CN114118140B - 防爆电机轴承多视角智能故障诊断方法及系统 - Google Patents

防爆电机轴承多视角智能故障诊断方法及系统 Download PDF

Info

Publication number
CN114118140B
CN114118140B CN202111273862.8A CN202111273862A CN114118140B CN 114118140 B CN114118140 B CN 114118140B CN 202111273862 A CN202111273862 A CN 202111273862A CN 114118140 B CN114118140 B CN 114118140B
Authority
CN
China
Prior art keywords
network
domain
data set
channel
layer
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
CN202111273862.8A
Other languages
English (en)
Other versions
CN114118140A (zh
Inventor
江星星
李学岗
郑振晓
杨强
魏勇
王刚
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.)
Hrlm Technology Inc Co
Original Assignee
Hrlm Technology Inc Co
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 Hrlm Technology Inc Co filed Critical Hrlm Technology Inc Co
Priority to CN202111273862.8A priority Critical patent/CN114118140B/zh
Publication of CN114118140A publication Critical patent/CN114118140A/zh
Application granted granted Critical
Publication of CN114118140B publication Critical patent/CN114118140B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种防爆电机轴承多视角智能故障诊断方法及系统,包括：建立特征增强网络；将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络；利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。本发明有良好的泛化性能。

Description

防爆电机轴承多视角智能故障诊断方法及系统
技术领域
本发明涉及防爆电机智能运维的技术领域，尤其是指一种防爆电机轴承多视角智能故障诊断方法及系统。
背景技术
轴承是防爆电机的核心部件之一，支撑着电机主轴并且承受着负载，对防爆装置传动系统中的动力传输、降低功耗等有重要作用，故其服役性能对防爆电机的正常运作具有重要影响。由于防爆电机主要应用于易燃、易爆场所的特殊工作环境中，微弱的防爆电机轴承故障即可能导致装置停车甚至机毁人亡的严重后果。因此，开展轴承智能故障诊断方法研究，对于发展高安全性与高可靠性服役的防爆电机具有特别重要的意义。
近年来，基于深度学习的智能故障诊断方法，如卷积神经网络，残差网络和深度置信网络等通过搭建多层深度结构进而有效的对复杂函数进行近似，相比浅层学习算法具有更强大的特征学习和表达能力以及数据处理能力，逐渐成为大数据背景下智能故障诊断的有效工具。
随着基于深度学习的智能诊断方法的发展，其存在一些不足逐渐被发现，一方面，由于在实际的工程应用中，防爆电机轴承通常运行在不同工况下，导致采集的数据分布不一致，从而使得基于深度学习的智能诊断方法诊断性能显著下降。另一方面，基于深度学习的智能诊断方法面对新的诊断任务或新的数据集时需从头训练网络模型。因此，为了克服上述的不足，迁移学习已受到越来越多的学者关注，其可以通过重用其他不同但相关领域的知识来解决目标领域的问题。结合深度学习与迁移学习两种智能算法的优势，深度迁移学习方法现已被广泛应用于轴承智能故障诊断领域。
然而，现有的基于深度迁移学习的智能故障诊断方法仍存在着一些不足，首先，现有的方法很少直接处理原始振动数据，当其处理原始振动数据时诊断性能可能会下降。其次，当神经网络从源域和目标域提取域不变特征时，会产生许多冗余特征，而这些方法不能自适应地关注对当前诊断任务有帮助的特征，即没有增强有效特征和抑制冗余特征的能力。最后，他们主要是利用空间和通道相关的特征，忽略了振动数据中的时序相关特征。这些不足将导致现有的基于深度迁移学习的智能故障诊断方法学习到的域不变特征表征能力不足，深度迁移学习诊断模型泛化能力较差。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中学习到的特征表征能力不足、泛化性能差，从而影响诊断精确度的问题，从而提供一种学习到的特征表征能力强、泛化性能好，从而提高诊断精确度的防爆电机轴承多视角智能故障诊断方法及系统。
