CN113988126B - 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 - Google Patents
一种基于少标签数据特征迁移的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113988126B CN113988126B CN202111245670.6A CN202111245670A CN113988126B CN 113988126 B CN113988126 B CN 113988126B CN 202111245670 A CN202111245670 A CN 202111245670A CN 113988126 B CN113988126 B CN 113988126B
- Authority
- CN
- China
- Prior art keywords
- domain
- data
- prototype
- representing
- rolling bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000005096 rolling process Methods 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000013508 migration Methods 0.000 title claims abstract description 20
- 230000005012 migration Effects 0.000 title claims abstract description 20
- 230000006978 adaptation Effects 0.000 claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 230000004913 activation Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 239000011717 all-trans-retinol Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009901 attention process Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method 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
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- 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
- 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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于少标签数据特征迁移的滚动轴承故障诊断方法，用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。本发明的技术要点包括：引入原型对比学习进行域适应，建立基于原型域适应的故障诊断模型；提出将Res2Net结构中增加CBAM注意力机制模块，并进一步更换特征提取网络的激活函数，提高深度网络对滚动轴承数据特征提取能力，最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。本发明方法在滚动轴承变负载条件下具备较好的分类性能，可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题且具有良好的泛化性能。
Description
技术领域
本发明涉及滚动轴承故障诊断技术领域，具体涉及一种基于少标签数据特征迁移的滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械设备的关键部件，其健康状态对整个机械设备有巨大影响[1]。滚动轴承经常工作在变负载情况下，负载的变化会直接影响滚动轴承振动特征的改变[2]。因此，准确识别出不同负载下滚动轴承故障状态具有重要实际意义。
近年来浅层学习模型，如支持向量机和人工神经网络等，在机械故障智能诊断研究中占据了主流的地位[3-4]。然而，这种以先进信号处理技术结合特征提取技术为框架的浅层学习模型难以有效的完成轴承故障诊断任务。深度学习作为一种前沿的数据驱动方法，具有强大的非线性表示能力，可以从大量数据中自适应地提取特征，打破了对信号预处理技术与人工特征工程的依赖。文献[5]介绍了深度置信网络、卷积神经网络、深度自动编码机和循环神经网这4种主流深度学习模型的基本原理，并依次实现了其在机械部件智能诊断和预测中的应用；文献[6]采用多目标优化算法作为集成策略的方法，将卷积残差网络、深度置信网络和深度自编码器进行加权和集成，实现对转子故障的有效诊断；文献[7]提出一种基于深度学习的多信号故障诊断方法，该方法在感应电机的故障识别方面具有较好的性能；文献[8]提出深度卷积神经网络和随机森林集成学习的方法，可对轴承进行有效的故障诊断；文献[9]提出一种新的卷积深度置信网络，并与压缩感知方法相结合进行故障诊断，获得了较好效果。
上述基于深度学习的智能诊断模型的成功训练都离不开充足可用的监测数据，即健康状态的标注信息充足。更苛刻的是，模型的训练样本和测试样本须满足同分布要求[10]，迁移学习可以利用相似的源域数据辅助目标域数据进行建模，其在很大程度上降低了上述要求。文献[11]构建了一维深度卷积神经网络，并加入领域适配正则约束项，最终在两个滚动轴承数据集上获得了较高的准确率；文献[12]提出一种深度迁移非负约束稀疏自动编码器，利用参数传递解决不同工作条件下带标签数据稀缺的滚动轴承故障诊断问题，具有较好的效果；文献[13]提出一种基于参数迁移的改进最小二乘支持向量机迁移学习的方法，实现了在目标域中已知标签数据较少的条件下滚动轴承的故障诊断。
