CN113869286A - 一种自适应多任务智能故障诊断模型及故障诊断方法 - Google Patents

一种自适应多任务智能故障诊断模型及故障诊断方法 Download PDF

Info

Publication number
CN113869286A
CN113869286A CN202111447512.9A CN202111447512A CN113869286A CN 113869286 A CN113869286 A CN 113869286A CN 202111447512 A CN202111447512 A CN 202111447512A CN 113869286 A CN113869286 A CN 113869286A
Authority
CN
China
Prior art keywords
fault diagnosis
model
network
adaptive multi
task
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
CN202111447512.9A
Other languages
English (en)
Other versions
CN113869286B (zh
Inventor
李思敏
秋勇涛
刘友江
贺寓东
杨大龙
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.)
Institute of Electronic Engineering of CAEP
Original Assignee
Institute of Electronic Engineering of CAEP
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 Institute of Electronic Engineering of CAEP filed Critical Institute of Electronic Engineering of CAEP
Priority to CN202111447512.9A priority Critical patent/CN113869286B/zh
Publication of CN113869286A publication Critical patent/CN113869286A/zh
Application granted granted Critical
Publication of CN113869286B publication Critical patent/CN113869286B/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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本发明属于智能故障诊断领域，本发明公开了一种自适应多任务智能故障诊断模型及故障诊断方法，模型通过设置相关辅助任务作为正则项，在增加较少训练参数的条件下提升了主任务的性能和稳定性；该模型设置双路故障诊断网络能够同时对输入信号的时域信息和频域信息进行特征提取，更有效地挖掘隐藏在信号中的故障特性，提升模型的可鉴别特征提取能力；该模型结合注意力机制对噪声信号或冗余特征进行自适应分析提取，有利于抑制不同工况下噪声对输入信号的干扰，提升了模型的泛化能力和准确性。本发明公开的智能故障诊断模型极大减轻了故障诊断对人力物力的消耗，有效支撑工业一体化进程对高可靠、无人化的应用需求具有较强的通用性。