为解决上述技术问题，本发明的一种防爆电机轴承多视角智能故障诊断方法，包括如下步骤：采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分源域数据集和目标域数据集；建立特征增强网络提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强；将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络用于提取空间、通道和时序等多个视角下的域不变特征；利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
在本发明的一个实施例中，对所述振动信号进行分割的方法为：将所述振动信号按指定的数据点长度截取。
在本发明的一个实施例中，所述特征增强网络的建立包括：构建残差网络模型以及残差块注意力模型。
在本发明的一个实施例中，所述残差网络模型包括卷积层、批次标准化层、激活层和残差块。
在本发明的一个实施例中，所述残差块注意力模型融合了通道注意力模型和空间注意力模型。
在本发明的一个实施例中，所述双向长短期记忆网络包括两个长短期记忆网络、前向隐藏层和反向隐藏层，所述前向隐藏层和反向隐藏层为两个长短期记忆网络在前后两个方向上提取输入数据中时序相关特征信息时的最终输出。
在本发明的一个实施例中，所述领域适配学习方法为最大均值差异，最大均值差异是一种非参数距离测量方法，该方法度量源域和目标域特征之间的分布差异。
在本发明的一个实施例中，所述领域适配学习通过反向传播迭代训练减小从源域和目标域中提取到的多视角域不变特征的分布差异。
在本发明的一个实施例中，所述域共享类别分类器为Softmax分类器，通过Softmax分类器输出每种故障属于不同类别的概率值，对应的故障概率值P(yi∣xi)的计算公式为：
Figure BDA0003328729040000031
其中，xi代表第i个输入特征，yi代表对应类别的输出概率值，ns表示故障类别总量。
本发明还提供了一种防爆电机轴承多视角智能故障诊断系统，包括：采集分割模块，用于采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；特征增强网络模块，用于建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强；多视角深度迁移学习网络模块，用于将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络提取空间、通道和时序等多个视角下的域不变特征；已训练网络模块，用于利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时通过从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；输出模块，用于将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的防爆电机轴承多视角智能故障诊断方法及系统，该方法通过建立特征增强网络，提高空间和通道视角下的特征质量，同时，在增强网络中设计了一种融合了通道注意力机制和空间注意力机制的残差块注意力模型，以减少冗余特征和噪声又可以避免现有注意力模块在训练过程中易出现的梯度消失问题；另外，通过双向长短期记忆网络在时序视角下从特征增强网络的输出中挖掘时序相关的高层次判别特征。使用本发明可完成防爆电机轴承智能故障诊断模型在不同工况下的迁移且拥有良好的泛化性能，适用于现场实时识别防爆电机轴承的健康状态，为基于深度迁移学习的智能诊断方法提供一个可靠、便利的工具，具有重要的领域意义与广阔的应用前景。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明防爆电机轴承多视角智能故障诊断方法流程图；
图2是本发明方法特征增强网络示意图；
图3是本发明方法双向长短期记忆网络示意图；
图4是本发明方法多视角深度迁移学习网络及其训练过程示意图。
具体实施方式
实施例一
如图1所示，本实施例提供一种防爆电机轴承多视角智能故障诊断方法，包括如下步骤：步骤S1：采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；步骤S2：建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强；步骤S3：将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络提取空间、通道和时序等多个视角下的域不变特征；步骤S4：利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；步骤S5：将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