上述迁移学习方法虽然解决了源域数据和目标域数据必须满足同分布的问题，但目标域仍需要一些带标签数据对模型进行微调，属于模型迁移方法。而实际工程中收集到的带标签的数据稀缺，如果目标域数据不带标签则无法对源域训练好的模型进行微调，不能达到对目标域数据进行分类的目的，域适应方法可以解决上述问题。文献[14]提出一种构建多域特征和无监督特征迁移学习的滚动轴承故障诊断方法，在目标域不含标签的情况下，获得了较高的故障诊断准确率；文献[15]提出了一种基于分类器差异的新型智能诊断框架，在目标域无标签的情况下，所提方法在行星齿轮数据和滚动轴承数据上获得了较高的准确率；文献[16]针对实际工作中目标域获得带标签数据困难的问题，提出了一种条件数据对齐和预测的方法来实现部分域适应，该方法在旋转机械数据集上获得了较好的分类准确率。
上述迁移学习方法虽然解决了目标域数据带标记数据少或者无带标记数据的问题，但在实际工程实践中，还存在源域带标记数据同样难以获得的情况，此时上述方法无法解决。
发明内容
鉴于以上问题，本发明提出一种基于少标签数据特征迁移的滚动轴承故障诊断方法，用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。
一种基于少标签数据特征迁移的滚动轴承故障诊断方法，包括以下步骤：
步骤一、在一种负载类型下获取包含所有状态且少量带有状态标签的滚动轴承振动信号作为源域数据；在其他负载类型下获取包含所有状态且不带有状态标签的滚动轴承振动信号作为目标域数据，并将目标域数据分为目标域训练数据和目标域测试数据；
步骤二、对源域数据和目标域数据进行预处理，获得源域图像数据集和目标域图像数据集；其中，目标域图像数据集包括目标域训练图像数据集和目标域测试图像数据集；
步骤三、利用包含改进残差块结构和激活函数的ResNet网络对源域图像数据集和目标域训练图像数据集分别进行特征提取，分别获得源域特征样本集和目标域特征样本集；
步骤四、将所述源域特征样本集和目标域特征样本集同时输入原型域适应分类模型，通过基于原型域适应方法对源域特征样本集和目标域特征样本集进行域适应训练；
步骤五、迭代循环执行步骤三至步骤四，直至总损失函数达到收敛条件，获得基于原型域适应的滚动轴承故障诊断模型；
步骤六、将目标域测试图像数据集输入到训练好的滚动轴承故障诊断模型中，获得最终诊断结果。
进一步地，步骤一中负载类型包括0hp、1hp、2hp和3hp；所述状态包括正常状态和故障状态，所述故障状态包括内圈故障、滚动体故障、外圈故障及不同损伤程度状态。
进一步地，步骤二中所述预处理包括对源域数据和目标域数据做小波变换，分别构建二维源域图像数据集和目标域图像数据集。
进一步地，步骤三中所述改进残差块结构为：引入Res2Net网络结构，在Res2Net网络结构中增加卷积块注意力模块—CBAM模块，CBAM模块由增加通道注意力机制和空间注意力机制组成，Res2Net网络输出的特征依次经过增加通道注意力机制和空间注意力机制，获得通过注意力过程之后输出的特征；其中，
经过增加通道注意力机制的计算公式为：
式中，表示通过增加通道注意力机制中平均池生成的空间描述；/>表示通过增加通道注意力机制中最大池生成的空间描述；W0和W1为两个卷积层，σ为Sigmoid函数；
经过空间注意力机制的计算公式为：
式中，f7×7表示卷积核为7×7；表示通过空间注意力机制中平均池生成的空间描述，/>表示通过空间注意力机制中最大池生成的空间描述。
进一步地，步骤三中所述激活函数为meta-acon激活函数，所述meta-acon激活函数是在激活函数ACON-C基础上进行修改得到的，所述激活函数ACON-C表达式为：
C(x)＝(p1-p2)xσ[β(p1-p2)x]+p2x
其中，p1、p2为可学习的参数；β为平滑因子；x表示特征向量；
将上式中的平滑因子β修改替换为下式的βc：
其中，βc表示自适应函数在通道空间进行设计的平滑因子；c、h和w代表空间维度尺寸；W1∈Rc×c/r，W2∈Rc/r×c，R代表空间维度，r为缩放参数。
进一步地，步骤四中每一次迭代训练的具体过程包括：
步骤四一、对源域特征样本集进行聚类，获得源域聚类中心点集，并将归一化后的源域聚类中心点集作为源域标准化原型；对目标域特征样本集进行聚类，获得目标域聚类中心点集，并将归一化后的目标域聚类中心点集作为目标域标准化原型；
步骤四二、计算源域标准化原型和源域特征样本集之间的源域相似度分布向量，计算目标域标准化原型和目标域特征样本集之间的目标域相似度分布向量，并根据源域相似度分布向量和目标域相似度分布向量计算获得域内原型对比损失；
步骤四三、计算源域标准化原型和目标域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第一跨域相似度分布向量；计算目标域标准化原型和源域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第二跨域相似度分布向量；并根据第一跨域相似度分布向量和第二跨域相似度分布向量计算获得跨域原型对比损失；
步骤四四、利用源域图像数据集中少量带有状态标签的样本获得交叉熵损失；
步骤四五、利用源域图像数据集中少量带有状态标签的样本以及具有高可信度的预测样本获得分类器损失；
步骤四六、将获得的总损失反向传播以优化ResNet网络，所述总损失的计算公式为：
L＝Lcls+λin·LInSelf+λcross·LCrossSelf+λMIM·LMIM
式中，Lcls表示交叉熵损失；LInSelf表示执行多次聚类后的平均域内原型对比损失；LCrossSelf表示跨域原型对比损失；LMIM表示分类器损失；λin表示域内原型对比损失的权重超参数；λcross表示跨域原型对比损失的权重超参数；λMIM表示分类器损失的权重超参数。
