CN113962289B - 面向终身学习的旋转机械在线智能故障诊断方法及系统 - Google Patents
面向终身学习的旋转机械在线智能故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113962289B CN113962289B CN202111131737.3A CN202111131737A CN113962289B CN 113962289 B CN113962289 B CN 113962289B CN 202111131737 A CN202111131737 A CN 202111131737A CN 113962289 B CN113962289 B CN 113962289B
- Authority
- CN
- China
- Prior art keywords
- fault
- new
- model
- classifier
- updated
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000005728 strengthening Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 abstract description 19
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种面向终身学习的旋转机械在线智能故障诊断方法及系统，通过已采集到的历史故障数据建立初始的智能诊断模型，当逐步采集到新的故障样本数据时，采用样本增量学习的方式对智能诊断模型进行在线更新，当逐步采集到新的故障模式数据时，采用模式增量学习的方式对智能诊断模型进行在线更新采集待诊断旋转机械的数据样本，输入智能诊断模型，对旋转机械故障进行诊断。本发明通过初始模型训练、样本增量学习和模式增量学习实现智能诊断模型的终身学习，能够有效地处理数据流信息，大大降低数据的存储消耗，更有助于实际工程应用。
Description
技术领域
本发明属于旋转机械安全服役技术领域，具体涉及一种面向终身学习的旋转机械在线智能故障诊断方法及系统，可用于旋转机械的故障预测与健康管理。
背景技术
旋转机械，例如：轴承、齿轮、涡轮盘等，是现代工业装备的故障多发件，其服役安全直接影响整机装备的运行状态，因此，高效准确地诊断出旋转机械的故障状态对于保证装备运行安全、降低维修成本、提高生产效率具有重要的工程意义。
旋转机械智能故障诊断旨在通过机器学习、深度学习等人工智能技术，挖掘监测数据中的故障信息，识别出旋转机械的故障状态。智能故障诊断的一般思路为：首先，采集充足的故障样本数据构建训练数据集，然后，利用训练数据集对人工智能模型进行离线训练，建立监测数据与故障状态之间的映射关系，最后，在线部署智能诊断模型，实现旋转机械故障状态在线诊断。相较于传统的信号处理故障诊断技术，智能故障诊断技术摆脱了对专家知识的依赖，大大提高了诊断效率与诊断精度。
近年来，旋转机械智能故障诊断技术得到了大力的发展。例如，现有的一种方法是将旋转机械振动信号数据转换为图像数据并训练深度卷积神经网络模型，实现旋转机械智能故障诊断。还有一种基于关系约束项和改进的深度稀疏自编码器的智能故障诊断方法，实现了旋转机械复合故障诊断。还有一种建立了一维残差卷积自编码器模型用于齿轮箱的故障诊断，该方法首先通过一维卷积自编码器提取振动信号中的故障特征，然后通过解卷积操作重构原始信号，最后通过分类器实现齿轮箱的故障诊断。上述的智能诊断方法利用人工智能技术实现了旋转机械在线故障诊断，摆脱了对专家知识的依赖，大大提高了诊断效率。然而，它们的不足之处在于均采用“离线建模，在线部署”的模式，这种模式依赖于完备的故障数据库来建立一个完备的智能诊断模型。在实际工程中，很难收集到充足的故障数据，完备数据库难以建立。通常情况下，在连续监测数据流中，新的故障样本和新的故障模式是一批一批地被采集，这就要求智能诊断模型能够利用新采集到的故障数据进行在线更新，不断提高自身的诊断能力，实现终身学习。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向终身学习的旋转机械在线智能故障诊断方法及系统，当处理旋转机械连续监测数据流时，可在线快速更新智能诊断模型，实现智能诊断模型的终身学习。
本发明采用以下技术方案：
一种面向终身学习的旋转机械在线智能故障诊断方法，包括以下步骤：
S1、采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
S2、当逐步采集到新的故障样本数据时，采用样本增量学习的方式对步骤S1建立的初始智能诊断模型进行在线更新；
S3、当逐步采集到新的故障模式数据时，采用模式增量学习的方式对步骤S2更新后的智能诊断模型进行在线更新；
S4、采集待诊断旋转机械的数据样本，输入步骤S3更新后的智能诊断模型中，对旋转机械故障进行诊断。
具体的，步骤S1具体为：
S101、采集旋转机械在不同故障模式下的故障样本数据并进行归一化处理，构建初始训练数据集；
S102、构建多个线性自编码器模型对初始训练数据集进行特征提取与合并，得到旋转机械故障的线性映射特征；
S103、构建多个非线性自编码器模型对线性映射特征进行进一步特征提取与合并，得到旋转机械故障的非线性强化特征；