本实施例所述防爆电机轴承多视角智能故障诊断方法，所述步骤S1中，采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；所述步骤S2中，建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强，从而有利于提高空间和通道视角下的特征质量；所述步骤S3中，将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络，所述双向长短期记忆网络在时序视角下从所述特征增强网络的输出中挖掘时序相关的高层次判别特征，所述多视角深度迁移学习网络可以提取包含空间、通道和时序等多个不同视角信息的域不变表征特征，且领域不变特征提取能力强、泛化性好；所述步骤S4中，利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，所述领域适配学习可减小从源域和目标域中提取到的多视角域不变特征的分布差异，增强其表征能力，同时通过从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；所述步骤S5中，将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别，实现防爆电机轴承在不同工况下的智能故障诊断。
所述步骤S1中，对所述振动信号进行分割的方法为：将所述振动信号按指定的数据点长度截取。
使用传感器采集防爆电机轴承在三种工况下的振动信号，分别对三种工况下的振动信号按一定的数据点长度截取获得大量的样本集X，将已知故障类型的样本根据故障类别进行标定，设定类别标签Y，并根据工况划分出源域数据集
Figure BDA0003328729040000061
以及目标域数据集
Figure BDA0003328729040000062
其中n，m分别代表源域数据集和目标域数据集中的样本数目。其中所述源域数据集和目标域数据集来源于实验室实验平台。
采集三种工况下的数据时还包括：将所采集的数据集中的每个一维序列样本重整形为二维数据样本，适用于网络输入。
所述步骤S2中，如图2所示，建立特征增强网络时，该网络首先提取源域和目标域中空间和通道视角下的特征信息，然后通过一种新颖的注意力模型将提取到的空间和通道视角下的特征信息进行增强。
具体地，所述特征增强网络的建立包括：构建残差网络模型以及残差块注意力模型，通过所述残差网络模型从输入的原始振动数据中提取空间和通道视角下的特征信息，所述残差块注意力模型可以有效地避免模型训练过程中出现梯度消失的问题。
所述残差网络模型包括卷积层、批次标准化层、激活层和残差块。
所述残差块注意力模型可以通过学习的方式注意到对当前诊断任务有用的特征并抑制无用特征和噪声，以此来增强提取到的空间和通道视角下的特征信息，并且该模型采用了残差连接，可以有效地避免模型训练过程中出现梯度消失的问题。
所述构建残差网络模型时，源域和目标域中的输入样本先经过卷积操作将单通道数据变为三通道数据，卷积操作过程表示为：
Figure BDA0003328729040000071
其中，
Figure BDA0003328729040000072
表示在I层的第n个通道特征输出，
Figure BDA0003328729040000073
表示在I-1层中第m个通道的特征输入，*代表卷积运算，
Figure BDA0003328729040000074
代表在l层中第n个卷积核中的权重矩阵，
Figure BDA0003328729040000075
为偏差；
再采用残差块对三通道数据进行处理，残差块中包括卷积层、批次标准化层、激活层和残差连接，数据经批次标准化处理后输出
Figure BDA0003328729040000076
为：
Figure BDA0003328729040000077
Figure BDA0003328729040000078
Figure BDA0003328729040000079
Figure BDA00033287290400000710
根据等式(2)先求出每个小批次的均值μ，然后在等式(3)中进一步求出批次的方差σ2，接下来在等式(4)中对输入做标准化处理,获得标准化的值
Figure BDA0003328729040000081
其中ε是平滑因子，防止方差为0时，输出为无穷大，并在等式(5)的最终批次标准化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；
经过批次标准化，网络进一步采用激活层实现非线性变化，激活层中采用的激活函数为ReLU函数，并在网络中采用残差连接以防止梯度消失，其最终输出为：
yn＝Relu(yc)＝max(yc,0) (6)
y＝yn+un (7)
最终输出的y即为原始振动数据经上述的残差网络特征提取后得到的与空间、通道相关的特征信息。
所述残差块注意力模型的数学表述为：
Figure BDA0003328729040000082
Figure BDA0003328729040000083
Figure BDA0003328729040000084
Figure BDA0003328729040000085
Figure BDA0003328729040000086
其中，F∈RC×H×W为输入特征，MLP代表多层感知机，Mc(·)和Ms(·)分别为通道注意力模型和空间注意力模型，
Figure BDA0003328729040000087
和
Figure BDA0003328729040000088
分别表示逐元素相乘和逐元素相加，σ(·)表示sigmoid函数，
Figure BDA0003328729040000089
和
Figure BDA00033287290400000810
表示多层感知机中的每层的权重，r为缩减系数，Conv(·)代表卷积操作，利用所设计的残差块注意力模型可以通过学习的方式，自适应地增强提取到的与空间、通道相关的有效特征信息，输出空间和通道视角下的增强特征。
