始振动信号中往往混杂大量的随机噪声，因此可以近似的假设这些样本服从高斯分布。考虑到不同类样本的分布差异是不一样，我们利用极大似然估计和高斯混合模型分别估计源域和目标域中每个类的高斯分布参数。为了加快计算速度，因此假设第k个分类器的输出
Figure BDA00032747538300000213
服从高斯分布
Figure BDA00032747538300000214
求解每个类别的概率密度函数
Figure BDA0003274753830000031
定义为：
Figure BDA0003274753830000032
其中，n为
Figure BDA0003274753830000033
的样本大小，u为均值，∑为方差
①对于有标签的源域样本，采用极大似然估计法去估计第c类的高斯分布
Figure BDA0003274753830000034
第c类的似然函数定义为：
Figure BDA0003274753830000035
其中，
Figure BDA0003274753830000036
和
Figure BDA0003274753830000037
表示源域中第c类的均值和方差；nse表示源域中第c类的样本大小，并满足：
Figure BDA0003274753830000038
然后，通过计算式(5)的偏微分，获得均值和方差的计算公式：
Figure BDA0003274753830000039
最后，重复式(5)～(7)，计算得到该源域所有类别
Figure BDA00032747538300000310
的高斯分布参数；
②对于无标签目标域样本，通过经典的高斯混合模型去近似评估目标域
Figure BDA00032747538300000311
类的高斯分布参数，其中第j个高斯成分表示为
Figure BDA00032747538300000312
此时，目标域获得的高斯成分的标签是未知的；利用Wasserstein距离去计算目标域中的高斯成分与源域中每个高斯分布之间的相似度；两个高斯分布
Figure BDA00032747538300000313
之间的Wasserstein距离被定义为：
Figure BDA00032747538300000314
通过式(8)，计算得到所有源域和目标域类别之间的Wasserstein距离，如图2所示；然后根据可迁移的前提条件，即在两个域之间的同种类别样本之间的分布差异是最小的；因此，越小的Wasserstein距离代表两个类别之间的相似性越大，这个第k个分类器的第i个目标域在源域标签空间的最大相似度
Figure BDA00032747538300000315
被定义为：
Figure BDA0003274753830000041
其次，第k个分类器的类别权重wck(i)通过式(10)计算得到：
Figure BDA0003274753830000042
最后，如图1所示，考虑所有K个分类器的权重融合，最后获得实列权重
Figure BDA0003274753830000043
和类别权重we，分别通过式(11)和(12)得到；
Figure BDA0003274753830000044
Figure BDA0003274753830000045
进一步，步骤S4中，构建的MWSAN网络损失函数包括多尺度分类损失函数Ly和域判别损失函数Ld，其计算公式为：
Figure BDA0003274753830000046
Figure BDA0003274753830000047
其中，
Figure BDA0003274753830000048
是多分类交叉熵损失函数，ns表示源域中所有类别的样本个数，nt表示目标域中所有的样本个数，
Figure BDA0003274753830000049
表示源域样本，yi表示源域样本标签，Gd表示域判别器。
进一步，步骤S5中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练，具体迭代过程为：
Figure BDA00032747538300000410
Figure BDA00032747538300000411
Figure BDA00032747538300000412
其中，选择RMSProp作为优化器，θf、θy、θd分别为特征提取器、多尺度分类器和域判别器的可训练参数；ε为学习率，λ为权衡参数；最后，通过网络的更新迭代，特征提取器获得域不变且可分的特征。
进一步，步骤S5中，经过多次迭代训练，观察损失曲线是否趋于平稳收敛，如果曲线收敛则MWSAN网络训练完成。
本发明的有益效果在于：本发明结合多尺度域对抗网络结构和多尺度权重选择机制构建一种新的多尺度权重选择对抗网络(MWSAN)，用于解决机械设备(如风机行星齿轮箱)故障诊断时部分迁移诊断问题，从而提高故障诊断的精度，并且本发明的MWSAN网络具有更高的迁移诊断精度和更强的鲁棒性和泛化能力
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为多尺度域对抗网络(MDAN)结构图；
图2为类别权重计算原理图；
图3为DDS试验台示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图2，本实施例提出一种基于多尺度权重选择对抗网络的风机行星齿轮箱的部分迁移故障诊断方法，具体包括以下步骤：
步骤1：在机械设备(如风机行星齿轮箱)上安装加速度传感器，采集不同工况下的原始振动信号，以便于构建后续的迁移诊断任务。然后，将采集到的原始振动信号利用滑动采样技术扩充故障样本数据集。
步骤2：利用深度学习框架构建好多尺度域对抗网络(MDAN)。