进一步地，步骤四二中所述域内原型对比损失的计算公式为：
式中，LCE为交叉损失函数，cs(·)为源域中返回实例的群集索引，ct(·)为目标域中返回实例的群集索引，表示源域相似度分布向量，/>表示目标域相似度分布向量；Ns表示源域图像数据集中带有状态标签的样本总数；Nsu表示源域图像数据集中不带有状态标签的样本总数；Ntu表示目标域训练图像数据集的样本总数。
进一步地，步骤四三中所述跨域原型对比损失的计算公式为：
式中，表示第二跨域相似度分布向量；/>表示第一跨域相似度分布向量。进一步地，步骤四四中所述交叉熵损失的计算公式为：
Lcls＝E(x,y)∈DSLCE(P(x),y)
式中，LCE表示交叉损失函数；P(x)表示ResNet网络结构中通过Softmax层的概率；y表示源域图像数据集中状态标签；表示源域图像数据集中带有状态标签的样本。
进一步地，步骤四五中所述分类器损失通过ResNet网络的输出熵和预测值熵相减得到。
本发明的有益技术效果是：
本发明提出引入原型对比学习进行域适应，建立基于原型域适应的故障诊断模型；提出将Res2Net结构中增加CBAM注意力机制模块，形成新的网络结构，实现对ResNet的改进，利用改进的特征提取网络对原型域适应模型进行优化，提升原有模型的特征提取能力，最终提高了模型的诊断准确率，解决了源域和目标域数据分布差异大的问题，以及普通域适应中源域需要大量带标记数据的问题。实验结果表明，本发明方法在滚动轴承变负载条件下具备较好的分类性能；可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题且具有良好的泛化性能。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明中异常情况下普通域适应示意图；
图2是本发明中原型域适应示意图；
图3是本发明中残差块结构示例图；
图4是本发明中CBAM结构示例图；
图5是本发明中改进后残差块结构图；
图6是本发明中基于原型域适应的滚动轴承故障诊断方法流程框图；
图7是本发明中实验装置示意图；
图8是本发明中不同带标记数据个数的诊断准确率对比图；
图9是本发明中网络改进前后准确率结果对比图；
图10是本发明中网络改进前特征可视化效果图；
图11是本发明中网络改进后特征可视化效果图；
图12是本发明方法与其他深度域适应方法对比结果图；
图13是本发明中不平衡数据下变负载滚动轴承故障分类准确率示意图；
图14是本发明中R＝1AB/CD数据集的混淆矩阵。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，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方式或实施例，都应当属于本发明保护的范围。
本发明引入基于原型域适应方法，将少量带标记数据和大量不带标记的滚动轴承某负载的数据作为源域，将完全无标记的滚动轴承其他负载数据作为目标域；同时对特征提取网络ResNet的残差块内部结构进行改进，添加注意力机制模块，增加网络的感受野范围和有用特征的关注度；进一步更换特征提取网络的激活函数，提高深度网络对滚动轴承数据特征提取能力，最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。下面对本发明方法进行详细的说明。
1.模型建立
1.1原型域适应
原型对比学习是一种将对比学习与聚类联系起来的无监督表示学习方法[17]。原型域适应方法分别在源域、目标域以及域适应过程中实行基于原型对比学习，可以使同类数据更加紧密，不同类数据空间距离更远，提高分类效果。在少标记数据的原型域适应中，源域非常有限的标记数据表示为未标记的数据表示为/>目标域中全部未标记的数据表示为/>
在普通域适应方法中会出现源域存在异常数据，目标域中某些类样本与源域的异常数据极为接近，则异常样本将与目标域中的该类所有特征匹配，造成错误分类的情况，如图1所示。而原型域适应方法可以避免上述情况发生。在源域进行聚类选择出质心，即原型，图2中空心图形的部分。将源域原型和特征向量进行原型对比学习，通过训练不断最小化损失函数实现数据更接近相关原型。
原型域适应方法在源域和目标域设置了两个存储特征向量的存储体Vs和Vt，用fi初始化，并在每批之后用动量m更新。对Vs和Vt进行K-means聚类以获得源聚类和目标域聚类Ct，其中，k为聚类个数。源域的标准化原型为/>其中，/>；同理，目标域的标准化原型为/>其中，/>可由相同方法得到。在训练过程中采用改进的ResNet网络进行特征提取，特征向量表示为/>由式(1)计算fi s和/>之间的相似度分布向量：
其中，φ为温度参数，决定了相似性分布的浓度水平。域内原型对比损失为：
其中，cs(·)和ct(·)为返回实例的群集索引，LCE为交叉损失函数；表示源域相似度分布向量；/>表示目标域相似度分布向量；Ns表示源域图像数据集中带有状态标签的样本总数；Nsu表示源域图像数据集中不带有状态标签的样本总数；Ntu表示目标域训练图像数据集的样本总数。则执行多次聚类后的平均域内原型对比损失为：
其中，M为执行M次K-means。
图2中虚线箭头表示为域适应过程，分别将源域的原型、特征向量和目标域的特征向量、原型进行原型对比学习。在源域中选择特征向量fi s，在目标域中选择原型通过式(4)计算特征向量和原型的相似度：
将的熵减到最小，即第二跨域相似度分布向量：
在目标域进行相同的运算获得第一跨域相似度分布向量则跨域最终损失为：
利用源域数据集中的少量带标记数据可得到交叉熵损失，如式(7)所示：
其中，为通过Softmax层的概率，W为分类器权重向量，伪特征向量，T为温度参数，σ代表Softmax层；y表示源域图像数据集中状态标签；/>表示源域图像数据集中带有状态标签的样本。