所述步骤S3中，如图3所示，所述双向长短期记忆网络包括两个长短期记忆网络、前向隐藏层和反向隐藏层，所述前向隐藏层和反向隐藏层为两个长短期记忆网络在前后两个方向上提取输入数据中时序相关特征信息时的最终输出。
所述双向长短期记忆网络可以识别相邻两步长之间的时间依赖，充分利用输入序列的前后状态信息进而有效地挖掘输入特征中的时序相关信息，双向长短期记忆网络主要由两个长短期记忆网络、前向隐藏层和反向隐藏层组成，前向隐藏层和反向隐藏层为两个长短期记忆网络在前后两个方向上提取输入数据中时序相关特征信息时的最终的输出，则长短期记忆网络的输出的计算过程为：
ft＝σ(Wf·[ht-1,xt]+bf) (13)
it＝σ(Wi·[ht-1,xt]+bi) (14)
Figure BDA0003328729040000091
Figure BDA0003328729040000092
ot＝σ(WO·[ht-1,xt]+bo) (17)
ht＝ot·tanh(Ct) (18)
其中，ft、it和ot分别代表在第t个时间步长的遗忘门、输入门和输出门运算，ht为在第t个时间步长的输出，Wf、Wi、Wc和Wo为连接权重矩阵，bf、bi、bc和bo为偏移向量，Ct-1和Ct表示在第t-1个时间步长和在第t个时间步长的细胞状态，σ(·)表示sigmoid激活函数。
所述多视角深度迁移学习网络主要由空间和通道视角下的特征增强网络和双向长短期记忆网络组成，特征增强网络可以从原始振动数据中提取到空间和通道视角下特征信息，并对其中的有效信息进行增强，抑制冗余特征和噪声，所述特征增强网络提取到的空间和通道视角下的增强特征会输入双向长短期记忆网络进一步挖掘蕴含其中的时序视角下的特征信息，最终多视角深度迁移学习网络可以学习到空间、通道和时序视角下的表征能力强的域不变特征。
所述步骤S4中，所述领域适配学习是一种分布差异度量方法，通过最小化度量到的结果来减小分布差异。通过领域适配学习来训练多视角深度迁移学习网络，领域适配学习通过反向传播迭代训练可减小从源域和目标域中提取到的多视角域不变特征的分布差异，增强其表征能力。
所述域适配学习方法为最大均值差异(简称MMD)，MMD是一种非参数距离测量方法，是迁移学习中常用的领域适配方法之一，该方法度量源域和目标域特征之间的分布差异的计算方式为：
Figure BDA0003328729040000101
其中，xi和yj分别为第i个源域中提取的特征和第j个目标域中提取的特征，H表示再生核希尔伯特空间，φ(·)为映射函数，该函数将特征映射到再生核希尔伯特空间。
所述域共享类别分类器为Softmax分类器，通过Softmax分类器输出每种故障属于不同类别的概率值，对应的故障概率值P(yi∣xi)的计算公式为：
Figure BDA0003328729040000102
其中，xi代表第i个输入特征，yi代表对应类别的输出概率值，ns表示故障类别总量。
具体而言，多视角深度迁移学习网络及其训练过程如图4所示，其优化的目标函数为：
Figure BDA0003328729040000103
其中，ns表示故障类别总量，
Figure BDA0003328729040000104
代表源域数据中样本的真实标签，
Figure BDA0003328729040000105
代表分类器输出的预测标签，
Figure BDA0003328729040000106
代表最大均值差异方法度量到的分布差异，G(·)代表多视角深度迁移学习网络提取到的特征，X代表源域数据，Y代表目标域数据。多视角深度迁移学习网络中网络参数更新采用反向传播和Adam优化算法。
下文结合附图和实验案例对本发明做进一步说明。
实验案例：
1、实验数据
实验所用数据来自于苏州大学轴承故障模拟实验台，轴承故障数据集共有七种健康状态，包括轴承内圈0.2mm故障，滚动体0.2mm故障，外圈0.2mm故障以及复合故障类型(包括内圈与滚动体复合故障，内圈与外圈复合故障，外圈与滚动体复合故障，内圈、外圈与滚动体复合故障)。每种健康状态下的数据均在800rpm转速以及三种不同负载(0KN，0.8KN,1.6KN)下采集。每种工况下每一种健康状态包含200个样本，每个样本含有1024个数据点。将三种不同工况下采集到的数据集定义为三个不同的域，用于模型训练的带样本标签的域为源域，用于模型测试的无带标签样本的域为目标域。每个域中的样本的详细信息如表1所示。
表1每个域中样本信息
Figure BDA0003328729040000111
2、方法验证
为验证所提出的发明的有效性，本实验案例实施了六个不同的跨工况诊断任务，每个跨工况诊断任务可以描述为A→B。A代表在负载AKN工况下采集的带样本标签的源域数据集，B代表在负载BKN工况下采集的无样本标签的目标域数据集。为验证本发明所提出的一种防爆电机轴承智能故障诊断方法及系统的有效性，其他五种先进的基于深度迁移学习的智能诊断方法作为比较，包括其中双向长短期记忆网络(BiLSTM，LSTM代表长短期记忆)，残差网络(ResNet)，残差网络和长短期记忆联合多视角网络(ResLSTM)，残差网络和双向长短期记忆联合多视角网络(ResBiLSTM)，带卷积块注意力模型的残差网络和双向长短期记忆联合多视角网络(ResBiLSTM(CBAM))。各个网络模型训练时的参数设置为：初始学习率为0.005，批尺寸为120，迭代次数为200。
本发明方法与其他深度迁移学习智能诊断方法相比，所提方法的分类精度与标准差在六个不同的迁移诊断任务中均取得了最好的效果，显示出本发明的优越性，比较结果如表2所示。
表2每种方法在各个诊断任务的准确率