Description

一种自适应多任务智能故障诊断模型及故障诊断方法
技术领域
本发明属于智能故障诊断领域，尤其涉及一种自适应多任务智能故障诊断模型及故障诊断方法。
背景技术
随着工业一体化进程的发展，设备的功能和组件结构越来越复杂，组件之间的联系越来越密切。现实生产中由于设备受各种复杂运行因素（自身磨损、外部环境）的影响，因此其性能和系统的状态会随着使用时间的增加而逐渐退化，若其中某一重要零件损坏，极有可能造成设备无法正常工作甚至引发事故，因此需要对设备进行实时监测和故障诊断。
近年来，随着传感器技术、计算机技术和网络技术的迅猛发展，机器学习已被越来越多地被应用于故障检测与诊断技术中，目前基于机器学习的智能故障诊断方法主要又分为传统智能故障诊断方法和基于深度学习的智能故障诊断方法，其中传统智能故障诊断方法主要是通过提取手工设计的时域或者频域信号标量特征，将特征送入浅层分类模型（如支持向量机、K近邻分类器等）中进行设备工作状态识别，这种方法存在以下两点不足：（1）基于人为设计的浅层特征提取方式难以充分反映实际工作信号的复杂性和非线性，在面对较为复杂工况时，人为设计特征的泛化能力和表达能力受限；（2）将特征提取与故障识别孤立为两个阶段，不利于直接提取最有效的特征；基于深度学习的智能故障诊断方法具有强大的数据挖掘能力与自适应特征提取能力，无需先验信息和精确的数学模型即可直接从原始数据中提取最具分辨力的特征，克服了传统智能诊断的内在缺陷，因而逐渐成为工业界和学术界的研究热点，然而，现有的基于深度学习的智能故障诊断方法仍存在以下缺陷：（1）仅利用单一信号，即时域信号或频域信号其中的一种作为深度模型的输入，不能充分挖掘信号的多域特征信息；（2）实际不同工作环境下存在不同程度的噪声干扰，故障诊断模型的泛化能力和可迁移性较差；（3）数据量较大时特征存在较多冗余信息容易干扰故障识别结果。
因此，亟需一种新的智能故障诊断方法，该方法能够克服现有的基于深度学习的智能故障诊断方法存在的缺陷。
发明内容
有鉴于此，本发明提供一种自适应多任务智能故障诊断模型及故障诊断方法，该故障诊断模型能够同时对输入信号的时域信息和频域信息进行特征提取，并结合注意力机制对噪声信号或冗余特征进行自适应分析提取，通过多任务协同优化达到复杂工况条件下的精准故障诊断效果。
为达此目的，本发明采用以下技术方案：一种自适应多任务智能故障诊断模型，所述模型包括：两路并行的故障诊断网络和主任务处理网络；
其中，所述两路并行的故障诊断网络分别为时域信号故障诊断网络和频域信号故障诊断网络；每一路故障诊断网络均包括注意力网络、特征提取网络和辅助任务处理网络，按照信号处理的顺序，注意力网络、特征提取网络和辅助任务处理网络依次连接；所述主任务处理网络只有一路，连接在两路并行的故障诊断网络的特征提取网络之后；所述自适应多任务智能故障诊断模型采用多任务联合优化训练方法进行训练而成。
优选的，所述注意力网络包括两层全连接层，其中第一层全连接层将输入信号向量进行降维，第二层全连接层将降维后的向量重新升回原来的维度。
优选的，所述特征提取网络包括：卷积神经网络、堆叠式自编码器和全连接网络中任意一种或多种。
优选的，所述卷积神经网络由多层卷积层组成，每一层卷积层均包括卷积操作模块、批量正则化模块和激活函数模块。
优选的，所述辅助任务处理网络为两层全连接层，辅助任务处理网络利用
Figure 959158DEST_PATH_IMAGE001
函数分别实现基于时域特征和频域特征的设备健康状态识别。
优选的，所述主任务处理网络包括时域和频域特征向量深度融合模块、主任务处理全连接层和故障诊断分类诊断模块。
优选的，所述主任务处理全连接层利用
Figure 958338DEST_PATH_IMAGE002
函数实现基于时频域融合特 征的设备健康状态识别。
一种自适应多任务智能故障诊断方法，所述方法包括：
S1：建立如上所述的自适应多任务智能故障诊断模型；
S2：利用待诊断设备的训练集对上述自适应多任务智能故障诊断模型进行多任务联合训练，求解得到模型中的未知参数；
S3：利用测试集，对自适应多任务智能故障诊断模型进行测试，若测试正确率达到预定要求，执行步骤S4；若测试正确率不满足预定要求，则继续对自适应多任务智能故障诊断模型进行优化训练，直至测试正确率满足预定要求，并执行步骤S4；
S4：利用训练完成的自适应多任务智能故障诊断模型，进行设备工作状态判断和 评估，诊断过程包括：首先利用传感器采集待诊断设备运行过程中的信号数据；接着对采集 的信号数据进行长度截取，并对截取后的时域信号
Figure 711530DEST_PATH_IMAGE003
进行傅里叶变换生成其对应的频域信 号向量
Figure 592899DEST_PATH_IMAGE004
；最后以时域信号
Figure 824160DEST_PATH_IMAGE003
和频域信号
Figure 474584DEST_PATH_IMAGE004
作为自适应多任务智能故障诊断模型输入进 行设备工作状态判断和评估。
