CN113935406B - 基于对抗流模型的机械设备无监督故障诊断方法 - Google Patents

基于对抗流模型的机械设备无监督故障诊断方法 Download PDF

Info

Publication number
CN113935406B
CN113935406B CN202111138262.0A CN202111138262A CN113935406B CN 113935406 B CN113935406 B CN 113935406B CN 202111138262 A CN202111138262 A CN 202111138262A CN 113935406 B CN113935406 B CN 113935406B
Authority
CN
China
Prior art keywords
model
fault diagnosis
data
mechanical equipment
unsupervised
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
CN202111138262.0A
Other languages
English (en)
Other versions
CN113935406A (zh
Inventor
王俊
戴俊
江星星
黄伟国
朱忠奎
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202111138262.0A priority Critical patent/CN113935406B/zh
Priority to PCT/CN2021/123194 priority patent/WO2023044978A1/zh
Publication of CN113935406A publication Critical patent/CN113935406A/zh
Application granted granted Critical
Publication of CN113935406B publication Critical patent/CN113935406B/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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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

Abstract

本发明公开了一种基于对抗流模型的机械设备无监督故障诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、先验分布设计：根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型；步骤(3)、模型搭建：把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型；步骤(4)、模型训练：利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练所述无监督故障诊断模型；步骤(5)、故障诊断：将机械设备的状态数据输入到训练好的所述无监督故障诊断模型中，得到数据聚类结果和故障诊断结果。机械振动信号提取能力强、聚类效果好、准确率高。