S104、合并线性映射特征和非线性强化特征，得到故障特征集合Am；
S105、构建分类器模型，并将故障特征集合输入到分类器中进行训练，得到初始智能诊断模型。
进一步的，步骤S105中，对分类器进行训练为：
Wm＝(λI+(Am)TAm)-1(Am)TY
其中，Wm为分类器的权重矩阵，λ为趋于0的正则化因子，I为单位阵，Y为故障标签。
具体的，步骤S2具体为：
S201、当采集到新的故障样本数据时，对其进行归一化处理，构建新样本数据集；
S202、利用已建立的线性自编码器模型和非线性自编码器模型对新样本数据集进行特征提取与合并，得到新样本数据集的故障特征集合
S203、利用新样本数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
S204、利用更新后的故障特征集合对分类器模型进行增量更新，得到样本增量学习后的智能诊断模型。
进一步的，步骤S204中，分类器模型增量更新的表达式为：
其中，为更新后的分类器的权重矩阵，/>为先前分类器的权重矩阵，yr+1为新样本数据集的标签，V为中间变量。
具体的，步骤S3具体为：
S301、当采集到新的故障模式数据时，对其进行归一化处理，构建新模式数据集；
S302、对分类器模型进行扩容处理，使其具备能够容纳新故障模式的空间，得到扩容后的分类器模型；
S303、利用已建立的线性自编码器模型和非线性自编码器模型对新模式数据集进行特征提取与合并，得到新模式数据集的故障特征集合；
S304、利用新模式数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
S305、利用更新后的故障特征集合对扩容后的分类器模型进行增量更新，得到新的分类器模型；
S306、构建一个新的非线性自编码器模型，并结合已建立的线性自编码器模型对新模式数据集进行特征提取，得到新的非线性强化特征
S307、利用步骤S306得到的新的非线性强化特征对步骤S2的故障特征集合/>进行合并与更新，得到更新后的故障特征集合/>
S308、利用更新后的故障特征集合进一步对新的分类器模型进行增量更新，得到模式增量学习后的智能诊断模型。
进一步的，步骤S302中，扩容处理为：
exY＝[Y|Φ]
其中，exY为扩容后的故障标签，为扩容后的分类器权重矩阵，/>为先前的分类器权重矩阵，Φ为零矩阵。
进一步的，步骤S305中，对扩容后的分类器模型进行增量更新为：
其中，为更新后的分类器的权重矩阵，/>为扩容后的分类器权重矩阵，/>为新样本数据集的故障特征集合，yr+1为新样本数据集的标签，V为中间变量。
进一步的，步骤S308中，对新的分类器模型进行增量更新为：
其中，为进一步更新后的分类器权重矩阵，/>为先前的分类器权重矩阵，exYr+1为所有样本数据的标签，U和V为中间变量。
本发明的另一技术方案是，一种面向终身学习的旋转机械在线智能故障诊断系统，包括：
采集模块，采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
第一更新模块，当逐步采集到新的故障样本数据时，采用样本增量学习的方式对采集模块建立的初始智能诊断模型进行在线更新；
第二更新模块，当逐步采集到新的故障模式数据时，采用模式增量学习的方式对第一更新模块更新后的智能诊断模型进行在线更新；
诊断模块，采集待诊断旋转机械的数据样本，输入第二更新模块更新后的智能诊断模型中，对旋转机械故障进行诊断。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种面向终身学习的旋转机械在线智能故障诊断方法，能够快速高效地处理监测数据流中随时间逐步增加的故障样本和故障模式。当新的故障样本和新的故障模式被采集到时，本发明不依赖完整的重新训练过程，而是通过增量学习的方式在线快速更新智能诊断模型，从而在提高智能诊断模型能力的同时，大幅提高了智能诊断模型的更新效率，实现智能诊断模型的终身学习。另外，本发明所建立的智能诊断模型在终身学习的过程中，仅依赖于新采集到的故障数据而不需要再次学习旧的故障数据，也就是说，本发明是不需要保存旧的故障数据，这种方式能够大大降低数据的存储消耗，同时能够有效地处理数据流信息，更有助于实际的工程应用。
进一步的，步骤S1中的特征提取过程，不仅能够提取与机械故障直接相关的线性映射特征，而且还能够提取与机械故障间接相关的非线性强化特征，特征提取更加全面，有利于提升诊断精度。
进一步的，步骤S105中的分类器训练过程不需要复杂的迭代优化，只需简单的矩阵运算即可实现，大大提高了分类器的训练效率。
进一步的，步骤S2通过新采集到的样本数据对智能诊断模型进行在线更新，以提高智能诊断模型的精度。
进一步的，步骤S204中模型增量更新方法的优点在于，可以在原模型基础上进行更新来容纳新的故障样本，而不需要重新训练一个新的模型。
进一步的，步骤S3通过新采集到的故障模式数据对智能诊断模型进行在线更新，以提高智能诊断模型的模式容量。
进一步的，步骤S302扩容处理用于在线扩张模型容量以容纳新采集到的故障模式。
进一步的，步骤S305中模型增量更新方法的优点在于，可以在原模型基础上进行更新来容纳新的故障模式，而不需要重新训练一个新的模型。