源域带标记数据较少，很难获得具有高分类性能的分类器，因此需要使用少量标记的数据以及具有高可信度的预测样本来获得每类的原型，进行辅助训练获得分类器损失。定义P(x)＝[P(x1)，…P(xi)]，/>和/>表示在源域和目标域中具有高可信度的样本集，则/>t为置信度阈值。同样的方法在目标域得到可由式(8)、(9)计算源域和目标域对分类器权重向量Wi的估计值：
其中，
为了使网络在数据集上具有多样化的输出，最大化输入和输出之间的互信息，互信息如式(10)所示：
I(y；x)＝H(P0)-E[H(P(y|x；θ)))] (10)其中，P0可由Ex[P(y|x；θ)]得到，H(P0)为特征提取网络预测值熵，E[H(P(y|x，θ))]为特征提取网络输出熵。可得到分类器损失如式(11)所示：
LMIM＝-I(y；x) (11)
最终基于原型域适应方法的总损失如式(12)所示：
L＝Lcs+λin·LInSelf+λcross·LCrossSelf+λMIM·LMIM (12)
其中，每个λ代表各个损失的权重超参数，本发明设置全部为1。
1.2ResNet网络结构改进
残差块作为ResNet网络的基本结构，如图3所示。Res2Net的特殊结构可以扩大感受野范围[18]，提取更细粒度的特征，因此本发明提出引入Res2Net结构，对特征提取网络中的残差块进行修改。为了提高网络对有效特征的关注度，提出在Res2Net结构中增加卷积块注意力模块-Convolutional Block Attention Module即CBAM模块[19]，CBAM模块主要由增加通道注意力机制和空间注意力机制组成，结构如图4所示。
Res2Net结构中将1×1卷积之后的特征平均分成s个特征子集，用xi表示，其中i∈{1，2，…，s}，为了增加s的同时减少参数，省略了x1的3×3卷积。剩余每个xi都有一个对应的3×3卷积，用Ki表示，并用fi表示Ki的输出。特征子集xi与Ki-1的输出相加，然后反馈到Ki。fi可表示为：θ
考虑模型参数问题，本发明中s＝4，与未改进的残差块进行对比，残差块由原来的一层3×3卷积变成了三层的3×3卷积，因此感受野范围增加到了7×7。改进后的残差块如图5所示。
Res2Net网络输出的特征fi依次经过通道和空间注意力机制，通道注意力模块计算方法如式(14)所示：
其中，表示通过增加通道注意力机制中平均池生成的空间描述；/>表示通过增加通道注意力机制中最大池生成的空间描述；W0和W1为两个卷积层，σ为Sigmoid函数。
空间注意力模块计算方法如式(15)所示：
其中，f7×7表示为卷积核为7×7；表示通过空间注意力机制中平均池生成的空间描述，/>表示通过空间注意力机制中最大池生成的空间描述。
整个注意力过程表示为：
其中，f″为通过注意力过程之后输出的特征。
1.3激活函数选择
激活函数可将非线性特性引入神经网络中，提高网络对复杂数据的分类能力。文献[20]提出一种新的激活函数meta-acon，可以自适应决定每个神经元是否进行激活。因此本发明选用meta-acon激活函数代替改进后的ResNet网络中ReLU。meta-acon激活函数是在激活函数ACON-C基础上进行修改得到的，ACON-C激活函数表达式如式(17)所示：
C(x)＝(p1-p2)xσ[β(p1-p2)x]+p2x (17)
其中，p1、p2为可学习的参数，σ为Sigmoid函数，β为平滑因子，x表示特征向量。
当β→∞时，C(x)＝max(p1x，p2x)为非线性；当β→0时，C(x)＝mean(p1x，p2x)为线性。因此采用β＝G(x)模块学习β即可控制神经元是否激活，其中x∈Rc×h×w。β表达式如式(18)所示：
其中，βc表示自适应函数在通道空间进行设计的平滑因子，c、h和w代表空间维度尺寸，W1∈Rc×c/r，W2∈Rc/r×c，R代表空间维度，r为缩放参数。
2.滚动轴承故障诊断方法
基于原型域适应变负载下滚动轴承故障诊断方法流程框图，如图6所示，具体步骤如下：
(1)将滚动轴承某种已知负载下的数据视作源域(只含少量带标记数据)，其他负载下的数据视作目标域(完全不带标记数据)。然后分别对源域和目标域数据做小波变换并分别构建源域和目标域的二维图像数据集，并把目标域数据集分为目标域训练数据和目标域测试数据。
(2)利用改进残差块结构和激活函数的ResNet网络对源域数据集和目标域训练数据进行特征提取，构建滚动轴承特征样本集。同时通过基于原型域适应方法对源域特征样本集和目标域训练特征样本集进行域适应，缩小不同负载造成的同类状态之间的差异。
(3)将经过(2)提取的源域特征样本和部分目标域训练特征样本对原型域适应分类模型进行训练，将获得的总损失反向传播以优化特征提取网络，通过多次迭代训练不断最小化总损失函数，当总损失函数收敛的情况下得到基于原型域适应的训练模型。
(4)将目标域的测试样本输入到训练好的模型中，获得最终的诊断结果。
3.应用与分析
为验证本发明方法的有效性和准确性，采用美国凯斯西储大学的轴承数据集进行实验验证。轴承试验台示意图如图7所示，电机驱动端深沟球轴承型号为SKF6205，利用16通道的数据记录仪采集滚动轴承振动信号，采样频率为12kHz。
负载类型包括0hp、lhp、2hp和3hp，根据负载的不同，电机转速在1730rpm和1797rpm之间变化。每种负载下均包含正常状态(N)及内圈故障(IR)、外圈故障(0R)、滚动体故障(B)的3种故障损伤程度，损伤直径分别为0.1778mm、0.3556mm、0.5334mm，正常状态下滚动轴承没有发生损伤，因此没有故障部位及故障损伤程度。对滚动轴承的正常状态，内圈、外圈、滚动体故障及不同故障损伤程度10种状态进行分类。以0hp为例，实验数据的表示方法如表1所示。
表1实验数据表示方法
具体样本集组成如表2所示，样本集A为0负载、1797rpm转速下包含10种不同状态的3000个数据样本组成。样本集B、C与D的组成与A类似。其中“源域C、目标域AB”表示特征样本集C作为源域数据，特征样本集A、B作为目标域数据，其他以此类推。
表2不同负载滚动轴承样本集构成
