CN114091349A - 一种基于多源领域自适应的滚动轴承寿命预测方法 - Google Patents

一种基于多源领域自适应的滚动轴承寿命预测方法 Download PDF

Info

Publication number
CN114091349A
CN114091349A CN202111447955.8A CN202111447955A CN114091349A CN 114091349 A CN114091349 A CN 114091349A CN 202111447955 A CN202111447955 A CN 202111447955A CN 114091349 A CN114091349 A CN 114091349A
Authority
CN
China
Prior art keywords
source
domain
field
self
adaptive
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.)
Pending
Application number
CN202111447955.8A
Other languages
English (en)
Inventor
贾民平
丁逸飞
黄鹏
胡建中
许飞云
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111447955.8A priority Critical patent/CN114091349A/zh
Publication of CN114091349A publication Critical patent/CN114091349A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于多源领域自适应的滚动轴承寿命预测方法，包括步骤如下：在多种工况条件下采集滚动轴承的全寿命、多通道振动信号，构建多源域轴承全寿命数据集；对经过降噪预处理的多通道振动信号提取时频域特征；确定超参数以构建多源领域自适应网络，使用多源域和目标域训练数据集训练该网络实现回归误差最小化和多源领域自适应；收集测试数据并导入训练完成的多源领域自适应网络以获得剩余寿命预测。本发明的多工况滚动轴承寿命预测方法采用的模型具有泛化能力强、鲁棒性强、准确度高等优点。