本发明的有益效果是：本发明公开的自适应多任务智能故障诊断模型为基于注意力机制的多任务联合优化训练的自适应智能故障诊断模型，该模型通过设置相关辅助任务作为正则项，在增加较少训练参数的条件下提升了主任务的性能和稳定性，该模型能够同时对输入信号的时域信息和频域信息进行特征提取，更有效地挖掘隐藏在信号中的故障特性，提升模型的可鉴别特征提取能力；该模型结合注意力机制对噪声信号或冗余特征进行自适应分析提取，有利于抑制不同工况下噪声对输入信号的干扰，提升了模型的泛化能力和准确性，利用该模型进行故障诊断操作无需依赖专业人员的任何手工特征提取操作及复杂先进信号处理技术，直接利用原始信号的时域信息和频域信息进行端到端的特征挖掘与故障识别，极大减轻了对人力物力的消耗，可有效支撑工业一体化进程对高可靠、无人化的应用需求，除此之外，本发明提供的自适应多任务智能故障诊断模型通用性强，可针对多种设备开展故障诊断。
附图说明
图1 为本发明实施例中的自适应多任务智能故障诊断模型的结构示意图；
图2为本发明实施例中利用10种轴承数据测试集进行模型测试时，不同噪声条件下的测试集的准确率曲线。
具体实施方式
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
下面结合附图和具体实施例对本发明进行详细说明。
一种如图1所示的自适应多任务智能故障诊断模型，所述模型包括：两路并行的故障诊断网络和主任务处理网络；其中，所述两路并行的故障诊断网络分别为时域信号故障诊断网络和频域信号故障诊断网络；每一路故障诊断网络均包括注意力网络、特征提取网络和辅助任务处理网络，按照信号处理的顺序，注意力网络、特征提取网络和辅助任务处理网络依次连接；所述主任务处理网络只有一路，连接在两路并行的故障诊断网络的特征提取网络之后；所述自适应多任务智能故障诊断模型采用多任务联合优化训练方法进行训练而成。
上述两路故障诊断网络中的注意力网络分别为时域注意力网络
Figure 398678DEST_PATH_IMAGE005
和频域注意力 网络
Figure 32921DEST_PATH_IMAGE006
，其中时域信号向量
Figure 67873DEST_PATH_IMAGE003
输入时域注意力网络
Figure 572804DEST_PATH_IMAGE005
，频域信号向量
Figure 667799DEST_PATH_IMAGE004
输入频域注意力 网络
Figure 523760DEST_PATH_IMAGE006
中，每个注意力网络均包括两层全连接层，其中第一层全连接层将输入信号向量降 维，第二层全连接层将降维后的向量重新升回原来的维度，从而得到每个注意力网络的自 适应权重向量
Figure 96823DEST_PATH_IMAGE007
和
Figure 721840DEST_PATH_IMAGE008
。注意力网络的目的在于有效实现对原始信号时域信息和频域信息 特征的自适应提取，滤除噪声或其他冗余信息的干扰，得到更具类别特性的输出。
通过时域注意力网络
Figure 984806DEST_PATH_IMAGE005
和频域注意力网络
Figure 62484DEST_PATH_IMAGE006
后，进行了自适应提取后的输出分 别为：
Figure 704818DEST_PATH_IMAGE009
Figure 184341DEST_PATH_IMAGE010
其中
Figure 621138DEST_PATH_IMAGE003
为输入的时域信号，
Figure 186112DEST_PATH_IMAGE004
为输入的频域信号，
Figure 100978DEST_PATH_IMAGE007
和
Figure 700587DEST_PATH_IMAGE008
分别为时域注意力网 络
Figure 42706DEST_PATH_IMAGE005
和频域注意力网络
Figure 94976DEST_PATH_IMAGE006
的自适应权重，
Figure 813533DEST_PATH_IMAGE011
和
Figure 267648DEST_PATH_IMAGE012
分别为时域信号和频域信号的自适应 信号特征，符号
Figure 46249DEST_PATH_IMAGE013
表示两向量中元素对应相乘。
接着通过注意力网络提出的自适应信号特征输入特征提取网络中，特征提取网络 一般为卷积神经网络、堆叠式自编码器和全连接网络中的任意一种或者组合。作为一种实 施例，此处特征提取网络为卷积神经网络，根据实际需求设置该卷积神经网络为三层卷积 层，这里卷积神经网络的层数可根据实际处理的信号进行调整。每一层卷积层均包括卷积 操作模块、批量正则化模块和激活函数模块，即每一个卷积层的基本操作
Figure 585814DEST_PATH_IMAGE014
包括卷 积操作
Figure 108063DEST_PATH_IMAGE015
、批量正则化
Figure 416684DEST_PATH_IMAGE016
和激活函数