为了确定源域每类带标记数据个数，分别设置源域每类带标记数据为1个、3个和5个，以任务1、任务2和任务3为例进行实验，最终测试准确率如图8所示，任务1、任务2和任务3在源域每类带标记数据为1个、3个和5个的情况下的准确率均在98％以上。当带标记数据为1个的情况下与带标记数据为3个或5个的准确率相差不大，说明本发明方法在源域每类仅1个带标记数据情况下即可实现故障识别。这是由于在域适应之前进行的原型对比学习将自监督学习和聚类方法结合，不需要带标记数据。而少量带标记数据只是用在训练分类器过程中，在此过程中可以利用高可信度的预测样本进行辅助，因此源域仅有少量标记数据即可达到预期效果。根据上述结果后续实验中选取某负载下每类1个带标记样本，299个不带标记样本作为源域，选取其他负载下的不带标记的样本作为目标域，数据分布不同，符合变负载下滚动轴承故障诊断实验的要求。
为了验证本发明改进后的方法具有更好的故障诊断能力，将改进后的方法在7个分类任务上得到的准确率与未改进的方法得到准确率进行对比，结果如图9所示。图9中，方案一是原始的原型域适应方法、方案二是改进ResNet网络结构的原型域适应方法、方案三是在方案二的基础上修改激活函数的原型域适应方法，即本发明方法。从图9可以看出，在上述7个任务中本发明方法得到的准确率相比于未改进之前得到的准确率都有提升，最高提升了5.32％。因此通过上述对比试验可以证明本发明方法有较好的故障诊断性能。
为了进一步表明改进后的方法中特征提取网络的有效性，引入t-SNE(t-distributed stochastic neighbor embedding)算法，对源域为C、目标域为D的情况进行特征可视化。将改进前后的ResNet网络的最后一层全连接层的特征降维至二维，并以散点图形式表示出来。特征可视化效果图如图10、图11所示。
如图10所示改进前的网络提取的特征大部分都聚集在各自的区域，但是仍然有错分现象如L1、L2、L3、L4、L5和L7，L6部分同类特征之间没有聚合，L4部分还存在边界不明显，部分数据混叠的问题。由图11可以相较于图10各个类别的样本更加聚拢，数据混叠现象得到明显改善，只有1个部分出现错分现象，错分现象明显减少。其原因在于改进后的ResNet网络提取的特征更具全局性，增强了不同工况下同种状态振动信号的共同特征，达到了进一步减小两个领域数据分布差异的目的。说明改进后的ResNet网络可以作为特征提取网络，为后续进行原型域适应方法提供基础。
为了证明改进后的原型域适应方法在滚动轴承变负载条件下有较好的分类性能，将本发明方法同深度适配网络(Deep Adaptation Network,DAN)、动态对抗域适应网络(Dynamic Adversarial Adaptation Network,DAAN)、域适应神经网络(Domain AdaptiveNeural Network,DANN)、多表示域适应(Multi-Representation Adaptation Network，MRAN)和条件对抗域适应(Conditional Adversarial Domain Adaptation,CDAN)方法进行对比实验。在变负载条件下，基于相同的数据集，进行滚动轴承的故障诊断实验。实验样本集的选取采用表1的方式，结果如图12所示。从图12中可以看出上述7个任务中本发明方法获得的准确率比其他深度域适应方法获得的准确率都有较大提升。在D/ABC情况下优势更加明显，准确率最高提升了16.55％。且普通域适应方法中源域每类带标记数据为300个，而本发明方法每类带标记数据仅1个。综上，本发明方法可以在源域仅有1个带标记的数据，目标域没有带标记数据的情况下获得很高的分类准确率，和传统的深度域适应方法相比有较大的提升。
在现代工业中，机械设备大多处于正常工作状态，较少发生设备故障等异常情况，容易导致所采集的振动数据分布不平衡。因此为验证方法在处理不平衡数据方面也有优势，进行多状态数据分布不平衡的实验。滚动轴承故障类型与上文所述一致，进行10种状态的变负载实验，具体数据集设置如表3所示。
表3不平衡实验数据集组成
为模拟采集的滚动轴承数据是不平衡数据的情况，按照不同的不平衡比构造源域数据集，R定义为故障数据的数量与正常数据的数量之比。设置不平衡比分别为1、2/3、1/2、1/10进行实验。R＝1时，表示数据集为平衡数据集；R＝2/3时，此时为轻度不平衡数据集；R＝1/2时，为中度不平衡数据集；R＝1/10时，为极度不平衡数据集。从表2中7个任务中选取4个具有代表性的任务进行不平衡数据的实验。
由图13可知，无论源域数据集是单一负载还是多种负载，基于原型域适应方法均具有良好的分类准确率。即使在R＝1/10极度不平衡的情况下也有很高的准确率。当R＝1以AB/CD进行实验时分类准确率最高，此时准确率为99.9％，当R＝1/10以A/B进行实验时分类准确率最低，此时准确率为96.8％。上述所有实验结果都在96％以上，因此验证了本发明方法可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题。
为了清楚展示各个状态的分类结果，引入混淆矩阵来记录所有状态的分类结果，其中包含正确分类信息和错误分类信息。以AB/CD数据进行实验，绘制在R＝1下滚动轴承10种状态分类准确率的混淆矩阵，如图14所示。显然，本发明方法在处理数据不平衡时仍然能获得较好的分类结果。
对于不平衡数据集，仅使用分类准确率和F1值来评价模型的分类性能还不够全面。因此，添加衡量指标G-mean值和F1值[21]，该指标对少数类样本的分类结果更为敏感，更适用于不平衡分类模型的性能评估，G-mean值越高分类效果越好。不同R的G-mean值和F1值如表4所示。
表4数据不平衡时G-mean和F1数值
从表4可以更直观地看出原型域适应方法对于振动数据不平衡情况时的分类性能，同时验证该方法具有良好的鲁棒性，即使数据不平衡、负载发生变化，仍具有较好的分类性能。