Figure BDA0003328729040000121
本发明针对现有的深度迁移学习诊断方法没有充分考虑多个视角下的特征、诊断网络提取的域不变特征表征能力不足和网络泛化能力差的问题，以防爆电机轴承为研究对象，通过多视角深度迁移学习方法从原始诊断信号中提取多个视角下的表征能力强的域不变特征，提高网络泛化性能，然后将故障知识迁移到新的诊断任务，提出了适用于不同工况下防爆电机轴承的智能诊断方法及系统。
实施例二
基于同一发明构思，本实施例提供了一种防爆电机轴承多视角智能故障诊断系统，其解决问题的原理与所述防爆电机轴承多视角智能故障诊断方法类似，重复之处不再赘述。
本实施例提供一种防爆电机轴承多视角智能故障诊断系统，包括：
采集分割模块，用于采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；
特征增强网络模块，用于建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强；
多视角深度迁移学习网络模块，用于将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络提取空间、通道和时序等多个视角下的域不变特征；
已训练网络模块，用于利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时通过从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；
输出模块，用于将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
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。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种防爆电机轴承多视角智能故障诊断方法，其特征在于，包括如下步骤：
步骤S1：采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；
步骤S2：建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强，所述特征增强网络的建立包括：构建残差网络模型以及残差块注意力模型，所述残差网络模型包括卷积层、批次标准化层、激活层和残差块，所述残差块注意力模型融合了通道注意力模型和空间注意力模型，所述构建残差网络模型时，源域和目标域中的输入样本先经过卷积操作将单通道数据变为三通道数据，卷积操作过程表示为：
Figure FDA0003799631550000011
其中，
Figure FDA0003799631550000012
表示在l层的第n个通道特征输出，
Figure FDA0003799631550000013
表示在l-1层中第m个通道的特征输入，*代表卷积运算，
Figure FDA0003799631550000014
代表在l层中第n个卷积核中的权重矩阵，
Figure FDA0003799631550000015
为偏差；
再采用残差块对三通道数据进行处理，残差块中包括卷积层、批次标准化层、激活层和残差连接，数据经批次标准化处理后输出{y1,y2,…,yc}为：
Figure FDA0003799631550000016
Figure FDA0003799631550000017
Figure FDA0003799631550000018
Figure FDA0003799631550000019
根据等式(2)先求出每个小批次的均值μ，然后在等式(3)中进一步求出批次的方差σ2，接下来在等式(4)中对输入做标准化处理,获得标准化的值
Figure FDA00037996315500000210
其中ε是平滑因子，防止方差为0时，输出为无穷大，并在等式(5)的最终批次标准化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；
经过批次标准化，网络进一步采用激活层实现非线性变化，激活层中采用的激活函数为ReLU函数，并在网络中采用残差连接以防止梯度消失，其最终输出为：
yn＝Relu(yc)＝max(yc,0) (6)
y＝yn+un (7)
最终输出的y即为原始振动数据经上述的残差网络特征提取后得到的与空间、通道相关的特征信息；
所述残差块注意力模型的数学表述为：
Figure FDA0003799631550000021
Figure FDA0003799631550000022
Figure FDA0003799631550000023
Figure FDA0003799631550000024
Figure FDA0003799631550000025
其中，F∈RC×H×W为输入特征，MLP代表多层感知机，Mc(·)和Ms(·)分别为通道注意力模型和空间注意力模型，
Figure FDA0003799631550000026
和
Figure FDA0003799631550000027
分别表示逐元素相乘和逐元素相加，σ(·)表示sigmoid函数，
Figure FDA0003799631550000028
和
Figure FDA0003799631550000029
表示多层感知机中的每层的权重，r为缩减系数，Conv(·)代表卷积操作，利用所设计的残差块注意力模型可以通过学习的方式，自适应地增强提取到的与空间、通道相关的有效特征信息，输出空间和通道视角下的增强特征；