Figure 380834DEST_PATH_IMAGE017
，其表达式分别如下：
Figure 142117DEST_PATH_IMAGE018
其中
Figure 468056DEST_PATH_IMAGE019
和
Figure 631184DEST_PATH_IMAGE020
分别为该卷积层的待学习卷积核参数及偏置参数，
Figure 548324DEST_PATH_IMAGE021
表示卷积层的非线性激活函数，u，p，h为中间变量，
Figure 62482DEST_PATH_IMAGE003
为输入。上 述自适应信号特征
Figure 926533DEST_PATH_IMAGE011
和
Figure 944168DEST_PATH_IMAGE012
分别经过三个上述的卷积层基本操作
Figure 501051DEST_PATH_IMAGE022
，即可得到较深 层次的时域特征
Figure 236926DEST_PATH_IMAGE023
和频域特征
Figure 639088DEST_PATH_IMAGE024
；
之后，将深层次的时域特征
Figure 776808DEST_PATH_IMAGE023
和频域特征
Figure 504593DEST_PATH_IMAGE024
输入辅助任务处理网络中，作为 一种实施例辅助任务处理网络为两层全连接层，最后一层全连接层采用
Figure 462185DEST_PATH_IMAGE002
函数 实现基于时域特征和频域特征的设备健康状态的分类识别，分别输出对应的设备健康状态 诊断结果：
Figure 933617DEST_PATH_IMAGE025
其中，
Figure 925844DEST_PATH_IMAGE023
和
Figure 558951DEST_PATH_IMAGE024
分别为卷积神经网络输出的更深层次的时域特征和频域特征， （
Figure 266488DEST_PATH_IMAGE026
，
Figure 10453DEST_PATH_IMAGE027
，
Figure 857186DEST_PATH_IMAGE019
，
Figure 926774DEST_PATH_IMAGE020
）是时域辅助任务处理全连接层第一层和第二层的权重参数和偏置参数， （
Figure 858958DEST_PATH_IMAGE028
，
Figure 672193DEST_PATH_IMAGE029
，
Figure 639012DEST_PATH_IMAGE030
，
Figure 613921DEST_PATH_IMAGE031
）为频域全连接层第一层和第二层的权重参数和偏置参数，
Figure 298980DEST_PATH_IMAGE032
和
Figure 650327DEST_PATH_IMAGE033
分别 为辅助分类任务中基于时域卷积特征与频域卷积特征进行健康状态识别的预测结果。
同时，将深层次的时域特征
Figure 471653DEST_PATH_IMAGE023
和频域特征
Figure 617463DEST_PATH_IMAGE024
输入主任务处理网络中，主任务 处理网络包括时域和频域特征向量深度融合模块、主任务处理全连接层和故障诊断分类诊 断模块。首先主任务处理网络将时域卷积特征
Figure 524239DEST_PATH_IMAGE023
和频域特征
Figure 679277DEST_PATH_IMAGE024
进行向量拼接得到时 频融合特征
Figure 355109DEST_PATH_IMAGE034
，之后以融合特征作为主任务处理全连接层的输入，利用
Figure 937400DEST_PATH_IMAGE002
函数实现基于信号时频域融合特征的健康状态识别，最后输出时频域融合特 征对应的设备健康状态诊断结果：
Figure 128210DEST_PATH_IMAGE035
其中
Figure 824289DEST_PATH_IMAGE036
分别为主任务处理全连接层的第一层和第二层 的权重参数和偏置参数，
Figure 620207DEST_PATH_IMAGE037
是拼接得到的时频融合特征
Figure 373399DEST_PATH_IMAGE034
经过第一层 全连接层后得到的深度时频融合特征，
Figure 192451DEST_PATH_IMAGE038
是经过第二层全连接层和激活函数后得到主任 务的故障诊断预测标签。
每次利用上述自适应多任务智能故障诊断模型对不同的设备进行故障诊断时，需 要进行模型训练和测试。对自适应多任务智能故障诊断模型训练的过程即为求解上述各任 务权重参数和偏置参数的过程，求解上述各任务权重参数和偏置参数的原则为最小化总损 失函数
Figure 689291DEST_PATH_IMAGE039
的原则。本实施例中总损失函数
Figure 339715DEST_PATH_IMAGE039
为两个辅助任务损失函数
Figure 263809DEST_PATH_IMAGE040