Description

一种基于多源领域自适应的滚动轴承寿命预测方法
技术领域
本发明涉及剩余使用寿命预测技术领域，尤其是一种基于多源领域自适应的滚动轴承寿命预测方法。
背景技术
预测性维护和基于条件的维护(conditions-based maintenance，CBM)可根据设备的状况灵活地安排维护工作，越来越多地被用于确保工业系统的安全运行。剩余使用寿命(remaining useful life，RUL)预测是预测和健康管理(prognostics and healthmanagement，PHM)中最具挑战性的任务之一，其可以估计一台设备在被认为不能发挥其预期功能之前的剩余时间。准确的RUL预测有助于评估设备的健康状况并计划未来的维护行动。
PHM领域大量数据驱动方法通过统计或者智能驱动的方法从历史数据中总结知识，建立参数或者非参数的模型，不需要依赖物理模型和先验专家知识，具有较好的适用性。深度学习(deeplearning)技术进一步拓宽了数据驱动方法的应用前景。基于深度学习技术强大的特征提取能力，海量的历史数据得以被充分利用，为端到端的智能诊断和预测模型提供了更加准确可靠的预测信息。然而，由于深度学习模型容易过拟合且跨域泛化较差，其相关方法难以被应用到跨工况场景的预测和健康管理任务。因此，研究人员寻求引入迁移学习或者领域自适应技术来解决这一问题。迁移学习或者领域自适应技术，作为机器学习的一个分支，与深度学习技术也有着紧密的联系。
现有技术中，不少基于领域自适应的寿命预测方法使得跨工况的寿命预测得以实现。但当前的研究主要集中在单源领域自适应任务，而少有对多源领域自适应的深入研究，因而限制了我们利用多种历史工况数据的可能。
发明内容
针对现有技术的不足，本发明提出一种基于多源领域自适应的滚动轴承寿命预测方法，以充分利用更多的历史工况数据，实现更加准确、鲁棒、可靠的寿命预测。
本发明采用的技术方案如下：
一种基于多源领域自适应的滚动轴承寿命预测方法，包括以下步骤：
S1、采集N+1种工况下轴承在全寿命周期内的振动信号去噪处理后构成数据集；
S2、对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集：
S3、分别从N种工况对应的所述标签源域集中选出一组数据构成N组源域有标签数据集，再从所述目标域集中选出一组目标域无标签数据集，形成训练集；从所述目标域集中选择出测试集；
S4、确定超参数以构建多源领域自适应网络，所述多源领域自适应网络由一个通用特征提取器F(·)、N个领域特定特征提取器H(·)和N个领域特定回归器C(·)构成，将所述训练集输入所述多源自适应网络获得输出，具体包括：
对于任意输入，首先通过所述特征提取器F(·)获得通用特征；
对于第j个源域的输入
Figure BDA0003383281390000021
其通用特征
Figure BDA0003383281390000022
依次通过第J个领域特定特征提取器Hj(·)获得隐特征
Figure BDA0003383281390000023
以及第j个领域特定特征回归器Cj(·)获得输出
Figure BDA0003383281390000024
对于目标域的输入
Figure BDA0003383281390000025
其通用特征
Figure BDA0003383281390000026
并行地通过N个领域特定特征提取器获得N个隐
Figure BDA0003383281390000027
S5、利用所述训练集，采用训练目标函数训练所述多源自适应网络；
S6、将所述测试集输入训练好的多源领域自适应网络，获得预测结果。
进一步技术方案为：
步骤S5中，采用训练目标函数训练所述多源自适应网络，包括以下步骤：
S51、定义回归误差函数为N组源域有标签数据集的均方误差，计算表达式如下：
Figure BDA0003383281390000028
式中，θF、
Figure BDA0003383281390000029
知
Figure BDA00033832813900000210
分别为通用特征提取器、第j个领域特定特征提取器和第j个领域特定特征回归器的可训练参数；
Figure BDA00033832813900000211
为源域有标签数据的真值，
Figure BDA00033832813900000212
为经过多源领域自适应网络输出的估计值；
S52、定义领域特定分布自适应目标函数如下：
Figure BDA00033832813900000213
式中，λ′为权衡参数；
Figure BDA00033832813900000214
分别为域间的最大平均差异(MMD)和相关对齐(CORAL)度量，表达式分别如下：
Figure BDA00033832813900000215
Figure BDA00033832813900000216
式中，
Figure BDA00033832813900000217
和Xt分别表示一个批次的源域和目标域样本的堆叠矩阵；dMMD(·)和dCORAL(·)分别为对应的度量函数；
S53、定义领域特定回归自适应目标函数如下：
Figure BDA00033832813900000218
式中，C(N，2)＝N(N-1)/2为组合数。
S54、结合步骤S51至S53的目标函数构建完整训练目标函数如下：
Figure BDA00033832813900000219
式中，γ和μ均为权衡参数；
Figure BDA00033832813900000220
为时变权衡，其中t和tm分别为当前和最大迭代次数；
S55、使用随机梯度下降算法迭代tm次，直到训练误差收敛，目标函数各项稳定，获得训练好的多源领域自适应网络。
进一步技术方案为：
步骤S6具体包括：
将测试集Xtest输入到训练好的多源领域自适应网络，获得N个领域特定特征回归器的输出
Figure BDA0003383281390000031
取均值后获得预测剩余寿命结果：
Figure BDA0003383281390000032