Description

基于对抗流模型的机械设备无监督故障诊断方法
技术领域
本发明涉及设备诊断领域，具体涉及一种基于对抗流模型的机械设备无监督故障诊断方法。
背景技术
旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求。任意部件的一个细微的损伤都有可能影响到整个系统的正常工作，甚至引起重大事故。为了确保机械设备的健康运行，健康监测系统需要采集海量数据来反映健康状况，促使机械健康监测领域进入了“大数据”时代。在大数据时代，以工业大数据分析为基础，对机械设备进行智能故障诊断，实时掌握机械设备的健康状态信息，为机械设备的智能运行维护提供依据，最终保障机械设备的安全高效服役，是现代制造业快速发展的重要研究方向。
随着人工智能的快速发展，机器学习技术尝试赋予计算机学习能力，使之能够分析数据、归纳规律、总结经验，为大数据驱动的机械设备智能诊断提供重要的技术支持。目前在故障智能诊断中运用广泛的几种模型包括卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)等。这些模型通过大量的历史数据及其对应的类别标签进行训练，实现对故障类型或故障大小的分类。这些模型都属于监督学习模型，通过建立输入数据和其相对应的类别标签来对模型进行训练。然而在实际诊断过程中，对大量数据进行人工标记类别标签会耗费大量的时间，而且标记标签依赖于专家的经验，所以工业大数据中带有标签的数据是稀有的。这就要求故障智能诊断模型能够在缺乏相应类别标签的情况下进行数据特征的学习和聚类，实现无监督故障诊断。
常用的无监督故障诊断方法是聚类算法，如k均值(k-means)算法、基于高斯混合模型(GMM)的最大期望(EM)算法等。这些聚类算法按照某个特定标准(如距离准则)把一个机械状态数据集分割成不同的类或簇，使得同一个簇内的状态数据的相似性尽可能大，同时不在同一个簇中的状态数据的差异性也尽可能地大，即聚类后同一状态类别的数据尽可能聚集到一起，不同状态类别的数据尽量分离。采用聚类算法在进行无监督故障诊断时，需要首先从机械振动信号中提取具有类别区分度的低维特征，根据各类别状态数据低维特征的分布状况来训练聚类算法的参数。传统的特征提取方法有统计特征计算方法、维数约减方法以及他们的组合。
传统技术存在以下技术问题：
聚类算法在无监督故障诊断中的有效性取决于两个方面，一是低维特征的提取效果，二是聚类算法对低维特征分布特性的适应性。传统的特征提取方法无法提取机械状态数据的高层隐含特征，而传统的聚类算法仅适用于具有特定特征分布特性的数据集，如k均值仅适用于解决规则的球形分布特性的数据聚类问题，基于高斯混合模型(GMM)的最大期望(EM)算法仅适用于各类别数据特征服从高斯分布的数据集聚类。因此，现有无监督故障诊断方法的特征提取能力不足，对不同数据集的自适应性不强，导致其故障诊断精度不高。
发明内容
本发明要解决的技术问题是提供一种基于对抗流模型的机械设备无监督故障诊断方法，针对现有无监督故障诊断方法特征提取能力不足和对不同数据集的自适应性不强的问题，本发明以深度神经网络为基础，通过自动编码器提取数据的低维特征，并利用流模型和对抗训练机制将其映射到先验分布中，从而提高机械故障状态数据的特征提取能力，突破对状态特征分布特性的限制，实现准确的无监督故障诊断。
为了解决上述技术问题，本发明提供了一种基于对抗流模型的机械设备无监督故障诊断方法，包括：
步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；
步骤(2)、先验分布设计：根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型；
步骤(3)、模型搭建：把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型；
步骤(4)、模型训练：利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练所述无监督故障诊断模型；
步骤(5)、故障诊断：将机械设备的状态数据输入到训练好的所述无监督故障诊断模型中，得到数据聚类结果和故障诊断结果。
在其中一个实施例中，步骤(1)中，机械设备状态各类别振动信号均具有少量的类别标签，所述类别标签不参与模型的训练，仅用于判断各类别对应的健康状态；各类别数据量相同或相当。
在其中一个实施例中，步骤(2)中，所述高斯混合模型的维度大于等于1，其K个子分布的均值各不相同，方差或协方差较小，各个子分布之间几乎没有重叠；从设计好的先验分布中随机采样一定数量的向量作为先验特征，它们的伪标签分别为0、1、2、……、K-1。
在其中一个实施例中，步骤(3)中，所述自动编码器由编码器和解码器组成，通过编码器学习输入数据的低维特征，其维度和设计的所述高斯混合模型的维度相同，利用低维特征经过解码器重构输入数据；所述流模型把输入数据的低维特征映射到与其维度相同的高斯分布中，获得映射特征；所述自动编码器和流模型的组合称为特征提取器；所述分类器分别对映射特征和先验特征进行分类。
在其中一个实施例中，步骤(3)中，所述自动编码器包括通过全连接网络、深度卷积网络、深度置信网络、深度残差网络中的一种来构建；所述流模型包括非线性独立分量估计模型(NICE)、实值非体保持变换模型(RealNVP)、可逆卷积的生成流模型(GLOW)中的一种；所述分类器包括支持向量机、k最近邻算法、随机森林、模糊系统、深度神经网络中的一种。