与一个主任 务损失函数
Figure 632474DEST_PATH_IMAGE041
的线性加权和：
Figure 667426DEST_PATH_IMAGE042
其中
Figure 172356DEST_PATH_IMAGE043
代表整个神经网络模型的全部权重参数及偏置参数，
Figure 267351DEST_PATH_IMAGE044
为对应各任务的权重，
Figure 857733DEST_PATH_IMAGE045
和
Figure 696376DEST_PATH_IMAGE046
分别表示训练样本总数和故障类别总数，
Figure 321392DEST_PATH_IMAGE047
和
Figure 384026DEST_PATH_IMAGE048
分别表示 第
Figure 461703DEST_PATH_IMAGE047
个训练样本和第
Figure 38791DEST_PATH_IMAGE048
个故障类别，
Figure 518314DEST_PATH_IMAGE049
是第
Figure 751849DEST_PATH_IMAGE050
个训练样本的真实类别标签，
Figure 316822DEST_PATH_IMAGE051
表示括 号中表达式为真返回函数值1，否则返回函数值0，
Figure 497268DEST_PATH_IMAGE052
表示任务
Figure 300139DEST_PATH_IMAGE053
中第
Figure 907838DEST_PATH_IMAGE050
个训练样本 的分类预测结果中第
Figure 694528DEST_PATH_IMAGE048
个输出神经元的激活值。
一种自适应多任务智能故障诊断方法，所述方法包括：
S1：建立如上所述的自适应多任务智能故障诊断模型；
S2：利用待诊断设备的训练集对上述自适应多任务智能故障诊断模型进行多任务联合训练，求解得到模型中的未知参数；
S3：利用测试集，对自适应多任务智能故障诊断模型进行测试，若测试正确率达到预定要求，执行步骤S4；若测试正确率不满足预定要求，则继续对自适应多任务智能故障诊断模型进行优化训练，直至测试正确率满足预定要求，并执行步骤S4；
S4：利用训练完成的自适应多任务智能故障诊断模型，进行设备工作状态判断和 评估，诊断过程包括：首先利用传感器采集待诊断设备运行过程中的信号数据；接着对采集 的信号数据进行长度截取，并对截取后的时域信号
Figure 475402DEST_PATH_IMAGE003
进行傅里叶变换生成其对应的频域信 号向量
Figure 929517DEST_PATH_IMAGE004
；最后以时域信号
Figure 708118DEST_PATH_IMAGE003
和频域信号
Figure 982104DEST_PATH_IMAGE004
作为自适应多任务智能故障诊断模型输入进 行设备工作状态判断和评估。
本实施例中利用美国凯斯西储大学的滚动轴承数据集，验证本发明公开的自适应多任务智能故障诊断模型的有效性。
滚动轴承数据集包括10种不同的工作状态，分别为：正常，内圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)，滚动体故障(故障程度分别为：0.1778、0.3556、0.5334mm)和外圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)；测试时，振动传感器安装于被测轴承的附近，利用4种不同负载(0、1、2、3hp)下采集每种健康状态的数据，采样频率为12kHz。
之后对采集到的数据采用合适的长度截取，截取后的时域信号长度为1024，对每 段信号进行快速傅里叶变换，得到样本
Figure 504352DEST_PATH_IMAGE054
，对所有样本随机选取70%作为训练集， 剩余30%作为测试集。采用本发明公开的自适应多任务智能故障诊断模型，设置两个辅助任 务损失函数的权重系数为
Figure 812974DEST_PATH_IMAGE055
，主任务损失函数的权重系数为
Figure 965738DEST_PATH_IMAGE056
，训练 优化器选取为Adam，迭代次数（Epoch）设置为50，批量大小（Batch size）为64。将训练集中 的所有训练样本和对应工作状态标签送入自适应多任务智能故障诊断模型中进行参数优 化训练，再对测试集样本进行工作状态预测，经过十次随机试验得到平均训练准确率100%、 平均测试准确率99.13%的结果。可以看出，本发明提供的模型能够应用于滚动轴承故障诊 断，有效并自适应地提取到每种健康状态的特征，进而达到良好的分类效果。为了证明本发 明所提供模型的抗噪声性能，对原始信号加入不同信噪比的噪声，得到的分类效果如图2所 示，可以看到，本发明能够准确地对轴承的健康状态进行诊断，即使在外部噪声较大的条件 下仍能保持较稳定的分类性能，具有较强的抗造性和鲁棒性，更有利于适应实际复杂的工 作环境。