本发明的有益效果如下：
本方法的多源领域自适应网络构建和训练，在提取退化相关特征的同时，缩小领域分布距离和决策边界差异，从而保证所提取特征的领域无关性。充分利用来自多源域历史工况的知识，提高了网络的泛化能力和跨工况寿命预测性能。本发明方法计算简单，实现容易，适用于多工况滚动轴承的快速寿命预测。
附图说明
图1本发明的多源领域自适应网络的结构示意图。
图2为本发明方法的流程图。
图3为本发明具体实施例的选择超参数图。
图4为本发明具体实施例的训练误差下降图。
图5为本发明具体实施例的寿命预测结果图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
本申请的一种基于多源领域自适应的滚动轴承寿命预测方法，包括以下步骤：
S1、采集N+1种工况下轴承在全寿命周期内的振动信号去噪处理后构成数据集；
S2、对对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集；
具体的，信号处理获得时频域表达的方法包括小波变换、同步压缩变换等，处理获得生的时频域表达作为输入特征；
S3、分别从各工况对应的标签源域集中选出一组数据构成N组源域有标签数据集
Figure BDA0003383281390000033
从目标域集中选取一组目标域无标签数据集Xt，构成训练集；再从目标域集中选择出测试集；
其中，
Figure BDA0003383281390000034
包含
Figure BDA0003383281390000035
个服从概率分布
Figure BDA0003383281390000036
的输入特征，
Figure BDA0003383281390000037
为相应的标签(即剩余寿命的真值)；
Figure BDA0003383281390000038
包含nt个服从概率分布pt的输入特征；
其中，下标sj、t分别表示是第j个源(source)域、目标(target)域；
S4、确定超参数以构建多源领域自适应网络，可参考图1，多源领域自适应网络由一个通用特征提取器F(·)、N个领域特定特征提取器H(·)和N个领域特定回归器C(·)构成，将训练集输入多源自适应网络获得输出，具体包括：
对于任意输入，首先通过特征提取器F(·)获得通用特征；随后区分情况：
a)对于第j个源域的输入
Figure BDA0003383281390000039
其通用特征
Figure BDA00033832813900000310
依次通过第j个领域特定特征提取器Hj(·)获得隐特征
Figure BDA0003383281390000041
以及第j个领域特定特征回归器Cj(·)获得输出
Figure BDA0003383281390000042
b)对于目标域的输入
Figure BDA0003383281390000043
其通用特征
Figure BDA0003383281390000044
并行地通过N个领域特定特征提取器获得N个隐特征
Figure BDA0003383281390000045
然后再并行通过N个领域特定特征回归器获得N个输出
Figure BDA0003383281390000046
其中，j＝1，...，N；
S5、利用训练集，训练多源自适应网络；
具体的，采用训练目标函数训练多源自适应网络，训练目标包括三部分：回归误差最小化、领域特定分布自适应和领域特定回归自适应，训练过程具体包括以下步骤：
S51、定义回归误差函数为N组源域有标签数据集的均方误差，计算表达式如下：
Figure BDA0003383281390000047
式中，θF、
Figure BDA0003383281390000048
知
Figure BDA0003383281390000049
分别为通用特征提取器、第j个领域特定特征提取器和第j个领域特定特征回归器的可训练参数；
Figure BDA00033832813900000410
为源域有标签数据的真值，
Figure BDA00033832813900000411
为经过多源领域自适应网络输出的估计值；
S52、定义领域特定分布自适应目标函数如下：
Figure BDA00033832813900000412
式中，λ′为权衡参数；
Figure BDA00033832813900000413
分别为域间的最大平均差异(MMD)和相关对齐(CORAL)度量，表达式分别如下：
Figure BDA00033832813900000414
Figure BDA00033832813900000415
式中，
Figure BDA00033832813900000416
和Xt分别表示一个批次的源域和目标域样本的堆叠矩阵；dMMD(·)和dCORAL(·)分别为对应的度量函数；
具体的，假设给定不同域的两组数据分别为
Figure BDA00033832813900000417
知
Figure BDA00033832813900000418
则MMD度量函数计算如下：
Figure BDA00033832813900000419
式中，
Figure BDA00033832813900000420
为具有核k的再生核希尔伯特空间，k(xa，xb)＝<φ(xa)，φ(xb)>，φ(·)表示关联核k的映射函数；
CORAL度量函数dCORAL计算式如下：
Figure BDA00033832813900000421
式中，
Figure BDA00033832813900000422
代表弗罗伯尼范数；Ca和Cb分别为两组数据Xa和Xb的协方差矩阵，可以通过下式计算：
Figure BDA0003383281390000051
Figure BDA0003383281390000052
其中，1为所有元素都是1的列向量；
S53、定义领域特定回归自适应目标函数如下：
Figure BDA0003383281390000053
式中，C(N，2)＝N(N-1)/2为组合数。