进一步为了证明本发明方法的泛化性能，设置了泛化性实验。实验中分为源域、目标域和泛化域，其中源域数据和目标域数据为训练数据进行模型训练，泛化域数据不参与模型训练过程，直接作为测试数据对模型进行测试，最终可根据测试准确率来判断模型的泛化性能。实验数据设置和实验结果如表5所示。其中每个域均为10类，源域每类300个样本，1个带标记数据，299个不带标记数据。目标域每类200个样本均为不带标记的数据，泛化域每类100个样本均为不带标记的数据。
表5泛化性实验结果
| 源域 | 目标域 | 泛化域 | 准确率(％) |
| A | B | C | 94.55 |
| B | D | A | 99.20 |
| B | C | D | 97.85 |
| C | A | B | 97.64 |
| C | B | D | 96.28 |
| D | A | B | 93.47 |
| D | B | C | 99.58 |
通过表5可以看出，泛化域即使不参与训练过程直接进行测试，最终的准确率也很高，证明了本发明方法有较高的泛化性能。
综上，将本发明方法应用于变负载下轴承故障诊断中，从识别准确率、特征可视化两个方面验证了该网络模型的有效性。实验结果表明，本发明方法源域只有1个带标记的数据，而其他方法源域300个样本均为带标记数据的情况下，本发明方法在7种分类代表性任务上都到达了99％的分类准确率，与传统域适应方法相比准确率最高提升了11.86％。
针对不同滚动轴承状态下振动数据分布不平衡的问题，利用G-mean值和F1值评价指标。在4种不同任务上G-mean和F1值都在0.96以上，G-mean值最高达到0.9991，F1值最高达到0.9990，因此验证了本发明方法可解决数据分布不平衡的问题。
为了验证本发明方法的泛化性能，在源域和目标域的基础上，添加了不参与训练只进行测试的泛化域，设置了7组实验，最终的测试准确率都在93％以上，因此证明了本发明方法具有良好的泛化性能。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
本发明所援引文献如下：
[1]Wang,Y Wang C,Kang S.Q.,et al.The network combined broad learningwith transfer learning:a new intelligent fault diagnosis method for rollingbearings[J].Measurement Science and Technology,2020,31(11):115013.
[2]康守强,刘哲,王玉静,等.基于改进DQN网络的滚动轴承故障诊断方法[J].仪器仪表学报,2021,42(03):201-212.
[3]Zheng J D,Dong Z L,Pan H,et al.Composite multi-scale weightedpermutation entropy and extreme learning machine based intelligent faultdiagnosis for rolling bearing[J].Measurement.2019,143:69-80.
[4]Ma P,Zhang H L,Fan W H,et al.A novel bearing fault diagnosismethod based on 2D image representation and transfer learning-convolutionalneural network[J].Measurement Science and Technology.2019,30(5):2-17.
[5]姜洪开,邵海东,李兴球.基于深度学习的飞行器智能故障诊断方法[J].机械工程学报,2019,55(07):27-34
[6]Ma S,Chu F.Ensemble deep learning-based fault diagnosis of rotorbearing systems[J].Computers in Industry,2019,105(4):143-152.
[7]Shao S,Yan R Q,Lu Y,et al.DCNN-Based Multi-Signal Induction MotorFault Diagnosis[J].IEEE Transactions on Instrumentation and Measurement,2020,69(6):2658-2669.
[8]Xu G W,Liu M,Jiang Z F,et al.,Bearing fault diagnosis method basedon deep convolutional neural network and random forest ensemble learning[J].Sensors.2019,19(5):1-21.
[9]Wu Z H,Jiang H K,Zhao K,et al.,An adaptive deep transfer learningmethod for bearing fault diagnosis,Measurement.2020(151):2-29.
[10]邵海东,张笑阳,程军圣,等.基于提升深度迁移自动编码器的轴承智能故障诊断[J].机械工程学报,2020,56(09):84-90.
[11]郭亮,董勋,高宏力,等.无标签数据下基于特征知识迁移的机械设备智能故障诊断[J].仪器仪表学报,
2019,40(08):58-64.
[12]LI X,JIANG H,ZHAO K,et al.A Deep TransferNonnegativity-ConstraintSparse Autoencoder for RollingBearing Fault Diagnosis With Few Labeled Data[J].IEEEAccess,2019,7:91216-91224
[13]陈超,沈飞,严如强.改进LSSVM迁移学习方法的轴承故障诊断[J].仪器仪表学报,2017,38(01):33-40.
