CN113887136A - 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 - Google Patents
一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113887136A CN113887136A CN202111169683.XA CN202111169683A CN113887136A CN 113887136 A CN113887136 A CN 113887136A CN 202111169683 A CN202111169683 A CN 202111169683A CN 113887136 A CN113887136 A CN 113887136A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- layer
- fault
- resnet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000008034 disappearance Effects 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000004599 local-density approximation Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- IPGGELGANIXRSX-RBUKOAKNSA-N 3-methoxy-2-[(1r,6r)-3-methyl-6-prop-1-en-2-ylcyclohex-2-en-1-yl]-5-pentylphenol Chemical compound COC1=CC(CCCCC)=CC(O)=C1[C@H]1[C@H](C(C)=C)CCC(C)=C1 IPGGELGANIXRSX-RBUKOAKNSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- IPGGELGANIXRSX-UHFFFAOYSA-N Cannabidiol monomethyl ether Natural products COC1=CC(CCCCC)=CC(O)=C1C1C(C(C)=C)CCC(C)=C1 IPGGELGANIXRSX-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于电动汽车电机故障诊断与健康管理技术领域，提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法。首先对轴承振动信号进行离散化处理并构建实际场景中的不平衡数据集；再通过引入类别标签和使用Wasserstein距离构造损失函数改进了对抗生成网络，生成更具类别特征的数据以解决数据集不平衡的问题；最后，将带有生成数据和真实数据的平衡数据集输入故障诊断网络，通过在诊断网络中构造多尺度残差注意力卷积块以解决深层网络训练的梯度消失问题并学习多尺度深层特征。本发明针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
Description
技术领域
本发明属于电动汽车电机故障诊断与健康管理技术领域，具体涉及一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法。
背景技术
转子系统是汽车电动机的关键组成部分，转子系统的工作状态与电动汽车电机的稳定工作密切相关。滚动轴承是转子系统中关键的基础零部件，其健康状态对电动机转子系统具有重大影响，是开展电动汽车健康管理的重要研究对象。滚动轴承作为转子系统中的核心部件长时间处于旋转中，容易出现磨损等故障情况，并且电动机中的滚动轴承往往工作在高速、高温以及高载荷的工况下，因而更容易在工作过程中发生故障。因此对转子系统滚动轴承进行健康监测具有必要性。根据系统采用的特征描述和决策方法的差异，应用于汽车电动机滚动轴承故障诊断的方法主要有两类方法，一种是利用轴承振动信号包含的故障特征进行时频域分析的方法，另一种则是不需要依赖对特定特征提取的深度学习方法。
早期的轴承故障诊断中首先要对轴承振动信号进行复杂地提取过程，这种方式需要专业背景知识，如果不能提取到良好的特征将无法进行后续研究。随着大数据时代的到来，这种方式显然已经落后。随着深度学习不断发展，在轴承故障诊断领域使用深度学习方法已经可以自适应地提取振动信号的特征。通过对轴承故障诊断的研究方法进行分析，发现多数研究基于样本平衡的数据集，没有充分考虑真实场景中数据样本的高度不平衡分布。同时，在高速、高温以及高载荷的工况下，对故障诊断有效的深层特征提取较为困难，如何提取更有效、更深层次的特征向量也是目前故障诊断领域的重点和难点。针对目前轴承故障诊断的研究现状总结了以下2个主要问题：
(1)在实际的工业场景下往往难以采集到足够多的故障数据，正常数据样本和故障数据样本的比例在实际应用中往往高度失衡，这种高度不平衡分布的数据样本会严重影响故障诊断模型的诊断性能。
(2)由于组件、系统或采样频率的变化，滚动轴承振动信号通常不会只停留在一个尺度上，其次在电动汽车电机滚动轴承工作在高温、高压及多热摩擦等复杂工况下进行有效地深层特征提取较为困难。
发明内容
针对上述问题，本发明提出一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，解决了数据样本不平衡情况下的故障诊断问题，并从多个尺度学习滚动轴承振动信号特征，获得了更好的诊断准确率，克服了现有技术的不足。
本发明中采用的技术方案为：
一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，包括如下步骤：
步骤1：数据预处理和构建不平衡数据集；