步骤S3：将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络提取空间、通道和时序等多个视角下的域不变特征；
步骤S4：利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；
步骤S5：将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
2.根据权利要求1所述的防爆电机轴承多视角智能故障诊断方法，其特征在于：对所述振动信号进行分割的方法为：将所述振动信号按指定的数据点长度截取。
3.根据权利要求1所述的防爆电机轴承多视角智能故障诊断方法，其特征在于：所述双向长短期记忆网络包括两个长短期记忆网络、前向隐藏层和反向隐藏层，所述前向隐藏层和反向隐藏层为两个长短期记忆网络在前后两个方向上提取输入数据中时序相关特征信息时的最终输出。
4.根据权利要求1所述的防爆电机轴承多视角智能故障诊断方法，其特征在于：所述领域适配学习方法为最大均值差异，最大均值差异是一种非参数距离测量方法，该方法度量源域和目标域特征之间的分布差异。
5.根据权利要求1或4所述的防爆电机轴承多视角智能故障诊断方法，其特征在于：所述领域适配学习通过反向传播迭代训练减小从源域和目标域中提取到的多视角域不变特征的分布差异。
6.根据权利要求1所述的防爆电机轴承多视角智能故障诊断方法，其特征在于：所述域共享类别分类器为Softmax分类器，通过Softmax分类器输出每种故障属于不同类别的概率值，对应的故障概率值P(yi∣xi)的计算公式为：
Figure FDA0003799631550000041
其中，xi代表第i个输入特征，yi代表对应类别的输出概率值，ns表示故障类别总量。
7.一种防爆电机轴承多视角智能故障诊断系统，其特征在于，包括：
采集分割模块，用于采集防爆电机轴承在不同工况下的振动信号，对所述振动信号进行分割获得大量的样本集，将已知故障类型的样本根据故障类别进行标定，设定类别标签，并根据工况划分出源域数据集和目标域数据集；
特征增强网络模块，用于建立特征增强网络，提取所述源域数据集和目标数据集中空间和通道视角下的特征信息，并对提取到的空间和通道视角下的特征信息进行增强，所述特征增强网络的建立包括：构建残差网络模型以及残差块注意力模型，所述残差网络模型包括卷积层、批次标准化层、激活层和残差块，所述残差块注意力模型融合了通道注意力模型和空间注意力模型，所述构建残差网络模型时，源域和目标域中的输入样本先经过卷积操作将单通道数据变为三通道数据，卷积操作过程表示为：
Figure FDA0003799631550000042
其中，
Figure FDA0003799631550000043
表示在l层的第n个通道特征输出，
Figure FDA0003799631550000044
表示在l-1层中第m个通道的特征输入，*代表卷积运算，
Figure FDA0003799631550000045
代表在l层中第n个卷积核中的权重矩阵，
Figure FDA0003799631550000046
为偏差；
再采用残差块对三通道数据进行处理，残差块中包括卷积层、批次标准化层、激活层和残差连接，数据经批次标准化处理后输出{y1,y2,…,yc}为：
Figure FDA0003799631550000047
Figure FDA0003799631550000048
Figure FDA0003799631550000051
Figure FDA0003799631550000052
根据等式(2)先求出每个小批次的均值μ，然后在等式(3)中进一步求出批次的方差σ2，接下来在等式(4)中对输入做标准化处理,获得标准化的值
Figure FDA0003799631550000053
其中ε是平滑因子，防止方差为0时，输出为无穷大，并在等式(5)的最终批次标准化输出中引入缩放参数γ和平移参数β来进一步提高数值输出稳定性，所述缩放参数γ和平移参数β参数在网络训练时采用反向传播算法进行更新；
经过批次标准化，网络进一步采用激活层实现非线性变化，激活层中采用的激活函数为ReLU函数，并在网络中采用残差连接以防止梯度消失，其最终输出为：
yn＝Relu(yc)＝max(yc,0) (6)
y＝yn+un (7)
最终输出的y即为原始振动数据经上述的残差网络特征提取后得到的与空间、通道相关的特征信息；
所述残差块注意力模型的数学表述为：
Figure FDA0003799631550000054
Figure FDA0003799631550000055
Figure FDA0003799631550000056
Figure FDA0003799631550000057
Figure FDA0003799631550000058
其中，F∈RC×H×W为输入特征，MLP代表多层感知机，Mc(·)和Ms(·)分别为通道注意力模型和空间注意力模型，
Figure FDA0003799631550000059
和
Figure FDA00037996315500000510
分别表示逐元素相乘和逐元素相加，σ(·)表示sigmoid函数，
Figure FDA0003799631550000061
和
Figure FDA0003799631550000062
表示多层感知机中的每层的权重，r为缩减系数，Conv(·)代表卷积操作，利用所设计的残差块注意力模型可以通过学习的方式，自适应地增强提取到的与空间、通道相关的有效特征信息，输出空间和通道视角下的增强特征；