[14]康守强,邹佳悦,王玉静,等.基于无监督特征对齐的变负载下滚动轴承故障诊断方法[J].中国电机工程学报,2020,40(01):274-281+393.
[15]Jiao J,Zhao M,Lin J.Unsupervised Adversarial Adaptation Networkfor Intelligent Fault Diagnosis[J].IEEE Transactions on IndustrialElectronics,2019,67(11):9904-9913.
[16]Li X,Zhang W.Deep Learning-Based Partial Domain Adaptation Methodon Intelligent Machinery Fault Diagnostics[J].IEEE Transactions on IndustrialElectronics,2020,68(5):4351-4361.
[17]Li J N,Zhou P,Xiong C M,et al.Prototypical Contrastive Learningof Unsupervised Representations[C].International Conference on LearningRepresentations,2021.
[18]Gao S,Cheng M M,Zhao K,et al.Res2net:A new multi-scale backbonearchitecture[J].IEEE transactions on pattern analysis and machineintelligence,2021,43(2):652-662.
[19]Woo S,Park J,Lee J Y,et al.Cbam:Convolutional block attentionmodule[C].Proceedings of the European conference on computer vision.2018:3-19.
[20]Ma N N,Zhang X Y,Liu M,et al.Activate or Not:Learning CustomizedActivation[C].Proceedings of the IEEE Conference on Computer Vision andPattern Recognition,2021:8032-8042.
[21]Espindola R P,Ebecken N F,On extending F-measure and G-meanmetrics to multi-class problems[C].WIT Transactions on Information andCommunication Technologies.2005,25-34.
Claims (8)
1.一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤一、在一种负载类型下获取包含所有状态且少量带有状态标签的滚动轴承振动信号作为源域数据；在其他负载类型下获取包含所有状态且不带有状态标签的滚动轴承振动信号作为目标域数据，并将目标域数据分为目标域训练数据和目标域测试数据；
步骤二、对源域数据和目标域数据进行预处理，获得源域图像数据集和目标域图像数据集；其中，目标域图像数据集包括目标域训练图像数据集和目标域测试图像数据集；
步骤三、利用包含改进残差块结构和激活函数的ResNet网络对源域图像数据集和目标域训练图像数据集分别进行特征提取，分别获得源域特征样本集和目标域特征样本集；所述改进残差块结构为：引入Res2Net网络结构，在Res2Net网络结构中增加卷积块注意力模块—CBAM模块，CBAM模块由增加通道注意力机制和空间注意力机制组成，Res2Net网络输出的特征依次经过增加通道注意力机制和空间注意力机制，获得通过注意力过程之后输出的特征；其中，经过增加通道注意力机制的计算公式为：
式中，表示通过增加通道注意力机制中平均池生成的空间描述；/>表示通过增加通道注意力机制中最大池生成的空间描述；W0和W1为两个卷积层，σ为Sigmoid函数；
经过空间注意力机制的计算公式为：
式中，f7×7表示卷积核为7×7；表示通过空间注意力机制中平均池生成的空间描述，表示通过空间注意力机制中最大池生成的空间描述；
步骤四、将所述源域特征样本集和目标域特征样本集同时输入原型域适应分类模型，通过基于原型域适应方法对源域特征样本集和目标域特征样本集进行域适应训练；其中每一次迭代训练的具体过程包括：
步骤四一、对源域特征样本集进行聚类，获得源域聚类中心点集，并将归一化后的源域聚类中心点集作为源域标准化原型；对目标域特征样本集进行聚类，获得目标域聚类中心点集，并将归一化后的目标域聚类中心点集作为目标域标准化原型；
步骤四二、计算源域标准化原型和源域特征样本集之间的源域相似度分布向量，计算目标域标准化原型和目标域特征样本集之间的目标域相似度分布向量，并根据源域相似度分布向量和目标域相似度分布向量计算获得域内原型对比损失；
步骤四三、计算源域标准化原型和目标域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第一跨域相似度分布向量；计算目标域标准化原型和源域特征样本集之间的相似度分布向量，并将其熵减到最小，获得第二跨域相似度分布向量；并根据第一跨域相似度分布向量和第二跨域相似度分布向量计算获得跨域原型对比损失；
步骤四四、利用源域图像数据集中少量带有状态标签的样本获得交叉熵损失；
步骤四五、利用源域图像数据集中少量带有状态标签的样本以及具有高可信度的预测样本获得分类器损失；
步骤四六、将获得的总损失反向传播以优化ResNet网络，所述总损失的计算公式为：
L＝Lcls+λin·LInSelf+λcross·LCrossSelf+λMIM·LMIM
式中，Lcls表示交叉熵损失；LInSelf表示执行多次聚类后的平均域内原型对比损失；LCrossSelf表示跨域原型对比损失；LMIM表示分类器损失；λin表示域内原型对比损失的权重超参数；λcross表示跨域原型对比损失的权重超参数；λMIM表示分类器损失的权重超参数；
步骤五、迭代循环执行步骤三至步骤四，直至总损失函数达到收敛条件，获得基于原型域适应的滚动轴承故障诊断模型；
步骤六、将目标域测试图像数据集输入到训练好的滚动轴承故障诊断模型中，获得最终诊断结果。
2.根据权利要求1所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤一中负载类型包括0hp、1hp、2hp和3hp；所述状态包括正常状态和故障状态，所述故障状态包括内圈故障、滚动体故障、外圈故障及不同损伤程度状态。
3.根据权利要求2所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤二中所述预处理包括对源域数据和目标域数据做小波变换，分别构建二维源域图像数据集和目标域图像数据集。
4.根据权利要求1所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤三中所述激活函数为meta-acon激活函数，所述meta-acon激活函数是在激活函数ACON-C基础上进行修改得到的，所述激活函数ACON-C表达式为：
C(x)＝(p1-p2)xσ[β(p1-p2)x]+p2x
其中，p1、p2为可学习的参数；β为平滑因子；x表示特征向量；
将上式中的平滑因子β修改替换为下式的βc：
其中，βc表示自适应函数在通道空间进行设计的平滑因子；c、h和w代表空间维度尺寸；W1∈Rc×c/r，W2∈Rc/r×c，R代表空间维度，r为缩放参数。
5.根据权利要求1所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤四二中所述域内原型对比损失的计算公式为：
式中，LCE为交叉损失函数，cs(·)为源域中返回实例的群集索引，ct(·)为目标域中返回实例的群集索引，表示源域相似度分布向量，/>表示目标域相似度分布向量；Ns表示源域图像数据集中带有状态标签的样本总数；Nsu表示源域图像数据集中不带有状态标签的样本总数；Ntu表示目标域训练图像数据集的样本总数。
6.根据权利要求5所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤四三中所述跨域原型对比损失的计算公式为：
式中，表示第二跨域相似度分布向量；/>表示第一跨域相似度分布向量。