进一步的，通过步骤S308进一步更新和扩充模型容量，以更好地容纳新的故障模式。
综上所述，本发明通过初始模型训练、样本增量学习和模式增量学习实现智能诊断模型的终身学习，能够有效地处理数据流信息，大大降低数据的存储消耗，更有助于实际工程应用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图；
图2为本发明实施例中轴承故障特征的二维可视化图；
图3为本发明实施例中轴承故障诊断ATPR结果对比图；
图4为本发明实施例中轴承故障诊断ATNR结果对比图；
图5为本发明实施例中轴承在线智能诊断模型训练时间对比图。
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种面向终身学习的旋转机械在线智能故障诊断方法，旨在当处理连续监测数据流时，可在线快速更新智能诊断模型，实现智能诊断模型的终身学习。实现步骤为：首先，通过已采集到的历史故障数据建立初始的智能诊断模型；然后，当逐步采集到新的故障样本数据时，采用样本增量学习的方式对智能诊断模型进行在线更新；随后，当逐步采集到新的故障模式数据时，采用模式增量学习的方式对智能诊断模型进行在线更新；最后，采集待诊断旋转机械的数据样本，输入智能诊断模型，对旋转机械故障进行诊断。本发明通过初始模型训练、样本增量学习和模式增量学习实现智能诊断模型的终身学习，能够有效地处理数据流信息，大大降低数据的存储消耗，更有助于实际工程应用。
请参阅图1，本发明一种面向终身学习的旋转机械在线智能故障诊断方法，包括以下步骤：
S1、初始智能诊断模型设计与训练
采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
S101、采集旋转机械在不同故障模式下的故障样本数据并进行归一化处理，构建初始训练数据集；
初始训练集设置为包括前5种故障类型，即C1、C2、C3、C4和C5，每种故障类型包括225个故障样本，对每一个故障样本进行归一化处理后，得到初始训练数据集D0。
S102、构建多个线性自编码器模型对初始训练数据集进行特征提取与合并，得到旋转机械故障的线性映射特征；
构建5个线性自编码器模型，每个自编码器的模型结构为1024-10-1024，激活函数为线性激活函数，合并方式为：
Zn＝[z1,z2,…,zn]
其中，Zn为轴承故障的线性映射特征，zn为第n个线性自编码器提取的特征。
S103、构建多个非线性自编码器模型对线性映射特征进行进一步特征提取与合并，得到旋转机械故障的非线性强化特征；
构建13个非线性自编码器模型，每个自编码器的模型结构为130-150-130，激活函数为Sigmoid激活函数，合并方式为：
Hm＝[h1,h2,…,hm]
其中，Hm为轴承故障的线性映射特征，hm为第m个非线性自编码器提取的特征。
S104、合并线性映射特征和非线性强化特征，得到故障特征集合Am，合并方式为Am＝[Zn|Hm]，图2为故障特征的二维可视化图；Am，合并方式为Am＝[Zn|Hm]，图2为故障特征的二维可视化图
S105、构建分类器模型，并将故障特征集合输入到分类器中进行训练，得到初始智能诊断模型。
对分类器进行训练为：
Wm＝(λI+(Am)TAm)-1(Am)TY
其中，Wm为分类器的权重矩阵，λ为趋于0的正则化因子，I为单位阵，Am为故障特征集合，Y为故障标签。
S2、智能诊断模型在线样本增量学习
当逐步采集到新的故障样本数据时，采用样本增量学习的方式对智能诊断模型进行在线更新；
S201、当采集到新的故障样本数据时，对其进行归一化处理，构建新样本数据集；
构建了3个新样本数据集D1，D2和D3，每个样本数据集的结构和容量均于初始训练数据集一致。D1，D2和D3依次进入智能诊断模型对模型进行在线更新，以此来模拟连续监测数据流中递增故障样本的应用场景。
S202、利用已建立的线性自编码器模型和非线性自编码器模型对新样本数据集进行特征提取与合并，得到新样本数据集的故障特征集合
S203、利用新样本数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
合并与更新的表达式为：
其中，为更新后的故障特征集合，/>为先前的故障特征集合，/>为新样本数据集的故障特征集合。
S204、利用更新后的故障特征集合对分类器模型进行增量更新，得到样本增量学习后的智能诊断模型M1，M2和M3。
分类器模型增量更新的表达式为：
其中，为更新后的分类器的权重矩阵，/>为先前分类器的权重矩阵，yr+1为新样本数据集的标签，V为中间变量，表示如下：
其中，1表示元素全为1的矩阵，0表示零矩阵。
S3、智能诊断模型在线模式增量学习
当逐步采集到新的故障模式数据时，采用模式增量学习的方式对智能诊断模型进行在线更新；
S301、当采集到新的故障模式数据时，对其进行归一化处理，构建新模式数据集；
构建3个新模式数据集，即D4，D5，和D6，其中，D4包含新故障模式C6的900个样本，D5包含新故障模式C7的900个样本，D6包含新故障模式C8的900个样本。D4，D5和D6依次进入智能诊断模型对模型进行在线更新，以此来模拟连续监测数据流中递增故障模式的应用场景。
S302、对分类器模型进行扩容处理，使其具备能够容纳新故障模式的空间，得到扩容后的分类器模型；
扩容处理为：
exY＝[Y|Φ]