尺度域对抗网络结构如图1所示，它由特征提取器Gf、多尺度分类器Gy和域分类器Gd三部分组成。特征提取器的作用是基于对抗训练获得域不变且可分的特征，基于集成学习的理论，多尺度分类器相对于传统单个分类器可以有效抑制过拟合，增强模型的鲁棒性和泛化能力；域分类器是用于区分目标域和源域样本，因此，这个对抗训练体现在特征提取器和域分类器之间的博弈。为了加强该网络的鲁棒性，Dropout层也被引入多分类器结构中。其次，BN也被用于整个网络结构中抑制方差漂移和加速网络训练。该多尺度域对抗网络结构参数详细列举在表1，如表1所示，特征提取器主要由卷积层(Conv)、最大池化层(MaxPool)、BN层、全局平均池化层(GAP)和激活层(ReLU)构成；域判别器由梯度反转层(GRL)、激活层(ReLU，Sigmoid)和全连接层(FC)组成；而多尺度分类器由激活层、全连接层和Dropout层组成。
表1多尺度域对抗网络详细结构参数
Figure BDA0003274753830000061
步骤3：结合提出来的多尺度权重选择机制和多尺度域对抗网络构建多尺度权重选择对抗网络(MWSAN)。
其中，多尺度权重选择机制结构为：
该多尺度权重选择机制由实例权重和类权重构成，为了更好的理解该权重机制，我们以第k个分类器为例讲述。
实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本
Figure BDA00032747538300000718
输入到MDAN中，第k个分类器的输出可以通过式(1)～(3)计算得到：
Figure BDA0003274753830000071
Figure BDA0003274753830000072
Figure BDA0003274753830000073
其中，
Figure BDA0003274753830000074
表示第i个目标域样本
Figure BDA0003274753830000075
由特征提取器输出的特征向量；
Figure BDA0003274753830000076
表示第k个分类器的输出特征向量；Gf是特征提取器，Gy是多尺度分类器，σ(·)是softmax函数；
Figure BDA0003274753830000077
是第k个分类器的Softmax输出，也是在源域标签空间的概率分布，把这个得到的概率分布就看作是这个目标域样本获得的实例权重，即
Figure BDA0003274753830000078
通过这个实例权重
Figure BDA0003274753830000079
这个源域中的公共类和其他类就可以被近似地区分。
类别权重：在实际工业中，采集的原始振动信号中往往混杂大量的随机噪声，因此可以近似的假设这些样本服从高斯分布。考虑到不同类样本的分布差异是不一样，我们利用极大似然估计和高斯混合模型分别估计源域和目标域中每个类的高斯分布参数。为了加快计算速度，因此我们假设第k个分类器的输出
Figure BDA00032747538300000710
服从高斯分布
Figure BDA00032747538300000711
去求解每个类别的分布函数，这个概率密度函数定义为：
Figure BDA00032747538300000712
其中，n为
Figure BDA00032747538300000713
的样本大小，u为均值，∑为方差。
①对于源域样本是有标签的，因此，我们采用极大似然估计去估计第c类的高斯分布
Figure BDA00032747538300000714
这个第c类的似然函数可以被定义为：
Figure BDA00032747538300000715
其中，
Figure BDA00032747538300000716
和
Figure BDA00032747538300000717
表示源域中第c类的均值和方差；nse表示源域中第c类的样本大小，并满足：
Figure BDA0003274753830000081
然后，通过计算式(5)的偏微分，可以获得均值和方差的计算公式：
Figure BDA0003274753830000082
最后，重复式(5)～(7)，这个源域所有类别
Figure BDA0003274753830000083
的高斯分布参数都可以通过计算得到。
②对于无标签目标域样本，我们通过经典的高斯混合模型去近似评估目标域
Figure BDA0003274753830000084
类的高斯分布参数，其中第j个高斯成分表示为
Figure BDA0003274753830000085
此时，这些目标域获得的高斯成分的标签是未知的。我们用Wasserstein距离去计算目标域中的高斯成分与源域中每个高斯分布之间的相似度。两个高斯分布
Figure BDA0003274753830000086
之间的Wasserstein距离被定义为：
Figure BDA0003274753830000087
通过式(8)，所有源域和目标域类别之间的Wasserstein距离可以被计算得到，如图2所示。然后根据可迁移的前提条件，即在两个域之间的同种类别样本之间的分布差异是最小的；因此，越小的Wasserstein距离代表两个类别之间的相似性越大，这个第k个分类器的第i个目标域在源域标签空间的最大相似度可以被定义为：
Figure BDA0003274753830000088
其次，这第k个分类器的类别权重向量可以通过式(10)计算得到：
Figure BDA0003274753830000089
最后，如图1所示，考虑这所有K个分类器的权重融合，这个最后获得实列权重和类别可以分别通过式(11)和(12)得到。
Figure BDA0003274753830000091
Figure BDA0003274753830000092
步骤4：将划分好的的训练样本输入到构建好的MWSAN网络中，利用源域有标签样本分类损失函数(式13)和源域与目标域之间的域判别损失函数(式14)对该部分迁移诊断网络进行迭代优化训练。
结合上述的多尺度域对抗网络和多尺度权重选择机制，构建多尺度权重选择对抗网络(MWSAN)来进行部分迁移诊断。该网络损失函数由多尺度分类损失Ly和域判别损失Ld组成，其计算公式如下所示：