多视角深度迁移学习网络模块，用于将所述特征增强网络和双向长短期记忆网络融合形成多视角深度迁移学习网络提取空间、通道和时序等多个视角下的域不变特征；
已训练网络模块，用于利用领域适配学习度量通过所述多视角深度迁移学习网络从源域数据集和目标域数据集提取到的域不变特征之间的分布差异，同时通过从带标签源域数据集中提取到的域不变特征来训练域共享类别分类器，在此过程中产生的分布差异和分类损失共同构成了网络更新所需优化的目标函数，通过反向传播和梯度下降算法优化目标函数，更新网络参数，获得已训练网络；
输出模块，用于将待测试的振动信号输入至所述已训练网络中，获得目标域数据集中无标签样本的故障类别。
CN202111273862.8A 2021-10-29 2021-10-29 防爆电机轴承多视角智能故障诊断方法及系统 Active CN114118140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111273862.8A CN114118140B (zh) 2021-10-29 2021-10-29 防爆电机轴承多视角智能故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111273862.8A CN114118140B (zh) 2021-10-29 2021-10-29 防爆电机轴承多视角智能故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114118140A CN114118140A (zh) 2022-03-01
CN114118140B true CN114118140B (zh) 2022-09-23

Family

ID=80379643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111273862.8A Active CN114118140B (zh) 2021-10-29 2021-10-29 防爆电机轴承多视角智能故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114118140B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901553A (zh) * 2019-03-13 2019-06-18 东北大学 基于多视角的异构工业大数据协同建模过程故障监测方法
CN109946080A (zh) * 2019-04-08 2019-06-28 西安交通大学 一种基于嵌入式循环网络的机械设备健康状态识别方法
CN110751207A (zh) * 2019-10-18 2020-02-04 四川大学 基于深度卷积域对抗迁移学习的故障诊断方法
CN112304614A (zh) * 2020-11-27 2021-02-02 中国人民解放军海军工程大学 采用多注意力机制的端到端滚动轴承智能故障诊断方法
CN112418175A (zh) * 2020-12-09 2021-02-26 北京信息科技大学 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112633339A (zh) * 2020-12-14 2021-04-09 华中科技大学 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US11859846B2 (en) * 2018-06-15 2024-01-02 Johnson Controls Tyco IP Holdings LLP Cost savings from fault prediction and diagnosis
CN110120064B (zh) * 2019-05-13 2023-06-20 南京信息工程大学 一种基于互强化与多注意机制学习的深度相关目标跟踪算法
CN110610129A (zh) * 2019-08-05 2019-12-24 华中科技大学 一种基于自注意力机制的深度学习人脸识别系统及方法
CN111598804B (zh) * 2020-05-12 2022-03-22 西安电子科技大学 基于深度学习的图像多级去噪方法
CN111932650A (zh) * 2020-08-10 2020-11-13 北京大学深圳研究生院 一种基于高通量深度展开网络的核磁共振图像重建方法
CN112911304B (zh) * 2021-01-29 2022-03-25 南京信息工程大学滨江学院 基于编码的双路视频压缩装置及压缩视频重建方法
CN113177455B (zh) * 2021-04-23 2023-01-24 中国科学院计算技术研究所 一种用于识别运动强度的方法和系统
CN113408577A (zh) * 2021-05-12 2021-09-17 桂林电子科技大学 一种基于注意力机制的图像分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901553A (zh) * 2019-03-13 2019-06-18 东北大学 基于多视角的异构工业大数据协同建模过程故障监测方法