其中，exY为扩容后的故障标签，为扩容后的分类器权重矩阵，/>为先前的分类器权重矩阵，Φ为零矩阵。
S303、利用已建立的线性自编码器模型和非线性自编码器模型对新模式数据集进行特征提取与合并，得到新模式数据集的故障特征集合；
S304、利用新模式数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
S305、利用更新后的故障特征集合对扩容后的分类器模型进行增量更新，得到新的分类器模型；
对扩容后的分类器模型进行增量更新为：
其中，为更新后的分类器的权重矩阵。
S306、构建一个新的非线性自编码器模型，并结合已建立的线性自编码器模型对新模式数据集进行特征提取，得到新的非线性强化特征
新的自编码器模型的结构为50-1200-50。
S307、利用步骤S306得到的新的非线性强化特征对步骤S203的故障特征集合进行合并与更新，得到更新后的故障特征集合/>
合并与更新的方式为 为更新后的故障特征集合，/>为先前的故障特征集合，/>为新的非线性强化特征。
S308、利用更新后的故障特征集合进一步对新的分类器模型进行增量更新，得到模式增量学习后的智能诊断模型M4，M5和M6。
进一步对新的分类器模型进行增量更新为：
其中，为进一步更新后的分类器权重矩阵，/>为先前的分类器权重矩阵，exYr+1为所有样本数据的标签，U和V为中间变量，表示如下：
S4、采集待诊断旋转机械的数据样本，输入智能诊断模型，对旋转机械故障进行诊断。
采集旋转机械现场的样本数据并进行归一化处理，输入建立好的智能诊断模型对旋转机械故障进行诊断。
本发明再一个实施例中，提供一种面向终身学习的旋转机械在线智能故障诊断系统，该系统能够用于实现上述面向终身学习的旋转机械在线智能故障诊断方法，具体的，该面向终身学习的旋转机械在线智能故障诊断系统包括模块、模块、模块、模块以及模块。
其中，采集模块，采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
第一更新模块，当逐步采集到新的故障样本数据时，采用样本增量学习的方式对采集模块建立的初始智能诊断模型进行在线更新；
第二更新模块，当逐步采集到新的故障模式数据时，采用模式增量学习的方式对第一更新模块更新后的智能诊断模型进行在线更新；
诊断模块，采集待诊断旋转机械的数据样本，输入第二更新模块更新后的智能诊断模型中，对旋转机械故障进行诊断。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于面向终身学习的旋转机械在线智能故障诊断方法的操作，包括：
采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；当逐步采集到新的故障样本数据时，采用样本增量学习的方式对建立的初始智能诊断模型进行在线更新；当逐步采集到新的故障模式数据时，采用模式增量学习的方式对更新后的智能诊断模型进行在线更新；采集待诊断旋转机械的数据样本，输入更新后的智能诊断模型中，对旋转机械故障进行诊断。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关面向终身学习的旋转机械在线智能故障诊断方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；当逐步采集到新的故障样本数据时，采用样本增量学习的方式对建立的初始智能诊断模型进行在线更新；当逐步采集到新的故障模式数据时，采用模式增量学习的方式对更新后的智能诊断模型进行在线更新；采集待诊断旋转机械的数据样本，输入更新后的智能诊断模型中，对旋转机械故障进行诊断。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
本实施例为高铁轮对轴承故障诊断案例，测试轴承为双列圆锥滚子轴承。试验中，高铁轮辐运行速度为100km/h，径向载荷3kN，通过一个加速度传感器测量轴承垂直方向的加速度信号，采样频率为10kHz。
共考虑轴承的8种故障状态，分别为C1：正常状态，C2：外圈故障，C3：保持架故障，C4：滚动体故障，C5：外圈和保持架复合故障，C6：外圈和滚动体复合故障，C7：保持架和滚动体复合故障，C8：外圈、保持架和滚动体复合故障。
每种故障类型采集1000个数据样本，每个样本包含1024个数据点。从每种故障类型中抽取出100个样本构成测试集，用于验证模型性能。
以下结合实验结果，对本发明的技术效果作详细说明。
1.运行条件：
在中央处理器为Intel(R)Core(TM)i3-7100 3.90GHz、内存8G、WINDOWS 7操作系统上，使用MATLAB R2017b软件对本实施例进行计算。
2.结果分析：
本实施例采用average true positive rate(ATPR)和average true negativerate(ATNR)两个评价指标对诊断结果进行评测，ATPR和ATNR的结果越接近100％，表明方法的诊断效果越好。ATPR和ATNR的计算表达式为：
其中，为第i类中正确分类的样本数量，si为第i类的总样本数量，/>为除第i类以外正确分类的样本数量，/>为除第i类以外的总样本数量。