Figure BDA0003274753830000093
Figure BDA0003274753830000094
其中，K在本实施例中取值为3，
Figure BDA0003274753830000095
是多分类交叉熵损失函数。其次，上述这样设置，可以在很好的优化解决部分域自适应问题的同时，有效避免源域样本的负迁移。然后，在图1网络结构各部分参数(θf，θy，θd)可以被式(15)～(16)更新迭代：
Figure BDA0003274753830000096
Figure BDA0003274753830000097
Figure BDA0003274753830000098
其中，选择RMSProp作为优化器，θf、θy、θd分别为特征提取器、多尺度分类器和域判别器的可训练参数；ε为学习率，λ为权衡参数；最后，通过网络的更新迭代，特征提取器获得域不变且可分的特征。
步骤5：经过多次迭代训练，观察损失曲线是否趋于平稳收敛，如果曲线收敛则网络模型训练完成，训练好的迁移网络将用于不同工况下的行星齿轮箱部分迁移故障诊断。
下面的实验结果说明上述方法的有效性。
验证实验：本实验收集的齿轮原始振动信号来自DDS试验台，如图3所示。DDS试验台主要由电机、行星齿轮箱、平行齿轮箱及磁粉制动器五部分组成。不同工况信号可以通过磁粉制动器加载模拟获得。该行星齿轮箱共有五种健康信息：正常(NC)、表面磨损(SW)、齿根破裂(RC)、轮齿缺损(CT)、轮齿折断(MT)。加速度传感器A和B安装在行星齿轮箱上收集原始振动信号。通过上述不同工况和不同测点收集到的振动信号，可以建立六种部分迁移任务，如表2所示。
表2部分迁移诊断任务
Figure BDA0003274753830000101
对比实验：为了证明提出本发明基于多尺度权重选择对抗网络的部分迁移故障诊断方法的优越性，对比当前典型迁移学习网络模型，其实验结果如表3。通过表3的数据可以得出本发明提出的多尺度权重选择对抗网络(MWSAN)具有更高的迁移诊断精度和更强的鲁棒性和泛化能力。
表3跨工况部分迁移诊断
Figure BDA0003274753830000102
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于多尺度权重选择对抗网络的部分迁移故障诊断方法，其特征在于，该方法具体包括以下步骤：
S1：采集待测设备在不同工况下的原始振动信号，并扩充故障样本数据集，并将其分为训练样本和测试样本；
S2：利用深度学习构建多尺度域对抗网络(Multiscale domain adversarialnetwork,MDAN)；
S3：构建多尺度权重选择机制；
S4：结合多尺度权重选择机制和MDAN构建多尺度权重选择对抗网络(Multi-scaleweight selection adversarial network,MWSAN)；
S5：将步骤S1的训练样本输入到构建好的MWSAN中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练；
S6：将步骤S1的测试样本输入训练完成后的MWSAN，对待测设备进行部分迁移故障诊断。
2.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S1中，利用滑动采样技术扩充故障样本数据集。
3.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S2构建的MDAN网络包括特征提取器、多尺度分类器和域分类器；
所述特征提取器包括卷积层、最大池化层、BN层、全局平均池化层和激活层；
所述多尺度分类器包括激活层、全连接层和Dropout层；
所述域判别器包括梯度反转层、激活层和全连接层。
4.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S3中，构建的多尺度权重选择机制包括实例权重和类权重；
(1)实例权重：在MDAN通过有标签源域样本进行有标签训练后，然后将目标域样本
Figure FDA0003274753820000011
输入到MDAN中，得到第k个分类器的输出
Figure FDA0003274753820000012
Figure FDA0003274753820000013
Figure FDA0003274753820000014
Figure FDA0003274753820000015
其中，
Figure FDA0003274753820000016
代表第i个目标域样本
Figure FDA0003274753820000017
由特征提取器输出的特征向量；
Figure FDA0003274753820000018
表示第k个分类器的输出特征向量；Gf是特征提取器，Gy是多尺度分类器，σ(·)是softmax函数；
Figure FDA0003274753820000019
是第k个分类器的Softmax输出，也是在源域标签空间的概率分布，看作是目标域样本
Figure FDA0003274753820000021
获得的实例权重，即
Figure FDA0003274753820000022
(2)类别权重：假设第k个分类器的输出
Figure FDA0003274753820000023
服从高斯分布
Figure FDA0003274753820000024
求解每个类别的概率密度
Figure FDA0003274753820000025
定义为：
Figure FDA0003274753820000026
其中，n为
Figure FDA0003274753820000027
的样本大小，u为均值，∑为方差；
①对于有标签的源域样本，采用极大似然估计法去估计第c类的高斯分布
Figure FDA0003274753820000028
第c类的似然函数定义为：
Figure FDA0003274753820000029
其中，