其中，领域特定回归自适应将促使不同回归器的决策边界对齐；
S54、结合以上三部分目标函数(S51至S53中的目标函数)构建完整训练目标函数如下：
Figure BDA0003383281390000054
式中，γ和μ均为权衡参数；
Figure BDA0003383281390000055
为时变权衡，其中t和tm分别为当前和最大迭代次数；
S55、使用随机梯度下降算法迭代tm次，直到训练误差逐渐收敛，目标函数各项趋于稳定，获得训练好的多源领域自适应网络。
S6、将测试集输入训练好的多源领域自适应网络，获得预测结果，具体包括：
将测试集Xtest输入到训练好的多源领域自适应网络，获得N个领域特定特征回归器的输出
Figure BDA0003383281390000056
取均值后获得预测剩余寿命结果：
Figure BDA0003383281390000057
本申请的方法基于多源领域自适应模型(MDAN)在多种工况条件下采集滚动轴承的全寿命、多通道振动信号，构建多源域轴承全寿命数据集；随后对经过降噪预处理的振动信号提取时频域特征；再确定超参数以构建多源领域自适应网络，使用多源域和目标域训练数据集训练该网络，从而实现回归误差最小化和多源领域自适应；然后，收集测试数据并导入训练完成的多源领域自适应网络以获得剩余寿命预测结果；最后，对预测结果进行比较和评估。本申请的方案有效利用了来自多源域的历史数据，改善了模型在新工况下的泛化性能，从而提供更加准确、鲁棒的滚动轴承寿命预测。
以下结合具体实施例对本发明的方法进行进一步说明。
可参考图2，本实施例的基于多源领域自适应的滚动轴承寿命预测方法，包括以下步骤：
步骤S1：使用IEEE PHM Challenge 2012轴承数据集作为研究对象。数据集包含来自3种工况共17个轴承的全寿命振动减速度数据，具体工况和轴承如表1所示。所有轴承使用两个分别位于水平和垂直方向的加速度传感器采集信号，其采样频率为25.6kHz，每隔1分钟采集0.1秒。
表1 IEEE PHM Challenge 2012轴承数据集的工况与轴承信息
工况 转速/rpm 负载/N 轴承编号
OC1 1,800 4,000 Bearing1_1～Bearing1_7
OC2 1,650 4,200 Bearing2_1～Bearing2_7
OC3 1,500 5,000 Bearing3_1～Bearing3_3
步骤S2：使用同步压缩变换处理多通道轴承振动信号，获得时频域表达作为输入特征，其数据维度为[224，224，2]，分别以其中两种工况作为源域，另一种工况作为目标域；以剩余寿命信息作为标签，对源域特征集贴标签构成有标签源域集；
步骤S3：根据以上轴承数据设计A、B、C三个预测任务。从源域数据中收集两组源域有标签数据集
Figure BDA0003383281390000064
从目标域中收集一组目标域无标签数据集Xt构成训练数据集，再从目标域中收集一组作为测试集，如表2所示。
表2测试跨工况剩余寿命预测任务
Figure BDA0003383281390000061
步骤S4：采用网格搜索的方式搜寻最优超参数，重点调查CORAL权衡参数λ′、领域差异权衡参数γ和回归器距离权衡参数μ。
以任务A预测结果的均方根误差度量为指标，结果如图3所示。最终确定的所有超参数如表3所示。
表3多源领域自适应网络的超参数选择
超参数 值
学习率lr Adam(1e-5)
最大步数t<sub>m</sub> 20000
批次大小n<sub>b</sub> 8
输入维度 [224，224，2]
CORAL权衡参数λ′ 5000.0
领域差异权衡参数γ 1.0
回归器距离权衡参数μ 10.0
据此，构建多源领域自适应网络，其由1个通用特征提取器F(·)、2个领域特定特征提取器Hj(·)和2个领域特定回归器Cj(·)构成。其中j＝1，2。将训练数据集输入多源自适应网络获得输出。
步骤S5：采用多源领域自适应训练算法和随机梯度下降算法训练多源自适应网络，直到训练误差逐渐收敛，目标函数各项都趋于稳定，即获得已训练的多源领域自适应网络。训练误差下降曲线如图4所示。
步骤S6：将目标域测试数据集Xtest输入已训练的多源领域自适应网络，计算获得2个回归器的输出
Figure BDA0003383281390000062
取它们的均值，则有预测剩余寿命结果
Figure BDA0003383281390000063
最终三组任务的测试轴承寿命预测结果如图5所示。
将测试集预测结果与真实值比较计算评估指标，检验和分析模型在多工况场景下进行寿命预测的泛化能力。采用两种评估指标，分别为均方根误差(RMSE)和由IEEE PHMChallenge提供的打分函数SCORE。本发明寿命预测结果的性能度量如表4所示。
表4本实施例寿命预测结果的性能度量
任务 工况 RMSE SCORE
A OC1&2→OC3 0.1137±0.0026 0.4702±0.0137
B OC1&3→OC2 0.1477±0.0018 0.3916±0.0064
C OC2&3→OC1 0.1246±0.0032 0.3887±0.0129
平均 - 0.1287±0.0016 0.4167±0.0055
另外，引入2种用于寿命预测的单源领域自适应方法作为对比方法：
1)单源1：长短时记忆-领域对抗网络(LSTM-DANN)；
2)单源2：迁移卷积神经网络(TCNN)。
为适用于多源领域自适应任务，采用两种策略分别应用单源方法至所测多源任务，即：
1)单最优：分别尝试每个源域并采用具有最好结果的作为唯一的源域；
2)源融合：所有源域数据合并为单一源域。
此外，还引入2种多源域对比方法：
1)多源1：深度鸡尾酒网络(DCTN)：
2)多源2：多特征空间适应网络(MFSAN)。
以上对比方法的结果如表5所示，其中加粗表示最优结果。可见本实施例相比较其他方法具有更高的预测准确性。
表5本实施例寿命预测结果的性能度量
Figure BDA0003383281390000071
为凸显本实施例方法的必要性，在其基础上通过删除部分环节构造以下变体方法：