为了说明本发明的优越性，本实施例采用堆栈式自编码器模型进行对比验证，自编码器模型结构为1024-120-20-5，激活函数为Sigmoid函数，最大迭代次数为500次，学习率为0.5。当面临递增故障样本时，将新的样本数据与旧样本数据进行合并，重新对模型进行训练。当面临递增故障模式时，相应的扩展顶层分类器的输出节点，并将模式数据与旧数据进行合并，重新对模型进行训练。
图3和图4分别展示出了从M0到M6的ATPR和ATNR对比结果，可以看出，从M0到M6，本发明的诊断结果始终显著优于堆栈式自编码器，原因在于本发明在提取故障特征时，不仅可以提取与振动信号直接相关的线性映射特征，而且还可以提取高级别的非线性抽象特征，特征提取更加全面。而堆栈式自编码器只能够提取出轴承故障的高级别抽象特征，特征提取比较单一，导致其诊断结果不佳。
图5给出了本发明实现在线模型更新与堆栈式自编码器重新训练的时间消耗对比，可以看出，本发明模型更新耗时显著少于堆栈式自编码器的耗时，其原因在于本发明可以通过增量学习的方式实现模型的在线更新，而不需要通过重新训练。此外，本发明的在线更新过程只依赖于新采集的数据，不需要再次使用旧数据，大大提高了连续学习效率的同时显著降低了数据存储损耗，更有助于实际的工程应用。
综上所述，本发明一种面向终身学习的旋转机械在线智能故障诊断方法及系统，具有如下优点：
第一，本发明能够快速高效地处理监测数据流中随时间逐步增加的故障样本和故障模式。当新的故障样本和新的故障模式被采集到时，本发明不依赖完整的重新训练过程，而是通过增量学习的方式在线快速更新智能诊断模型，从而在提高智能诊断模型容量的同时，大幅提高了智能诊断模型的更新效率，实现智能诊断模型终身学习。
第二，本发明所建立的智能诊断模型在终身学习的过程中，仅依赖于新采集到的故障数据而不需要再次学习先前的故障数据，也就是说，本发明是不需要保存已学习过的故障数据，这种方式能够大大降低数据的存储消耗，同时能够有效地处理数据流信息，更有助于实际的工程应用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (7)
1.面向终身学习的旋转机械在线智能故障诊断方法，其特征在于，包括以下步骤：
S1、采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
S2、当采集到新的故障样本数据时，采用样本增量学习的方式对步骤S1建立的初始智能诊断模型进行在线更新，具体为：
S201、当采集到新的故障样本数据时，对其进行归一化处理，构建新样本数据集；
S202、利用已建立的线性自编码器模型和非线性自编码器模型对新样本数据集进行特征提取与合并，得到新样本数据集的故障特征集合
S203、利用新样本数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
S204、利用更新后的故障特征集合对分类器模型进行增量更新，得到样本增量学习后的智能诊断模型；
S3、继续采集故障模式数据，当采集到新的故障模式数据时，采用模式增量学习的方式对步骤S2更新后的智能诊断模型进行在线更新，具体为：
S301、当采集到新的故障模式数据时，对其进行归一化处理，构建新模式数据集；
S302、对分类器模型进行扩容处理，使其具备能够容纳新故障模式的空间，得到扩容后的分类器模型；
S303、利用已建立的线性自编码器模型和非线性自编码器模型对新模式数据集进行特征提取与合并，得到新模式数据集的故障特征集合；
S304、利用新模式数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；
S305、利用更新后的故障特征集合对扩容后的分类器模型进行增量更新，得到新的分类器模型；
S306、构建一个新的非线性自编码器模型，并结合已建立的线性自编码器模型对新模式数据集进行特征提取，得到新的非线性强化特征
S307、利用步骤S306得到的新的非线性强化特征对步骤S2的故障特征集合/>进行合并与更新，得到更新后的故障特征集合/>
S308、利用更新后的故障特征集合进一步对新的分类器模型进行增量更新，得到模式增量学习后的智能诊断模型，对新的分类器模型进行增量更新为：
其中，为进一步更新后的分类器权重矩阵，/>为先前的分类器权重矩阵，exYr +1为所有样本数据的标签，U和V为中间变量；
S4、采集待诊断旋转机械的数据样本，输入步骤S3更新后的智能诊断模型中，对旋转机械故障进行诊断。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
S101、采集旋转机械在不同故障模式下的故障样本数据并进行归一化处理，构建初始训练数据集；
S102、构建多个线性自编码器模型对初始训练数据集进行特征提取与合并，得到旋转机械故障的线性映射特征；
S103、构建多个非线性自编码器模型对线性映射特征进行进一步特征提取与合并，得到旋转机械故障的非线性强化特征；
S104、合并线性映射特征和非线性强化特征，得到故障特征集合Am；
S105、构建分类器模型，并将故障特征集合输入到分类器中进行训练，得到初始智能诊断模型。
3.根据权利要求2所述的方法，其特征在于，步骤S105中，对分类器进行训练为：
Wm＝(λI+(Am)TAm)-1(Am)TY
其中，Wm为分类器的权重矩阵，λ为趋于0的正则化因子，I为单位阵，Y为故障标签。