Figure FDA00032747538200000210
和
Figure FDA00032747538200000211
表示源域中第c类的均值和方差；nsc表示源域中第c类的样本大小，并满足：
Figure FDA00032747538200000212
然后，通过计算式(5)的偏微分，获得均值和方差的计算公式：
Figure FDA00032747538200000213
最后，重复式(5)～(7)，计算得到该源域所有类别
Figure FDA00032747538200000214
的高斯分布参数；
②对于无标签目标域样本，通过经典的高斯混合模型去近似评估目标域
Figure FDA00032747538200000215
类的高斯分布参数，其中第j个高斯成分表示为
Figure FDA00032747538200000216
此时，目标域获得的高斯成分的标签是未知的；利用Wasserstein距离去计算目标域中的高斯成分与源域中每个高斯分布之间的相似度；两个高斯分布
Figure FDA00032747538200000217
之间的Wasserstein距离被定义为：
Figure FDA00032747538200000218
通过式(8)，计算得到所有源域和目标域类别之间的Wasserstein距离；第k个分类器的第i个目标域在源域标签空间的最大相似度
Figure FDA00032747538200000219
被定义为：
Figure FDA0003274753820000031
其次，第k个分类器的类别权重wck(i)通过式(10)计算得到：
Figure FDA0003274753820000032
最后，考虑所有K个分类器的权重融合，最后获得实列权重
Figure FDA0003274753820000033
和类别权重wc，分别通过式(11)和(12)得到；
Figure FDA0003274753820000034
Figure FDA0003274753820000035
5.根据权利要求4所述的部分迁移故障诊断方法，其特征在于，步骤S4中，构建的MWSAN网络损失函数包括多尺度分类损失函数Ly和域判别损失函数Ld，其计算公式为：
Figure FDA0003274753820000036
Figure FDA0003274753820000037
其中，
Figure FDA0003274753820000038
是多分类交叉熵损失函数，ns表示源域中所有类别的样本个数，nt表示目标域中所有的样本个数，
Figure FDA0003274753820000039
表示源域样本，yi表示源域样本标签，Gd表示域判别器。
6.根据权利要求5所述的部分迁移故障诊断方法，其特征在于，步骤S5中，利用多尺度分类损失函数和域判别损失函数对MWSAN进行迭代优化训练，具体迭代过程为：
Figure FDA00032747538200000310
Figure FDA00032747538200000311
Figure FDA00032747538200000312
其中，θf、θy、θd分别为特征提取器、多尺度分类器和域判别器的可训练参数；ε为学习率，λ为权衡参数。
7.根据权利要求1所述的部分迁移故障诊断方法，其特征在于，步骤S5中，经过多次迭代训练，观察损失曲线是否趋于平稳收敛，如果曲线收敛则MWSAN网络训练完成。
CN202111113786.4A 2021-09-23 2021-09-23 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 Active CN113837071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111113786.4A CN113837071B (zh) 2021-09-23 2021-09-23 基于多尺度权重选择对抗网络的部分迁移故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111113786.4A CN113837071B (zh) 2021-09-23 2021-09-23 基于多尺度权重选择对抗网络的部分迁移故障诊断方法

Publications (2)

Publication Number Publication Date
CN113837071A true CN113837071A (zh) 2021-12-24
CN113837071B CN113837071B (zh) 2024-02-02

Family

ID=78969114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111113786.4A Active CN113837071B (zh) 2021-09-23 2021-09-23 基于多尺度权重选择对抗网络的部分迁移故障诊断方法

Country Status (1)

Country Link
CN (1) CN113837071B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420490A (zh) * 2022-09-01 2022-12-02 重庆大学 基于关系迁移域泛化网络的机械故障智能诊断方法
CN116383757A (zh) * 2023-03-09 2023-07-04 哈尔滨理工大学 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法
CN116842393A (zh) * 2023-08-30 2023-10-03 腾讯科技（深圳）有限公司 一种数据预测方法、模型训练方法及相关装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137898A1 (en) * 2009-12-07 2011-06-09 Xerox Corporation Unstructured document classification