对采集到的轴承振动信号进行离散化处理，随机选取样本的起始位置；从起始位置开始截取sr个采样点得到一个样本，每个文件取样数量为nf个；按照5：1的比例构造正常样本和故障样本。
步骤1-1：将正常和每个带有故障的轴承安装在试验台上，在0-3hp的电机负载下以恒定速度运行，并记录振动加速度信号数据，最后获取正常样本、外圈损伤样本、内圈损伤样本和滚动体损伤样本；
步骤1-2：读取振动加速度信号数据集文件，选择驱动端加速度计的数据，随机选取样本的起始位置，然后从起始位置开始截取sr个采样点得到一个样本，每个文件取样数量为nf个；
步骤1-3：为构建真实情况中存在的不平衡数据集，在正常样本中，共选取18nf个样本，训练样本：测试样本＝5：1；在故障样本中，共选取6nf个样本，训练样本：测试样本＝1：1。
步骤2：构建由生成器和判别器组成的基于改进GAN的数据扩充网络；在生成器中引入类别标签指导生成器，引入类别标签生成具有类别特征的样本；在生成器和判别器的损失函数的构建过程中使用了Wasserstein距离，以解决对抗生成网络训练过程中梯度消失的问题。
步骤2-1：在生成器训练过程中加入类别标签；通过将标签信息Y＝(y1,y2,...,yk)和噪声数据Z＝(z1,z2,...,zm)进行拼接送入生成器，生成符合预期故障类别的数据样本
步骤2-2：使用Wasserstein距离优化损失函数；Wasserstein距离数值越小，表示真实分布与生成分布之间就越接近；生成器和判别器fω的损失函数LG和LD，如式(1)和式(2)所示：
其中，Pr为样本的真实分布，Pg是由生成器产生的分布，函数E()为计算x服从对应分布的期望值。
步骤3：训练由生成器和判别器组成的数据扩充网络，扩充数据集；
将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)和带标签的数据集Y＝(y1,y2,...,yk)一起输入生成器，用于生成样本
然后将生成样本
与原始样本Sr＝(s1,s2,...,sn)拼接输入判别器，并将结果返回；交替训练生成器和判别器，直至达到纳什均衡之后停止训练过程。
步骤3-1：在生成器中，首先将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)与标签集Y＝(y1,y2,...,yk)进行拼接，用于生成样本
即通过对抗生成网络令生成样本的数据分布Pg接近于真实样本的数据分布Pr；
步骤3-2：生成样本
与原始样本Sr＝(s1,s2,...,sn)输入判别器；在判别器中，对输入的数据进行卷积计算，计算后将类别标签和样本数据进行拼接，通过一个全连接层对数据进行整合，返回结果；
步骤3-3：不断地交替训练生成器和判别器，直至达到纳什均衡之后停止训练过程。
步骤4：将扩充后的平衡数据集输入基于改进ResNet的诊断网络。
利用扩充后的数据集对故障分类方法设计一种基于多尺度残差卷积和注意力机制的故障诊断模型，解决网络层数过多时产生的梯度消失问题和复杂工况条件下有效特征提取的问题。
步骤4-1：以扩充后的均衡数据集作为输入，首先经过卷积层、批处理层、线性整流层和最大池化层，抽取深层特征；
步骤4-2：将上一步得到的深层特征输入三个不同尺度残差注意力卷积块；残差注意力卷积块由批归一化层、线性整流层、卷积层和卷积注意力层组成，捷径连接放在卷积注意力层后；不同尺度的残差注意力卷积子网络从多个比例不同的原始信号中学习特征；
步骤4-3：经过残差注意力卷积块后，将特征传递给全局平均池化层；全局平均池化保持网络的鲁棒性，减少权重的数量以及防止过拟合，使用全局池化层保存从卷积子块获得的全局特征图，并将不同卷积子块输出的特征向量合并成一个向量，作为全连接层的输入，最后连接用于故障识别的Softmax层。
本发明的有益效果是：针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
附图说明
图1是基于改进GAN和ResNet的电动汽车电机轴承故障诊断整体流程图。
图2是生成器网络模型图。
图3是判别器网络模型图。
图4是基于对抗生成网络的数据扩充模型训练流程图。
图5是注意力残差卷积块结构图。
图6是多尺度注意力残差诊断模型训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的具体实施步骤做详细说明。
如图1所示，为本发明的整体流程图，其中包括数据生成模型和故障诊断模型。数据生成模型为解决在实际应用场景中由于故障数据较难收集所导致的正常数据和故障数据比例不均衡问题。故障诊断模型以经过数据生成模型扩充后的数据集作为故障诊断模型的数据，经过多尺度注意力残差模块获得振动信号的多尺度深层特征，输出故障诊断结果。
如图2所示，为生成器网络模型图。生成器主要由一个全连接层和五个卷积层组成，通过卷积能够更好的学习滚动轴承振动信号的特征。同时，为了加快模型的训练在生成器中加入BN层，BN层的主要作用是对数据进行归一化，对训练起到加速的作用。最后激活函数选用LeakyReLU函数，反向传播过程中，对于输入小于零的部分计算得到梯度。在生成器中，按照类别标签输入和噪声输入的顺序按列进行拼接，然后对输入进行线性变换，线性变换的目的是变换输入数据的维度。全连接层的输出通过整形函数转换成大小为2×2×256的矩阵，其中宽度为两个单位，高度为两个单位，通道数为256。全连通层之后是五个卷积层，分别有2、16、64、128和256个滤波器，所有的滤波器都具有相同的3×3的尺寸，步长为2。经过五个卷积层后，输入数据被转换成二维矩阵。
如图3所示，为判别器网络模型图。判别器主要由三个卷积层、两个Dropout层、两个最大池化层和两个全连接层组成，激活函数选择LeakyReLU。判别器需要对输入的数据判断其是来自真实的轴承故障样本还是来自生成的故障样本。在判别器中，输入数据首先被重新整形为一个尺寸为32×32的二维矩阵。通过三个卷积层，数据被转换成256个2×2大小的二维矩阵，经过最后两个全连接层，输出判别结果并将参数反馈给生成器。