Claims (8)

1.一种自适应多任务智能故障诊断模型，其特征在于，所述模型包括：两路并行的故障诊断网络和主任务处理网络；
所述两路并行的故障诊断网络分别为时域信号故障诊断网络和频域信号故障诊断网络；每一路故障诊断网络均包括注意力网络、特征提取网络和辅助任务处理网络，且按照信号处理的顺序，所述注意力网络、特征提取网络和辅助任务处理网络依次顺序连接；
所述主任务处理网络只有一路，连接在两路并行的故障诊断网络中的特征提取网络之后；
所述自适应多任务智能故障诊断模型采用多任务联合优化训练方法进行训练。
2.根据权利要求1所述的自适应多任务智能故障诊断模型，其特征在于，所述注意力网络包括两层全连接层，其中第一层全连接层将输入信号向量进行降维，第二层全连接层将降维后的向量重新升回原来的维度。
3.根据权利要求1所述的自适应多任务智能故障诊断模型，其特征在于，所述特征提取网络包括：卷积神经网络、堆叠式自编码器和全连接网络中任意一种或多种。
4.根据权利要求3所述的自适应多任务智能故障诊断模型，其特征在于，所述卷积神经网络由多层卷积层组成，每一层卷积层均包括卷积操作模块、批量正则化模块和激活函数模块。
5.根据权利要求1所述的自适应多任务智能故障诊断模型，其特征在于，所述辅助任务 处理网络为两层全连接层，辅助任务处理网络利用
Figure 519177DEST_PATH_IMAGE001
函数分别实现基于时域特 征和频域特征的设备健康状态识别。
6.根据权利要求1所述的自适应多任务智能故障诊断模型，其特征在于，所述主任务处理网络包括时域和频域特征向量深度融合模块、主任务处理全连接层和故障诊断分类诊断模块。
7.根据权利要求6所述的自适应多任务智能故障诊断模型，其特征在于，所述主任务处 理全连接层利用
Figure 374000DEST_PATH_IMAGE001
函数实现基于时频域融合特征的设备健康状态识别。
8.一种自适应多任务智能故障诊断方法，其特征在于，所述方法包括：
S1：建立如权利要求1所述的自适应多任务智能故障诊断模型；
S2：利用待诊断设备的训练集对上述自适应多任务智能故障诊断模型进行多任务联合训练，求解得到模型中的未知参数；
S3：利用测试集，对自适应多任务智能故障诊断模型进行测试，若测试正确率达到预定要求，执行步骤S4；若测试正确率不满足预定要求，则继续对自适应多任务智能故障诊断模型进行优化训练，直至测试正确率满足预定要求，并执行步骤S4；
S4：利用训练完成的自适应多任务智能故障诊断模型，进行设备工作状态判断和评估， 诊断过程包括：首先利用传感器采集待诊断设备运行过程中的信号数据；接着对采集的信 号数据进行长度截取，并对截取后的时域信号
Figure 357000DEST_PATH_IMAGE002
进行傅里叶变换生成其对应的频域信号向 量
Figure 689892DEST_PATH_IMAGE003
；最后以时域信号
Figure 441947DEST_PATH_IMAGE002
和频域信号
Figure 202093DEST_PATH_IMAGE003
作为自适应多任务智能故障诊断模型输入进行设 备工作状态判断和评估。
CN202111447512.9A 2021-12-01 2021-12-01 一种自适应多任务智能故障诊断系统及故障诊断方法 Active CN113869286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111447512.9A CN113869286B (zh) 2021-12-01 2021-12-01 一种自适应多任务智能故障诊断系统及故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111447512.9A CN113869286B (zh) 2021-12-01 2021-12-01 一种自适应多任务智能故障诊断系统及故障诊断方法