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
CN110532568A (zh) * 2019-09-05 2019-12-03 哈尔滨理工大学 基于树特征选择和迁移学习的汉语词义消歧方法
CN111898634A (zh) * 2020-06-22 2020-11-06 西安交通大学 一种基于深度对抗域自适应的智能故障诊断方法
EP3767536A1 (en) * 2019-07-17 2021-01-20 Naver Corporation Latent code for unsupervised domain adaptation
AU2020103681A4 (en) * 2020-11-26 2021-02-04 Anhui University Of Technology Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value
WO2021097774A1 (en) * 2019-11-21 2021-05-27 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for multi-source domain adaptation for semantic segmentation
CN112906644A (zh) * 2021-03-22 2021-06-04 重庆大学 基于深度迁移学习的机械故障智能诊断方法
CN113239801A (zh) * 2021-05-13 2021-08-10 北京阿叟阿巴科技有限公司 基于多尺度特征学习和多级域对齐的跨域动作识别方法
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137898A1 (en) * 2009-12-07 2011-06-09 Xerox Corporation Unstructured document classification
CN109800700A (zh) * 2019-01-15 2019-05-24 哈尔滨工程大学 一种基于深度学习的水下声信号目标分类识别方法
EP3767536A1 (en) * 2019-07-17 2021-01-20 Naver Corporation Latent code for unsupervised domain adaptation
CN110532568A (zh) * 2019-09-05 2019-12-03 哈尔滨理工大学 基于树特征选择和迁移学习的汉语词义消歧方法
WO2021097774A1 (en) * 2019-11-21 2021-05-27 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for multi-source domain adaptation for semantic segmentation
CN111898634A (zh) * 2020-06-22 2020-11-06 西安交通大学 一种基于深度对抗域自适应的智能故障诊断方法
AU2020103681A4 (en) * 2020-11-26 2021-02-04 Anhui University Of Technology Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value
CN112906644A (zh) * 2021-03-22 2021-06-04 重庆大学 基于深度迁移学习的机械故障智能诊断方法
CN113239801A (zh) * 2021-05-13 2021-08-10 北京阿叟阿巴科技有限公司 基于多尺度特征学习和多级域对齐的跨域动作识别方法
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JINYANG JIAO等: "Multi-Weight Domain Adversarial Network for Partial-Set Transfer Diagnosis", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》, vol. 69, no. 4, pages 4275 - 4284 *
QUAN QIAN等: "A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis", 《MEASUREMENT》, vol. 178, pages 109352 *
QUAN QIAN等: "An enhanced deep joint distribution alignment mechanism for planetary gearbox fault transfer diagnosis", 《2023 PROGNOSTICS AND HEALTH MANAGEMENT CONFERENCE (PHM)》, pages 90 - 94 *
QUAN QIAN等: "Partial Transfer Fault Diagnosis by Multiscale Weight-Selection Adversarial Network", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》, vol. 27, no. 6, pages 4798 - 4806 *