在其中一个实施例中，步骤(4)中，模型训练的方式是对抗训练，预设的训练步骤为：首先利用无标签的机械状态数据训练特征提取器，此时固定分类器的参数，损失函数包含自动编码器的数据重构损失、流模型的分布映射损失、所述分类器的类别标签香农熵损失和类别平均分布损失；利用无标签的映射特征和有伪标签的先验特征训练所述分类器，此时固定特征提取器的参数，损失函数为先验特征的交叉熵分类损失、先验特征和映射特征的类别标签香农熵损失和类别平均分布损失；交替训练特征提取器和所述分类器，直到分所述类器能给所有映射特征一个可信度高的伪标签，此时映射特征服从先验分布中的具有对应伪标签的子分布；所述预设的优化算法包括自适应矩估计算法(Adam)、随机梯度下降法(SGD)、均方根传递算法(RmsPorp)中的一种。
在其中一个实施例中，步骤(5)中，根据少量具有状态类别标签的振动信号和其在模型中的伪标签的对应关系，确定获得各伪标签的数据的真实健康状态，从而实现机械设备的故障诊断。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种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任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
与现有技术相比，本发明公开了一种基于对抗流模型的机械设备无监督故障诊断方法。本方法利用深度神经网络提取机械状态数据的高层隐含特征，特征提取的能力强，进一步通过流模型和对抗训练机制把高层隐含特征强制映射到聚集效果非常好的先验分布中，不受限于高层隐含特征的分布特性。因此，本发明方法至少具有以下优点：(1)机械振动信号的状态特征提取能力强；(2)机械状态数据的聚类效果好；(3)机械故障诊断的准确率高。
附图说明
图1是本发明基于对抗流模型的机械设备无监督故障诊断方法的流程图。
图2是本发明基于对抗流模型的机械设备无监督故障诊断方法中采用自动编码器提取的低维特征的分布图。
图3为本发明基于对抗流模型的机械设备无监督故障诊断方法中设计的一个混合高斯先验分布图。
图4为本发明基于对抗流模型的机械设备无监督故障诊断方法中得到的映射特征的分布图。
图5为本发明基于对抗流模型的机械设备无监督故障诊断方法中得到的分类结果混淆矩阵。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
根据上述发明内容和附图1的一种基于对抗流模型的机械设备无监督故障诊断方法，该技术具体包括：
步骤101：数据预处理。把机械振动信号转换到频域，并把幅值归一化到[0,1]范围。
步骤102：先验分布设计。根据机械设备状态的K个类别设计具有K个子分布的高斯混合分布。
高斯混合模型的维度大于等于1，其K个子分布的均值各不相同，方差或协方差较小，各个子分布之间几乎没有重叠。从设计好的先验分布中随机采样一定数量的向量作为先验特征，它们的伪标签分别为0、1、2、……、K-1。
步骤103：模型搭建。把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型。
自动编码器由编码器和解码器组成，通过编码器学习输入数据的低维特征，其维度和设计的高斯混合模型的维度相同，利用低维特征经过解码器重构输入数据。流模型把输入数据的低维特征映射到与其维度相同的高斯分布中，获得映射特征。自动编码器和流模型的组合称为特征提取器。分类器分别对映射特征和先验特征进行分类。
自动编码器包括但不限于通过全连接网络、深度卷积网络、深度置信网络、深度残差网络中的一种来构建。
流模型包括但不限于非线性独立分量估计模型(NICE)、实值非体保持变换模型(RealNVP)、可逆卷积的生成流模型(GLOW)中的一种。
分类器包括但不限于支持向量机、k最近邻算法、随机森林、模糊系统、深度神经网络中的一种。
步骤104：模型训练。利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练无监督故障诊断模型。
模型训练的方式是对抗训练，预设的训练步骤为：首先利用无标签的机械状态数据训练特征提取器，此时固定分类器的参数，损失函数包含自动编码器的数据重构损失、流模型的分布映射损失、分类器的类别标签香农熵损失和类别平均分布损失；然后利用映射特征(无标签)和先验特征(有伪标签)训练分类器，此时固定特征提取器的参数，损失函数为先验特征的交叉熵分类损失、先验特征和映射特征的类别标签香农熵损失和类别平均分布损失；交替训练特征提取器和分类器，直到分类器能给所有映射特征一个可信度高的伪标签，此时映射特征服从先验分布中的具有对应伪标签的子分布。
各损失函数的作用如下：
1)自动编码器的数据重构损失。计算重构数据与输入数据的均方误差，优化该损失函数可以实现输入数据低维特征的准确提取。
2)流模型的分布映射损失。计算数据低维特征经过流模型后得到的映射特征与先验特征之间的差距，优化该损失函数可以使映射特征服从所设计的先验分布；
3)分类器的数据分类损失。计算分类器输出的先验特征预测标签与先验特征伪标签的交叉熵，建立先验分布和伪标签之间的对应关系；计算分类器输出的先验特征预测标签和映射特征预测标签的信息熵，促使分类器赋予先验特征准确的分类标签，而给映射特征模糊的分类标签。同时作为对抗，通过优化算法优化自动编码器提取更为有效的故障特征信息，从而帮助映射特征从分类器中获取更准确的分类标签。