Publications (2)

Publication Number Publication Date
CN113869286A true CN113869286A (zh) 2021-12-31
CN113869286B CN113869286B (zh) 2022-02-25

Family

ID=78985458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111447512.9A Active CN113869286B (zh) 2021-12-01 2021-12-01 一种自适应多任务智能故障诊断系统及故障诊断方法

Country Status (1)

Country Link
CN (1) CN113869286B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723966A (zh) * 2022-03-30 2022-07-08 北京百度网讯科技有限公司 多任务识别方法、训练方法、装置、电子设备及存储介质
CN115235612A (zh) * 2022-08-09 2022-10-25 爱尔达电气有限公司 伺服电机的故障智能诊断系统及其诊断方法
CN115392315A (zh) * 2022-08-31 2022-11-25 济南永信新材料科技有限公司 一种基于可转移特征的齿轮箱故障检测方法
CN115688011A (zh) * 2022-12-30 2023-02-03 西安易诺敬业电子科技有限责任公司 一种基于文本和语义嵌入的旋转机械复合故障识别方法
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
US20190033171A1 (en) * 2017-07-26 2019-01-31 Caterpillar Inc. System and method for detecting wear or failure of genset power system coupling
CN109902399A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
CN109932174A (zh) * 2018-12-28 2019-06-25 南京信息工程大学 一种基于多任务深度学习的齿轮箱故障诊断方法
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110516305A (zh) * 2019-07-26 2019-11-29 西安交通大学 基于注意机制元学习模型的小样本下故障智能诊断方法
US20190383700A1 (en) * 2018-06-19 2019-12-19 Palo Alto Research Center Incorporated Model-based diagnosis in frequency domain
CN110702411A (zh) * 2019-09-23 2020-01-17 武汉理工大学 一种基于时频分析的残差网络滚动轴承故障诊断方法
CN112733292A (zh) * 2021-01-07 2021-04-30 西安建筑科技大学 一种基于Spark的并行卷积神经网络轴承故障诊断方法
CN113191240A (zh) * 2021-04-23 2021-07-30 石家庄铁道大学 轴承故障诊断的多任务深度神经网络方法及装置
CN113567131A (zh) * 2021-07-29 2021-10-29 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113723489A (zh) * 2021-08-24 2021-11-30 哈尔滨理工大学 一种改进关系网络的滚动轴承故障识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
US20190033171A1 (en) * 2017-07-26 2019-01-31 Caterpillar Inc. System and method for detecting wear or failure of genset power system coupling
US20190383700A1 (en) * 2018-06-19 2019-12-19 Palo Alto Research Center Incorporated Model-based diagnosis in frequency domain
CN109932174A (zh) * 2018-12-28 2019-06-25 南京信息工程大学 一种基于多任务深度学习的齿轮箱故障诊断方法
CN109902399A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110516305A (zh) * 2019-07-26 2019-11-29 西安交通大学 基于注意机制元学习模型的小样本下故障智能诊断方法
CN110702411A (zh) * 2019-09-23 2020-01-17 武汉理工大学 一种基于时频分析的残差网络滚动轴承故障诊断方法
CN112733292A (zh) * 2021-01-07 2021-04-30 西安建筑科技大学 一种基于Spark的并行卷积神经网络轴承故障诊断方法
CN113191240A (zh) * 2021-04-23 2021-07-30 石家庄铁道大学 轴承故障诊断的多任务深度神经网络方法及装置
CN113567131A (zh) * 2021-07-29 2021-10-29 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113723489A (zh) * 2021-08-24 2021-11-30 哈尔滨理工大学 一种改进关系网络的滚动轴承故障识别方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
SHENGCAI DENG等: "Rolling bearing fault diagnosis based on Deep Boltzmann machines", 《2016 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHENGDU)》 *
YANG WANG等: "A Multi-Input and Multi-Task Convolutional Neural Network for Fault Diagnosis Based on Bearing Vibration Signal", 《IEEE SENSORS JOURNAL》 *
孙仕鑫等: "基于多通道时频域信号的卷积神经网络智能故障诊断技术", 《科学技术与工程》 *
孙岩等: "基于时频域改进型胶囊网络的轴承故障诊断", 《组合机床与自动化加工技术》 *
张伟等: "基于QLExpress规则引擎的自动化运维告警系统的设计与实现", 《信息通信技术》 *
李明等: "多源时域频域数据融合故障诊断方法", 《科技信息》 *
李艺伟: "基于改进CNN的变工况下滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
王得雪等: "协同训练算法在滚动轴承故障诊断中的应用", 《计算机工程与应用》 *
金国强: "基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
韩素敏等: "基于BP神经网络的三相电压源型逆变器开路故障诊断", 《河南理工大学学报(自然科学版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723966A (zh) * 2022-03-30 2022-07-08 北京百度网讯科技有限公司 多任务识别方法、训练方法、装置、电子设备及存储介质
CN115235612A (zh) * 2022-08-09 2022-10-25 爱尔达电气有限公司 伺服电机的故障智能诊断系统及其诊断方法
CN115392315A (zh) * 2022-08-31 2022-11-25 济南永信新材料科技有限公司 一种基于可转移特征的齿轮箱故障检测方法
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN115857614B (zh) * 2022-11-17 2023-12-29 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN115688011A (zh) * 2022-12-30 2023-02-03 西安易诺敬业电子科技有限责任公司 一种基于文本和语义嵌入的旋转机械复合故障识别方法