如图4所示，为数据扩充模型训练过程流程图。在数据生成模型中，首先对数据进行预处理，通过截取等长的样本将数据离散化并构造不平衡的数据集；然后，在生成器中将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)与标签集Y＝(y1,y2,...,yk)进行拼接，用于生成样本
即通过生成对抗令生成样本的数据分布Pg接近于真实样本的数据分布Pr，在判别器中，将生成样本
与原始样本Sr＝(s1,s2,...,sn)作为输入并进行卷积计算，完成计算之后将类别标签和样本数据进行拼接，之后通过一个全连接层对数据进行整合，并且将结果进行返回；最后，通过不断地交替训练生成器和判别器，直到达到纳什均衡之后停止训练，此时利用训练好的生成器对数据集进行扩充得到数据平衡的数据集。
如图5所示，为本发明所涉及的注意力残差卷积块结构图。捷径连接放在CBDM之后。在残差路径上，将BN和ReLU统一放在卷积层前作为预激活，BN层使传输的参数更加规范，更加易于优化，能够减少过拟合的情况发生。之后，加入注意力模块CBAM，CBAM通道注意力使用了全局平局池化和全局最大池化将特征映射的空间信息压缩，空间注意力则通过平均池化和最大池化在通道上生成特征描述后进行拼接，CBAM很好的利用了通道信息和空间信息，不仅能在同维度的特征图上提取重点，还能学习特征图不同维度对分类的影响。
如图6所示，为本发明所涉及的多尺度注意力残差诊断模型训练流程图。先对数据集进行预处理，针对滚动轴承的故障类别对数据集进行分类提取，按照比例8：2将数据集划分为训练集和测试集，然后对每段信号进行标准化，这样最大程度的保留原始数据的有效信息，提升模型的收敛速度和诊断精度。之后对网络的详细参数进行设置：第一个卷积核的大小为7×7，残差自网络的大小分别为3×3、5×5、7×7，初始学习率设置为0.005及批处理量为1024。初始化网络模型参数之后将训练集送入故障分类模型，使用交叉熵作为损失函数，并使用Adam优化器调节损失函数误差。当达到训练次数时就停止模型的训练，之后使用测试集对训练好的模型进行测试。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，包括如下步骤；
步骤1：数据预处理和构建不平衡数据集；
步骤2：构建由生成器和判别器组成的基于改进GAN的数据扩充网络；
步骤3：训练由生成器和判别器组成的数据扩充网络，扩充数据集；
步骤4：将扩充后的平衡数据集输入基于改进ResNet的诊断网络。
2.根据权利要求1所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤1具体为对采集到的轴承振动信号进行离散化处理，随机选取样本的起始位置；从起始位置开始截取sr个采样点得到一个样本，每个文件取样数量为nf个；按照5：1的比例构造正常样本和故障样本。
3.根据权利要求2所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤1分为三小步骤，分别如下：
步骤1-1：将正常和每个带有故障的轴承安装在试验台上，在0-3hp的电机负载下以恒定速度运行，并记录振动加速度信号数据，最后获取正常样本、外圈损伤样本、内圈损伤样本和滚动体损伤样本；
步骤1-2：读取振动加速度信号数据集文件，选择驱动端加速度计的数据，随机选取样本的起始位置，然后从起始位置开始截取sr个采样点得到一个样本，每个文件取样数量为nf个；
步骤1-3：为构建真实情况中存在的不平衡数据集，在正常样本中，共选取18nf个样本，训练样本：测试样本＝5：1；在故障样本中，共选取6nf个样本，训练样本：测试样本＝1：1。
4.根据权利要求3所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤2具体为在生成器中引入类别标签指导生成器，引入类别标签生成具有类别特征的样本；在生成器和判别器的损失函数的构建过程中使用了Wasserstein距离，以解决对抗生成网络训练过程中梯度消失的问题。
5.根据权利要求4所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤2共分为两小步骤，分别如下：
步骤2-1：在生成器训练过程中加入类别标签；通过将标签信息Y＝(y1,y2,...,yk)和噪声数据Z＝(z1,z2,...,zm)进行拼接送入生成器，生成符合预期故障类别的数据样本
步骤2-2：使用Wasserstein距离优化损失函数；Wasserstein距离数值越小，表示真实分布与生成分布之间就越接近；生成器的损失函数LG和判别器fω的损失函数LD，如式(1)和式(2)所示：
其中，Pr为样本的真实分布，Pg是由生成器产生的分布，函数E()为计算x服从对应分布的期望值。
6.根据权利要求5所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤3具体为将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)和带标签的数据集Y＝(y1,y2,...,yk)一起输入生成器，用于生成样本
然后将生成样本
与原始样本Sr＝(s1,s2,...,sn)拼接输入判别器，并将结果返回；交替训练生成器和判别器，直至达到纳什均衡之后停止训练过程。
7.根据权利要求6所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤3共分为三小步骤，分别为：
步骤3-1：在生成器中，首先将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)与标签集Y＝(y1,y2,...,yk)进行拼接，用于生成样本
即通过对抗生成网络令生成样本的数据分布Pg接近于真实样本的数据分布Pr；