4)分类器的类平均分配损失。计算分类器输出的先验特征预测标签和映射特征预测标签在各类别上的分布情况，通过优化算法优化分类器，使其平均分配各个类别标签；同时优化自动编码器，促使其提取信号中的类别信息。
预设的优化算法包括但不限于自适应矩估计算法(Adam)、随机梯度下降法(SGD)、均方根传递算法(RmsPorp)中的一种。
步骤105：故障诊断。将机械设备的状态数据输入到训练好的故障诊断模型中，得到数据聚类结果和故障诊断结果。
根据少量具有状态类别标签的振动信号和其在模型中的伪标签的对应关系，确定获得各伪标签的数据的真实健康状态，从而实现机械设备的故障诊断。
为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。
以轴承故障检测为例，该轴承型号为SKF 6205-2RS，采用电机驱动轴承内圈转动，转速设定为896rpm，在轴承座上安装加速度传感器来采集轴承的振动信号，采样频率为10kHz，实验中模拟了四种健康状态，包括：健康(N)、轴承内圈故障(IR)、轴承外圈故障(OR)及轴承滚动体故障(B)。其中每一种故障按照故障严重程度(裂纹宽度)再分为三种情况，分别为0.2mm、0.3mm和0.4mm。故障状态采用字母加裂纹宽度值来表示，如IR02表示内圈有0.2mm的裂纹故障。因此本实验数据集包含了10种不同的健康状态。实验中将数据集划分为训练集和测试集，训练集每一种状态都包含了400组信号，测试集每一种状态都包含了100组信号，每组信号长度为2048个数据点。利用训练集进行对抗训练，测试集进行模型效果测试。
实验首先测试了单个自动编码器的特征学习效果，采用训练集训练该自动编码器，低维特征的维度设置为2，采用测试集观察低维特征的分布情况，如图2所示。可以看出，N、B02、B03和IR03四种状态的低维特征存在混淆现象，说明单个自动编码器不能有效提取有利于轴承无监督故障诊断的低维特征。
随后采用本发明公开的技术对所述数据集进行处理，具体细节如下。
步骤(1)、数据预处理。把机械振动信号转换到频域，并把幅值归一化到[0,1]范围。
每个数据样本是2048个点，经过傅里叶变换得到2048个点的频谱，取前1024个点，把幅值归一化到[0,1]范围，作为模型的输入数据。
步骤(2)、先验分布设计。根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型。
本实例中依据类别数设计了一个具有10个子高斯分布的先验分布，其维度为2，初始子分布的均值矩阵为[5,0]，协方差矩阵为[[0.05,0]；[0,0.05]]，另外9个子分布由初始子分布绕坐标原点旋转N*π/5(N＝1,2,3,…,9)得到。从先验分布中随机采样一定数量的先验特征，其分布情况及其伪标签如图3所示。可以看出，10个子分布均匀分布在二维空间中，各分布之间没有重叠，是理想的聚类特征。
步骤(3)、模型搭建。把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型。
①自动编码器包含编码器和解码器，编码器共设计三层，采用全连接网络对信号进行降维，其中隐含层维数分别为512、128、2，全连接层间连接Tanh激活函数层，最后一个全连接层输出2维特征向量，随后该向量输入到解码器中，解码器也设计三层，每层维度分别是128、512、1024，每个全连接层之后分别连接了Tanh激活函数。
②流模型采用RealNVP结构，结构中堆叠了4层子流模型结构，每层中采用全连接网络，隐含层维度为8，全连接层间连接ReLU激活函数层。
③分类器采用全连接网络，共设计三层，其中隐含层维数分别为100、100、10，每个全连接层后分别连接ReLU、ReLU和Softmax激活函数，模型最后输出一个10维向量来表示输入数据的类别。
步骤(4)、模型训练。利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练无监督故障诊断模型；
首先训练特征提取器，该步骤包含四部分目标函数：(1)自动编码器输入数据与输出数据之间的均方误差损失；(2)映射特征在分类器上所得到标签的香农熵；(3)先验特征预测标签各个类别的平均分布熵；(4)映射特征概率密度与先验特征概率密度之间的差距。
随后固定特征提取器，将映射特征和先验特征同时输入到分类器中分别得到对应的分类标签。该步骤中包含三部分目标函数：(1)先验特征和映射特征的预测标签的香农熵；(2)先验特征预测标签与其伪标签的交叉熵；(3)先验特征预测标签各个类别的平均分布熵。
优化算法采用自适应矩估计算法(Adam)，学习率为0.0005，迭代500次后特征提取器和分类器的损失趋于平衡，结束模型训练。
步骤(5)、故障诊断。将机械设备的状态数据输入到训练好的故障诊断模型中，得到数据聚类结果和故障诊断结果。
将测试集输入到训练完成的模型中，画出各健康状态数据的映射特征在二维空间中的分布情况，如图4所示。可以看出，轴承的10类健康状态数据分别服从先验分布中的一个子分布，说明模型能够很好地将数据的低维特征映射到先验分布中。随后将映射特征输入到分类器中，得到分类标签，通过少量具有标签的振动信号的分类标签与真实状态标签的对应关系，得到测试集各数据的故障诊断结果，用混淆矩阵进行表示，如图5所示。可以看出，本发明方法的无监督故障诊断准确率非常高，仅仅只有一个B02的数据点被错误地诊断为IR03，诊断错误的原因是其映射特征被错误地分配到IR03的子分布中了。