4.根据权利要求1所述的方法，其特征在于，步骤S204中，分类器模型增量更新的表达式为：
其中，为更新后的分类器的权重矩阵，/>为先前分类器的权重矩阵，yr+1为新样本数据集的标签，V为中间变量。
5.根据权利要求1所述的方法，其特征在于，步骤S302中，扩容处理为：
exY＝[Y|Φ]
其中，exY为扩容后的故障标签，为扩容后的分类器权重矩阵，/>为先前的分类器权重矩阵，Φ为零矩阵。
6.根据权利要求1所述的方法，其特征在于，步骤S305中，对扩容后的分类器模型进行增量更新为：
其中，为更新后的分类器的权重矩阵，/>为扩容后的分类器权重矩阵，/>为新样本数据集的故障特征集合，yr+1为新样本数据集的标签，V为中间变量。
7.一种面向终身学习的旋转机械在线智能故障诊断系统，其特征在于，包括：
采集模块，采集历史故障数据，建立初始的智能诊断模型并对智能诊断模型进行训练；
第一更新模块，当采集到新的故障样本数据时，采用样本增量学习的方式对采集模块建立的初始智能诊断模型进行在线更新，具体为：
当采集到新的故障样本数据时，对其进行归一化处理，构建新样本数据集；利用已建立的线性自编码器模型和非线性自编码器模型对新样本数据集进行特征提取与合并，得到新样本数据集的故障特征集合利用新样本数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；利用更新后的故障特征集合对分类器模型进行增量更新，得到样本增量学习后的智能诊断模型；
第二更新模块，继续采集故障模式数据，当采集到新的故障模式数据时，采用模式增量学习的方式对第一更新模块更新后的智能诊断模型进行在线更新，具体为：
当采集到新的故障模式数据时，对其进行归一化处理，构建新模式数据集；对分类器模型进行扩容处理，使其具备能够容纳新故障模式的空间，得到扩容后的分类器模型；利用已建立的线性自编码器模型和非线性自编码器模型对新模式数据集进行特征提取与合并，得到新模式数据集的故障特征集合；利用新模式数据集的故障特征集合对先前的故障特征集合进行合并与更新，得到更新后的故障特征集合；利用更新后的故障特征集合对扩容后的分类器模型进行增量更新，得到新的分类器模型；构建一个新的非线性自编码器模型，并结合已建立的线性自编码器模型对新模式数据集进行特征提取，得到新的非线性强化特征利用新的非线性强化特征/>对故障特征集合/>进行合并与更新，得到更新后的故障特征集合/>利用更新后的故障特征集合进一步对新的分类器模型进行增量更新，得到模式增量学习后的智能诊断模型，对新的分类器模型进行增量更新为：
其中，为进一步更新后的分类器权重矩阵，/>为先前的分类器权重矩阵，exYr +1为所有样本数据的标签，U和V为中间变量；
诊断模块，采集待诊断旋转机械的数据样本，输入第二更新模块更新后的智能诊断模型中，对旋转机械故障进行诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111131737.3A CN113962289B (zh) | 2021-09-26 | 2021-09-26 | 面向终身学习的旋转机械在线智能故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111131737.3A CN113962289B (zh) | 2021-09-26 | 2021-09-26 | 面向终身学习的旋转机械在线智能故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962289A CN113962289A (zh) | 2022-01-21 |
| CN113962289B true CN113962289B (zh) | 2024-04-05 |
Family
ID=79462621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111131737.3A Active CN113962289B (zh) | 2021-09-26 | 2021-09-26 | 面向终身学习的旋转机械在线智能故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962289B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116754016B (zh) * | 2023-06-25 | 2024-05-28 | 北京华控智加科技有限公司 | 故障检测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
| CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
| CN112633362A (zh) * | 2020-12-21 | 2021-04-09 | 华中科技大学 | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
-
2021
- 2021-09-26 CN CN202111131737.3A patent/CN113962289B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