步骤3-2：生成样本
与原始样本Sr＝(s1,s2,...,sn)输入判别器；在判别器中，对输入的数据进行卷积计算，计算后将类别标签和样本数据进行拼接，通过一个全连接层对数据进行整合，返回结果；
步骤3-3：不断地交替训练生成器和判别器，直至达到纳什均衡之后停止训练过程。
8.根据权利要求7所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于，所述步骤4具体为利用扩充后的数据集对故障分类方法设计一种基于多尺度残差卷积和注意力机制的故障诊断模型，解决网络层数过多时产生的梯度消失问题和复杂工况条件下有效特征提取的问题。
9.根据权利要求8所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法，其特征在于所述步骤4分为三小步骤，分别如下：
步骤4-1：以扩充后的均衡数据集作为输入，首先经过卷积层、批处理层、线性整流层和最大池化层，抽取深层特征；
步骤4-2：将上一步得到的深层特征输入三个不同尺度残差注意力卷积块；残差注意力卷积块由批归一化层、线性整流层、卷积层和卷积注意力层组成，捷径连接放在卷积注意力层后；不同尺度的残差注意力卷积子网络从多个比例不同的原始信号中学习特征；
步骤4-3：经过残差注意力卷积块后，将特征传递给全局平均池化层；全局平均池化保持网络的鲁棒性，减少权重的数量以及防止过拟合，使用全局池化层保存从卷积子块获得的全局特征图，并将不同卷积子块输出的特征向量合并成一个向量，作为全连接层的输入，最后连接用于故障识别的Softmax层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111169683.XA CN113887136B (zh) | 2021-10-08 | 2021-10-08 | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111169683.XA CN113887136B (zh) | 2021-10-08 | 2021-10-08 | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887136A true CN113887136A (zh) | 2022-01-04 |
| CN113887136B CN113887136B (zh) | 2024-05-14 |
Family
ID=79005285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111169683.XA Active CN113887136B (zh) | 2021-10-08 | 2021-10-08 | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887136B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
| CN114861718A (zh) * | 2022-04-29 | 2022-08-05 | 合肥工业大学 | 基于改进深度残差算法的轴承故障诊断方法及系统 |
| CN114858455A (zh) * | 2022-05-25 | 2022-08-05 | 合肥工业大学 | 基于改进GAN-OSNet的滚动轴承故障诊断方法及系统 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
| CN115600764A (zh) * | 2022-11-17 | 2023-01-13 | 中船重工（武汉）凌久高科有限公司（Cn） | 基于权重邻域粗糙集快速约简的滚动时域能耗预测方法 |
| CN116128882A (zh) * | 2023-04-19 | 2023-05-16 | 中汽数据(天津)有限公司 | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 |
| CN118013400A (zh) * | 2024-04-08 | 2024-05-10 | 广汽埃安新能源汽车股份有限公司 | 电机故障诊断方法、装置、电子设备和存储介质 |
| CN118468204A (zh) * | 2024-05-24 | 2024-08-09 | 杭州电子科技大学 | 一种基于改进深度学习模型的制冷机组故障检测方法 |
| CN118628492A (zh) * | 2024-08-13 | 2024-09-10 | 山东浪潮数字服务有限公司 | 一种基于注意力机制和多尺度特征融合的锂电池电极缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
| CN112232156A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种基于多头注意力生成对抗网络的遥感场景分类方法 |
| CN113178255A (zh) * | 2021-05-18 | 2021-07-27 | 西安邮电大学 | 一种基于gan的医学诊断模型对抗攻击方法 |
-
2021
- 2021-10-08 CN CN202111169683.XA patent/CN113887136B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
| CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| CN112232156A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种基于多头注意力生成对抗网络的遥感场景分类方法 |