1)变体1：去除CORAL度量；
2)变体2：去除领域特定分布自适应；
3)变体3：去除领域特定回归器自适应：
4)变体4：去除全部领域自适应。在同样的测试任务上结果如表6所示。
表6本实施例方法与变体方法的对比试验
对比变体方法 RMSE SCORE
本发明方法 0.1287 0.4167
变体1 0.1428 0.4004
变体2 0.2531 0.2174
变体3 0.1825 0.2630
变体4 0.2731 0.2321
可见，本实施例中的这些方法环节对于改善跨工况寿命预测都是不可或缺的，充分表明了本发明的合理性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易联想到的细节变化或替换，比如使用不同的优化器、正则化、超参数设置，改变网络具体结构细节等，都应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于多源领域自适应的滚动轴承寿命预测方法，其特征在于，包括以下步骤：
S1、采集N+1种工况下轴承在全寿命周期内的振动信号，去噪处理后构成数据集；
S2、对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集；
S3、分别从N种工况下对应的所述标签源域集中选出一组数据构成N组源域有标签数据集，再从所述目标域集中选出一组目标域无标签数据集，组成训练集；从所述目标域集中选择出测试集；
S4、确定超参数以构建多源领域自适应网络，所述多源领域自适应网络由一个通用特征提取器F(·)、N个领域特定特征提取器H(·)和N个领域特定回归器C(·)构成，将所述训练集输入所述多源自适应网络获得输出，具体包括：
对于任意输入，首先通过所述特征提取器F(·)获得通用特征；
对于第j个源域的输入
Figure FDA0003383281380000011
其通用特征
Figure FDA0003383281380000012
依次通过第j个领域特定特征提取器Hj(·)获得隐特征
Figure FDA0003383281380000013
以及第j个领域特定特征回归器Cj(·)获得输出
Figure FDA0003383281380000014
对于目标域的输入
Figure FDA0003383281380000015
其通用特征
Figure FDA0003383281380000016
并行地通过N个领域特定特征提取器获得N个隐
Figure FDA0003383281380000017
S5、利用所述训练集，采用训练目标函数训练所述多源自适应网络；
S6、将所述测试集输入训练好的多源领域自适应网络，获得预测结果。
2.根据权利要求1所述的基于多源领域自适应的滚动轴承寿命预测方法，其特征在于，步骤S5中，采用训练目标函数训练所述多源自适应网络，包括以下步骤：
S51、定义回归误差函数为N组源域有标签数据集的均方误差，计算表达式如下：
Figure FDA0003383281380000018
式中，θF、
Figure FDA0003383281380000019
知
Figure FDA00033832813800000110
分别为通用特征提取器、第j个领域特定特征提取器和第j个领域特定特征回归器的可训练参数；
Figure FDA00033832813800000111
为源域有标签数据的真值，
Figure FDA00033832813800000112
为经过多源领域自适应网络输出的估计值；
S52、定义领域特定分布自适应目标函数如下：
Figure FDA00033832813800000113
式中，λ′为权衡参数；
Figure FDA00033832813800000114
分别为域间的最大平均差异和相关对齐度量，表达式分别为：
Figure FDA0003383281380000021
Figure FDA0003383281380000022
式中，
Figure FDA0003383281380000023
和Xt分别表示一个批次的源域和目标域样本的堆叠矩阵；dMMD(·)和dCORAL(·)分别为对应的度量函数；
S53、定义领域特定回归自适应目标函数如下：
Figure FDA0003383281380000024
式中，C(N，2)＝N(N-1)/2为组合数。
S54、结合S51至S53的目标函数构建完整训练目标函数如下：
Figure FDA0003383281380000025
式中，γ和μ均为权衡参数；
Figure FDA0003383281380000026
为时变权衡，其中t和tm分别为当前和最大迭代次数：
S55、使用随机梯度下降算法迭代tm次，直到训练误差收敛，目标函数各项稳定，获得训练好的多源领域自适应网络。
3.根据权利要求1所述的基于多源领域自适应的滚动轴承寿命预测方法，其特征在于，步骤S6具体包括：
将测试集Xtes输入到训练好的多源领域自适应网络，获得N个领域特定特征回归器的输出
Figure FDA0003383281380000027
取均值后获得预测剩余寿命结果：
Figure FDA0003383281380000028
。
CN202111447955.8A 2021-11-30 2021-11-30 一种基于多源领域自适应的滚动轴承寿命预测方法 Pending CN114091349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111447955.8A CN114091349A (zh) 2021-11-30 2021-11-30 一种基于多源领域自适应的滚动轴承寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111447955.8A CN114091349A (zh) 2021-11-30 2021-11-30 一种基于多源领域自适应的滚动轴承寿命预测方法