CN109946080A (zh) * 2019-04-08 2019-06-28 西安交通大学 一种基于嵌入式循环网络的机械设备健康状态识别方法
CN110751207A (zh) * 2019-10-18 2020-02-04 四川大学 基于深度卷积域对抗迁移学习的故障诊断方法
CN112304614A (zh) * 2020-11-27 2021-02-02 中国人民解放军海军工程大学 采用多注意力机制的端到端滚动轴承智能故障诊断方法
CN112418175A (zh) * 2020-12-09 2021-02-26 北京信息科技大学 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN112633339A (zh) * 2020-12-14 2021-04-09 华中科技大学 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Youming Wang等.A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis.《Measurement Science and Technology》.2020,第32卷 *
程建刚等.基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究.《内燃机工程》.2021,第42卷(第8期), *

Also Published As

Publication number Publication date
CN114118140A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Sajedi et al. Uncertainty‐assisted deep vision structural health monitoring
US10943154B2 (en) Systems for modeling uncertainty in multi-modal retrieval and methods thereof
CN110780164B (zh) 基于yolo的绝缘子红外故障定位诊断方法及装置
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
EP4273754A1 (en) Neural network training method and related device
Sun et al. Contamination source identification in water distribution networks using convolutional neural network
Min et al. Toward interpretable anomaly detection for autonomous vehicles with denoising variational transformer
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
Ma et al. A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
Zhang et al. Identification of concrete surface damage based on probabilistic deep learning of images
CN114118140B (zh) 防爆电机轴承多视角智能故障诊断方法及系统
US20230350402A1 (en) Multi-task learning based rul predication method under sensor fault condition
CN112763215A (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN115099129B (zh) 一种基于输入特征误差修正的天然气井产量预测方法
CN115239034B (zh) 一种风力发电机叶片早期缺陷预测方法及系统
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN117036843A (zh) 目标检测模型训练方法、目标检测方法和装置
Pan et al. A SENet-TSCNN model developed for fault diagnosis considering squeeze-excitation networks and two-stream feature fusion
CN116029968A (zh) 猴痘感染皮肤图像检测方法和装置、电子设备及存储介质
CN114565919A (zh) 基于数字病理图像的肿瘤微环境空间关系建模系统与方法
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
Khooran et al. Remaining Useful Life Prediction by Stacking Multiple Windows Networks with a Ridge Regression
CN116797825A (zh) 一种基于anchor自学习的目标检测方法

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