WEIHUA LI等: "A Novel Weighted Adversarial Transfer Network for Partial Domain Fault Diagnosis of Machinery", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 17, no. 3, pages 1753 - 1762, XP011825197, DOI: 10.1109/TII.2020.2994621 *
倪超等: "基于特征迁移和实例迁移的跨项目缺陷预测方法", 《软件学报》, vol. 30, no. 05, pages 1308 - 1329 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420490A (zh) * 2022-09-01 2022-12-02 重庆大学 基于关系迁移域泛化网络的机械故障智能诊断方法
CN116383757A (zh) * 2023-03-09 2023-07-04 哈尔滨理工大学 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法
CN116383757B (zh) * 2023-03-09 2023-09-05 哈尔滨理工大学 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法
CN116842393A (zh) * 2023-08-30 2023-10-03 腾讯科技（深圳）有限公司 一种数据预测方法、模型训练方法及相关装置

Also Published As

Publication number Publication date
CN113837071B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Jiao et al. A multivariate encoder information based convolutional neural network for intelligent fault diagnosis of planetary gearboxes
Zhao et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains
CN113837071B (zh) 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
CN102112933B (zh) 异常检测方法及系统
Li et al. Multi-sensor data-driven remaining useful life prediction of semi-observable systems
Zhao et al. Deep multi-scale separable convolutional network with triple attention mechanism: A novel multi-task domain adaptation method for intelligent fault diagnosis
CN113065581B (zh) 基于参数共享对抗域自适应网络的振动故障迁移诊断方法
CN104792530A (zh) 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
Zhu et al. Decoupled feature-temporal CNN: Explaining deep learning-based machine health monitoring
CN112633339A (zh) 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Si et al. Learn generalized features via multi-source domain adaptation: Intelligent diagnosis under variable/constant machine conditions
Liang et al. A deep capsule neural network with data augmentation generative adversarial networks for single and simultaneous fault diagnosis of wind turbine gearbox
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
Wei et al. WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network
CN113239610A (zh) 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Senanayaka et al. Similarity-based multi-source transfer learning approach for time series classification
CN113778811A (zh) 基于深度卷积迁移学习软件系统故障监测方法及系统
Li et al. Two-dimensional composite multi-scale time–frequency reverse dispersion entropy-based fault diagnosis for rolling bearing
Afia et al. Gearbox fault diagnosis using REMD, EO and machine learning classifiers
CN115935187B (zh) 基于核敏感度对齐网络的变工况下机械故障诊断方法

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