Publications (1)

Publication Number Publication Date
CN114091349A true CN114091349A (zh) 2022-02-25

Family

ID=80306184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111447955.8A Pending CN114091349A (zh) 2021-11-30 2021-11-30 一种基于多源领域自适应的滚动轴承寿命预测方法

Country Status (1)

Country Link
CN (1) CN114091349A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932702A (zh) * 2023-03-14 2023-04-07 武汉格蓝若智能技术股份有限公司 基于虚拟标准器的电压互感器在线运行校准方法及装置
CN116306289A (zh) * 2023-03-21 2023-06-23 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116798506A (zh) * 2023-03-23 2023-09-22 江苏大学 一种毕赤酵母发酵过程中菌体浓度的预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115932702A (zh) * 2023-03-14 2023-04-07 武汉格蓝若智能技术股份有限公司 基于虚拟标准器的电压互感器在线运行校准方法及装置
CN116306289A (zh) * 2023-03-21 2023-06-23 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116306289B (zh) * 2023-03-21 2023-10-03 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116798506A (zh) * 2023-03-23 2023-09-22 江苏大学 一种毕赤酵母发酵过程中菌体浓度的预测方法
CN116798506B (zh) * 2023-03-23 2024-03-22 江苏大学 一种毕赤酵母发酵过程中菌体浓度的预测方法

Similar Documents

Publication Publication Date Title
CN114091349A (zh) 一种基于多源领域自适应的滚动轴承寿命预测方法
CN109580215B (zh) 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN113780056B (zh) 基于振动信号的滚动轴承故障诊断方法
Harvey et al. Automated feature design for numeric sequence classification by genetic programming
Corizzo et al. Scalable auto-encoders for gravitational waves detection from time series data
Bartkowiak et al. Dimensionality reduction via variables selection–Linear and nonlinear approaches with application to vibration-based condition monitoring of planetary gearbox
CN111397901A (zh) 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法
CN110647830A (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN113901977A (zh) 一种基于深度学习的电力用户窃电识别方法及系统
Lv et al. A novel pixel-wise defect inspection method based on stable background reconstruction
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN113283467B (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
Yang et al. A structure optimization algorithm of neural networks for large-scale data sets
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
CN114004258B (zh) 一种半监督的心电异常检测方法
CN114720129B (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及系统
CN113296947B (zh) 基于改进XGBoost模型的资源需求预测方法
CN115292820A (zh) 一种城轨列车轴承剩余使用寿命的预测方法
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN113465924A (zh) 一种基于改进bp神经网络的轴承故障诊断方法及系统
Pardede et al. Hyperparameter Search for CT-Scan Classification Using Hyperparameter Tuning in Pre-Trained Model CNN With MLP
CN112132310A (zh) 基于改进lstm的电力设备状态预估方法及装置
Coppo et al. Student Dropout Prediction using 1D CNN-LSTM with Variational Autoencoder Oversampling
CN114383846B (zh) 基于故障标签信息向量的轴承复合故障诊断方法

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