7.根据权利要求6所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤四四中所述交叉熵损失的计算公式为：
式中，LCE表示交叉损失函数；P(x)表示ResNet网络结构中通过Softmax层的概率；y表示源域图像数据集中状态标签；表示源域图像数据集中带有状态标签的样本。
8.根据权利要求7所述的一种基于少标签数据特征迁移的滚动轴承故障诊断方法，其特征在于，步骤四五中所述分类器损失通过ResNet网络的输出熵和预测值熵相减得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245670.6A CN113988126B (zh) | 2021-10-26 | 2021-10-26 | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245670.6A CN113988126B (zh) | 2021-10-26 | 2021-10-26 | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113988126A CN113988126A (zh) | 2022-01-28 |
| CN113988126B true CN113988126B (zh) | 2024-04-16 |
Family
ID=79741363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111245670.6A Active CN113988126B (zh) | 2021-10-26 | 2021-10-26 | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988126B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115393868B (zh) * | 2022-08-18 | 2023-05-26 | 中化现代农业有限公司 | 文本检测方法、装置、电子设备和存储介质 |
| CN115578593B (zh) * | 2022-10-19 | 2023-07-18 | 北京建筑大学 | 一种使用残差注意力模块的域适应方法 |
| CN116188358A (zh) * | 2022-11-04 | 2023-05-30 | 重庆理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
| CN116383737B (zh) * | 2023-06-05 | 2023-08-11 | 四川大学 | 基于聚类对比学习的旋转机械故障诊断方法及系统 |
| CN116894215B (zh) * | 2023-07-20 | 2024-03-12 | 江南大学 | 一种基于半监督动态图注意的齿轮箱故障诊断方法 |
| CN116910571B (zh) * | 2023-09-13 | 2023-12-08 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
| CN117874503A (zh) * | 2024-03-11 | 2024-04-12 | 沃德传动（天津）股份有限公司 | 基于cnn的轴承故障诊断方法、电子设备及存储介质 |
| CN117871101B (zh) * | 2024-03-11 | 2024-05-10 | 四川大学 | 多分类器细粒度的轴承故障诊断领域自适应方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111721536A (zh) * | 2020-07-20 | 2020-09-29 | 哈尔滨理工大学 | 一种改进模型迁移策略的滚动轴承故障诊断方法 |
-
2021
- 2021-10-26 CN CN202111245670.6A patent/CN113988126B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111721536A (zh) * | 2020-07-20 | 2020-09-29 | 哈尔滨理工大学 | 一种改进模型迁移策略的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于域对抗迁移的变工况滚动轴承故障诊断模型;金余丰;刘晓锋;姚美常;黄凤良;;自动化仪表;20191220(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113988126A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
| CN111721536B (zh) | 一种改进模型迁移策略的滚动轴承故障诊断方法 | |
| 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 | |
| Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
| Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
| CN109902399B (zh) | 一种基于att-cnn的变工况下滚动轴承故障识别方法 | |
| Su et al. | A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity | |
| CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
| CN113033309B (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
| CN113255793B (zh) | 一种基于对比学习的细粒度舰船识别方法 | |
| CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
| CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| Ma et al. | Cross-domain meta learning fault diagnosis based on multi-scale dilated convolution and adaptive relation module | |
| 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 | |
| CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
| CN116628592A (zh) | 一种基于改进型生成式对抗网络的动设备故障诊断方法 | |
| CN113194094A (zh) | 一种基于神经网络的异常流量检测方法 | |
| CN115358337A (zh) | 一种小样本故障诊断方法、装置及存储介质 | |
| Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
| Wang et al. | Bearing fault diagnosis algorithm based on granular computing | |
| CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
| Kuang et al. | A deep partial adversarial transfer learning network for cross-domain fault diagnosis of machinery | |
| Zhang et al. | A Flexible Monitoring Framework via Dynamic-Multilayer Graph Convolution Network | |
| CN115600134A (zh) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
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 |