| CN110070060A (zh) * | 2019-04-26 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN112633362A (zh) * | 2020-12-21 | 2021-04-09 | 华中科技大学 | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于增量贝叶斯学习模型的在线电路故障诊断;李梦婷;赵帅;陈绍炜;黄登山;;计算机应用与软件(第06期);全文 * |
| 增量LTSA算法在转子故障数据集降维中的应用;胡常安;袁德强;王彭;杜文波;;噪声与振动控制(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962289A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Sun et al. | A sparse auto-encoder-based deep neural network approach for induction motor faults classification | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| Zhang et al. | Instance-based ensemble deep transfer learning network: A new intelligent degradation recognition method and its application on ball screw | |
| Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
| Chen et al. | Fault diagnosis of high-speed train bogie based on capsule network | |
| CN115270956B (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
| Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
| Deutsch et al. | Using deep learning based approaches for bearing remaining useful life prediction | |
| Su et al. | A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity | |
| Peng et al. | Fault feature extractor based on bootstrap your own latent and data augmentation algorithm for unlabeled vibration signals | |
| Lv et al. | A predictive maintenance system for multi-granularity faults based on AdaBelief-BP neural network and fuzzy decision making | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| Zhou et al. | Automated model generation for machinery fault diagnosis based on reinforcement learning and neural architecture search | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
| Fu et al. | Broad auto-encoder for machinery intelligent fault diagnosis with incremental fault samples and fault modes | |
| Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN113962289B (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及系统 | |
| 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 | |
| CN112989976A (zh) | 一种基于双深度学习模型的设备故障模式预测方法 | |
| Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
| Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples |
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 |