Also Published As

Publication number Publication date
CN113869286B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN113869286B (zh) 一种自适应多任务智能故障诊断系统及故障诊断方法
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
Ye et al. Deep morphological convolutional network for feature learning of vibration signals and its applications to gearbox fault diagnosis
CN112284736B (zh) 一种基于多通道注意力模块的卷积神经网络故障诊断方法
Gao et al. Semi-supervised graph convolutional network and its application in intelligent fault diagnosis of rotating machinery
CN108613802B (zh) 一种基于深度混合网络结构的机械故障诊断方法
CN111709448A (zh) 一种基于迁移关系网络的机械故障诊断方法
CN111523509B (zh) 融合物理和深度表达特征的设备故障诊断及健康监测方法
CN110991295B (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
Ma et al. Automated arrival-time picking using a pixel-level network
CN112577748A (zh) 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法
CN113255882A (zh) 一种基于改进卷积胶囊网络的轴承故障诊断方法
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112633132A (zh) 基于二维振动图像增强的轴承故障诊断方法及系统
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
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
Wang et al. A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background
CN116186641A (zh) 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法
Liu et al. Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing
CN113776835A (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
He et al. MJAR: A novel joint generalization-based diagnosis method for industrial robots with compound faults
Niu et al. A deep residual convolutional neural network based bearing fault diagnosis with multi-sensor data
Wu et al. Semi-supervised fault diagnosis of wheelset bearings in high-speed trains using autocorrelation and improved flow Gaussian mixture model
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis

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