| CN113178255A (zh) * | 2021-05-18 | 2021-07-27 | 西安邮电大学 | 一种基于gan的医学诊断模型对抗攻击方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
| CN114611233B (zh) * | 2022-03-08 | 2022-11-11 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
| CN114861718A (zh) * | 2022-04-29 | 2022-08-05 | 合肥工业大学 | 基于改进深度残差算法的轴承故障诊断方法及系统 |
| CN114858455A (zh) * | 2022-05-25 | 2022-08-05 | 合肥工业大学 | 基于改进GAN-OSNet的滚动轴承故障诊断方法及系统 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
| CN115600764A (zh) * | 2022-11-17 | 2023-01-13 | 中船重工（武汉）凌久高科有限公司（Cn） | 基于权重邻域粗糙集快速约简的滚动时域能耗预测方法 |
| CN116128882A (zh) * | 2023-04-19 | 2023-05-16 | 中汽数据(天津)有限公司 | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 |
| CN116128882B (zh) * | 2023-04-19 | 2023-06-23 | 中汽数据(天津)有限公司 | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 |
| CN118013400A (zh) * | 2024-04-08 | 2024-05-10 | 广汽埃安新能源汽车股份有限公司 | 电机故障诊断方法、装置、电子设备和存储介质 |
| CN118013400B (zh) * | 2024-04-08 | 2024-07-02 | 广汽埃安新能源汽车股份有限公司 | 电机故障诊断方法、装置、电子设备和存储介质 |
| CN118468204A (zh) * | 2024-05-24 | 2024-08-09 | 杭州电子科技大学 | 一种基于改进深度学习模型的制冷机组故障检测方法 |
| CN118628492A (zh) * | 2024-08-13 | 2024-09-10 | 山东浪潮数字服务有限公司 | 一种基于注意力机制和多尺度特征融合的锂电池电极缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887136B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113887136B (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
| CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110751207B (zh) | 基于深度卷积域对抗迁移学习的故障诊断方法 | |
| CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
| CN114492533B (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
| CN114564987B (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
| CN117708656B (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN114970628A (zh) | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 | |
| CN115046765A (zh) | 基于门控卷积神经网络的滚动轴承类不平衡故障诊断方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN117725419A (zh) | 一种小样本类不平衡转子故障诊断方法及系统 | |
| CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN116296396A (zh) | 一种基于混合注意力机制残差网络的滚动轴承故障诊断方法 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN113869194B (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及系统 | |
| CN115753102A (zh) | 一种基于多尺度残差子域适应的轴承故障诊断方法 | |
| CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
| CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
| CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
| Zhao et al. | Dimension reduction graph‐based sparse subspace clustering for intelligent fault identification of rolling element bearings |
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 |