综上所述，通过自动编码器提取数据的低维特征，并利用流模型和对抗训练机制将其映射到先验分布中，可以提高机械故障状态数据的特征提取能力，突破对状态特征分布特性的限制，实现准确的无监督故障诊断。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.一种基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，包括：
步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；
步骤(2)、先验分布设计：根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型；
步骤(3)、模型搭建：把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型；所述流模型把输入数据的低维特征映射到与其维度相同的高斯分布中，获得映射特征；所述自动编码器和流模型的组合称为特征提取器；所述分类器分别对映射特征和先验特征进行分类；
步骤(4)、模型训练：利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法对抗训练所述无监督故障诊断模型，所述对抗训练包括：
首先利用无标签的机械状态数据训练特征提取器，此时固定分类器的参数，损失函数包含自动编码器的数据重构损失、流模型的分布映射损失、所述分类器的类别标签香农熵损失和类别平均分布损失；然后利用无标签的映射特征和有伪标签的先验特征训练所述分类器，此时固定特征提取器的参数，损失函数为先验特征的交叉熵分类损失、先验特征和映射特征的类别标签香农熵损失和类别平均分布损失；交替训练特征提取器和所述分类器，直到所述分类器能给所有映射特征一个可信度高的伪标签，此时映射特征服从先验分布中的具有对应伪标签的子分布；预设的优化算法包括自适应矩估计算法、随机梯度下降法、均方根传递算法中的一种；
步骤(5)、故障诊断：将机械设备的状态数据输入到训练好的所述无监督故障诊断模型中，得到数据聚类结果和故障诊断结果。
2.根据权利要求1所述的基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，步骤(1)中，机械设备状态各类别振动信号均具有少量的类别标签，所述类别标签不参与模型的训练，仅用于判断各类别对应的健康状态；各类别数据量相同或相当。
3.根据权利要求1所述的基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，步骤(2)中，所述高斯混合模型的维度大于等于1，其K个子分布的均值各不相同，方差或协方差较小，各个子分布之间几乎没有重叠；从设计好的先验分布中随机采样一定数量的向量作为先验特征，它们的伪标签分别为0、1、2、……、K-1。
4.根据权利要求1所述的基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，步骤(3)中，所述自动编码器由编码器和解码器组成，通过编码器学习输入数据的低维特征，其维度和设计的所述高斯混合模型的维度相同，利用低维特征经过解码器重构输入数据。
5.根据权利要求1所述的基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，步骤(3)中，所述自动编码器包括通过全连接网络、深度卷积网络、深度置信网络、深度残差网络中的一种来构建；所述流模型包括非线性独立分量估计模型、实值非体保持变换模型、可逆卷积的生成流模型中的一种；所述分类器包括支持向量机、k最近邻算法、随机森林、模糊系统、深度神经网络中的一种。
6.根据权利要求1所述的基于对抗流模型的机械设备无监督故障诊断方法，其特征在于，步骤(5)中，根据少量具有状态类别标签的振动信号和其在模型中的伪标签的对应关系，确定获得各伪标签的数据的真实健康状态，从而实现机械设备的故障诊断。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到6任一项所述的方法。
CN202111138262.0A 2021-09-27 2021-09-27 基于对抗流模型的机械设备无监督故障诊断方法 Active CN113935406B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111138262.0A CN113935406B (zh) 2021-09-27 2021-09-27 基于对抗流模型的机械设备无监督故障诊断方法
PCT/CN2021/123194 WO2023044978A1 (zh) 2021-09-27 2021-10-12 基于对抗流模型的机械设备无监督故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111138262.0A CN113935406B (zh) 2021-09-27 2021-09-27 基于对抗流模型的机械设备无监督故障诊断方法

Publications (2)

Publication Number Publication Date
CN113935406A CN113935406A (zh) 2022-01-14
CN113935406B true CN113935406B (zh) 2023-05-16

Family

ID=79277092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111138262.0A Active CN113935406B (zh) 2021-09-27 2021-09-27 基于对抗流模型的机械设备无监督故障诊断方法

Country Status (2)

Country Link
CN (1) CN113935406B (zh)
WO (1) WO2023044978A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720048A (zh) * 2022-07-18 2023-09-08 华能汕头海门发电有限责任公司 一种基于机器学习模型的电站辅机故障诊断方法和系统
CN115270956B (zh) * 2022-07-25 2023-10-27 苏州大学 基于持续学习的跨设备增量轴承故障诊断方法
CN115659224B (zh) * 2022-11-07 2023-08-25 苏州大学 概率引导的域对抗轴承故障诊断方法及系统
CN116089894B (zh) * 2023-03-02 2023-07-21 苏州黑盾环境股份有限公司 基于半监督对抗变分自动编码的冷水机组未知故障诊断方法
CN116701956B (zh) * 2023-06-07 2023-12-08 唐山市燃气集团有限公司 基于故障属性燃气调压器联合映射零样本故障诊断方法
CN116429406B (zh) * 2023-06-14 2023-09-26 山东能源数智云科技有限公司 大型机械设备故障诊断模型的构建方法及装置
CN117302236B (zh) * 2023-09-27 2024-03-26 湖北天凯风林电子有限公司 一种基于深度学习的车辆状态监测方法及系统
CN117233520B (zh) * 2023-11-16 2024-01-26 青岛澎湃海洋探索技术有限公司 基于改进Sim-GAN的AUV推进系统故障检测评估方法
CN117312863B (zh) * 2023-11-29 2024-02-02 山东理工昊明新能源有限公司 故障检测模型的构建方法、电力设备故障检测方法及装置
CN117332342B (zh) * 2023-11-29 2024-02-27 北京宝隆泓瑞科技有限公司 一种基于半监督学习的机泵设备运行故障分类方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109186973B (zh) * 2018-08-20 2020-03-31 东南大学 一种无监督深度学习网络的机械故障诊断方法
US20200250304A1 (en) * 2019-02-01 2020-08-06 Nec Laboratories America, Inc. Detecting adversarial examples
CN111710150A (zh) * 2020-05-14 2020-09-25 国网江苏省电力有限公司南京供电分公司 一种基于对抗自编码网络的异常用电数据检测方法
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112149726B (zh) * 2020-09-21 2024-02-09 浙江工业大学 基于知识共享和模型迁移的全封闭压缩机故障诊断方法
CN112232252B (zh) * 2020-10-23 2023-12-01 湖南科技大学 基于最优输运的传动链无监督域适应故障诊断方法
CN112327219B (zh) * 2020-10-29 2024-03-12 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN113239610A (zh) * 2021-01-19 2021-08-10 昆明理工大学 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
CN112906644B (zh) * 2021-03-22 2022-10-14 重庆大学 基于深度迁移学习的机械故障智能诊断方法
CN113255078A (zh) * 2021-05-31 2021-08-13 南京信息工程大学 一种样本不均衡条件下的轴承故障检测方法及装置

Also Published As

Publication number Publication date
CN113935406A (zh) 2022-01-14
WO2023044978A1 (zh) 2023-03-30

Similar Documents

Publication Publication Date Title
CN113935406B (zh) 基于对抗流模型的机械设备无监督故障诊断方法
Zhang et al. Machinery fault diagnosis with imbalanced data using deep generative adversarial networks
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
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
CN106886660A (zh) EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法
Chen et al. Machine fault classification using deep belief network
CN113792758B (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN113673346A (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
CN116186633A (zh) 一种基于小样本学习的用电异常诊断方法和系统
CN115600150A (zh) 一种基于深度迁移学习的多模态齿轮箱故障诊断方法
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN110991471A (zh) 一种高速列车牵引系统故障诊断方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN113988136A (zh) 一种基于深度学习与智能优化的中压断路器故障诊断方法
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
Jiao et al. Fault diagnosis method for industrial robots based on DBN joint information fusion technology
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
von Birgelen et al. Using self-organizing maps to learn hybrid timed automata in absence of discrete events
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN113239610A (zh) 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
Xue et al. Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors
CN116467652A (zh) 一种基于卷积降噪自编码器的轴承故障预测方法及系统
Gao et al. Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis

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