CN114118146A - 一种基于信念规则库的滚动轴承故障诊断方法及系统 - Google Patents
一种基于信念规则库的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114118146A CN114118146A CN202111360310.0A CN202111360310A CN114118146A CN 114118146 A CN114118146 A CN 114118146A CN 202111360310 A CN202111360310 A CN 202111360310A CN 114118146 A CN114118146 A CN 114118146A
- Authority
- CN
- China
- Prior art keywords
- belief
- rule base
- label
- diagnosis
- fault
- 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
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
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种基于信念规则库的滚动轴承故障诊断方法及系统,该方法包括:通过训练自学习网络获取特征提取模型;对有标签数据进行特征提取,训练诊断分类器;提取无标签数据的内在特征,作为诊断分类器的输入,输出伪标签;通过信念规则库对伪标签进行校正;将无标签数据和校正标签作为诊断分类器的输入重新训练,基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新;反复相互迭代训练诊断分类器,更新信念规则库,获取满足要求的诊断分类器;基于特征提取模型和诊断分类器,对轴承进行故障诊断。本发明充分考虑到了信念规则库不完整和有标签数据较少的情况,根据收集得到的数据可快速地对出现的故障进行诊断,找出故障原因。
Description
技术领域
本发明属于滚动轴承故障诊断领域,具体涉及一种基于信念规则库的滚动轴承故障诊断方法及系统。
背景技术
随着科技的快速发展,机械设备越来越大、越来越智能化,在许多工业领域发挥着越来越重要的作用。滚动轴承是机械设备中脆弱而关键的部件,它在恶劣的工作环境和交变载荷下工作时很容易发生故障。滚动轴承存在的故障可能会导致整个机械系统停止运转,带来巨大的经济损失。此外,由于各种非线性因素的影响,滚动轴承的振动信号通常具有非线性和非平稳的特点,这表明很难通过传统方法(如快速傅里叶变换)提取故障特征信息并识别故障类型。因此物理模型不能有效地处理具有高复杂性和强噪声的系统,目前有许多基于数据驱动的故障诊断方法已被成功开发。
尽管目前已有的基于数据驱动的方法获得了不错的结果,但是这些方法大多基于监督学习的方式实现。基于监督学习方式的数据驱动方法存在一些局限性,因为在真实工业环境中,要获得足够的专家标记数据是不现实的,所以有标签的轴承故障数据较少,大部分轴承故障数据都是没有被标注标签的,训练数据的减少会导致诊断性能的显著下降。并且滚动轴承故障诊断领域存在一些领域知识,然而这些有价值的信息没有被充分融合进诊断模型中来提高模型的性能和可解释性。
发明内容
本发明的目的在于提供一种基于信念规则库的滚动轴承故障诊断方法及系统,解决滚动轴承中印有标签的轴承故障数据较少导致滚动轴承故障诊断结果准确度低的问题,可快速地对出现的故障进行诊断。
实现本发明目的的技术解决方案为:一种基于信念规则库的滚动轴承故障诊断方法,包括步骤:
获取无标签数据训练集,通过训练自学习网络获取特征提取模型;
将有标签数据集作为训练集,通过特征提取模型对标签数据进行特征提取,训练诊断分类器;
通过特征提取模型提取无标签数据的内在特征,作为诊断分类器的输入,输出伪标签;
基于溯因推理,通过信念规则库对伪标签进行校正,获取校正标签;
将无标签数据和校正标签作为诊断分类器的输入重新训练,基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新;
反复相互迭代训练诊断分类器,更新信念规则库,获取准确度满足设定阈值的诊断分类器;
基于特征提取模型和诊断分类器,对轴承进行故障诊断。
进一步的,所述自学习网络包括编码器和解码器,编码器包括神经网络输入层和隐藏层,用于提取无标签数据的内在特征,解码器包括神经网络隐藏层和输出层,用于对编码器的输出解码获取重构数据。
进一步的,所述编码器的编码过程为:
z=h(x)=σ(W1x+b1)
其中,h代表编码器,x为输入,z表示无标签数据内在的表征,W1和b1表示编码器的参数。
进一步的,解码器旨在将新特征空间下的潜在特征重构为原始输入,解码过程如下:
x′=g(z)=σ(W2z+b2)
其中,g代表解码器,z表示无标签数据内在的表征,x'表示重构的特征,W2和b2表示解码器的参数。
进一步的,训练自学习网络时,自学习的目标函数表示如下:
其中,N表示无标签样本的数量,dist表示原始输入x和重构输入x'之间的距离,当目标函数值满足设定阈值时,编码器为特征提取模型。
进一步的,所述诊断分类器采用BP神经网络。
进一步的,通过信念规则库对伪标签进行校正,获取校正标签,具体包括:
在信念规则库中找到与模糊样本相匹配的故障模式规则集Ri;
删除其中被其他规则所包含的故障模式规则的方法简化故障模式规则集Ri;
根据信念向量的信念度的大小来对简化后的故障模式规则集Ri进行筛选,保留与每个故障类别信念度最高的故障模式规则;
其中,βk表示信念向量,θk表示规则权重,k表示信念度最高的故障规则模式规则集中信念规则的个数;
对伪标签yu进行校正生成新的标签yr=yu*ωc。
进一步的,所述模糊函数为:
进一步的,基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新,具体包括:
若输入为有标签数据,从信念规则库中选择与其对应的模糊数据匹配的规则集,如果有对应的真实标签,匹配规则对该真实标签的信念度会增加αl,否则对诊断分类器预测标签的信念度就会被惩罚值γ所降低;对于无标签的数据,匹配的故障模式规则集中与预测标签相对应的信念度增加αu,其中αu<αl,基于新获得的信念向量与原来的信念向量相结合,更新信念规则库的信念向量为:
一种基于所述滚动轴承故障诊断方法的系统,包括自学习模块、故障诊断模型、信念规则库、标签校正模块及信念规则库更新模块,其中,
所述自学习模块基于无标签数据训练集,通过训练自学习网络获取特征提取模型;
所述故障诊断模型包括特征提取模型和诊断分类器,用于获取滚动轴承故障原因;
所述信念规则库为包含信念规则的数据库;
所述标签校正模块用于通过信念规则库对伪标签进行校正,获取校正标签;
所述信念规则库更新模块基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新。
本发明与现有技术相比,其有益效果为:本发明通过自学习的方法提取标签内在特征,为故障诊断提供更多更准确的的特征进行模型训练,提高模型的准确性;本发明通过信念规则库对故障诊断模型输出的标签进行校正,校正后的标签再用于故障诊断模型的训练,训练后的故障诊断模型的输出再用于补充更新信念规则库,以相互迭代的方式不断更新互相增强,提高对滚动轴承故障诊断的准确性;当轴承出现故障时,本发明根据收集得到的数据可快速地对出现的故障进行诊断,找出故障原因。
附图说明
图1为本发明方法的模块示意图。
图2为本发明方法流程示意图。
图3为为本发明基于信念规则库对伪标签进行校正的流程图。
具体实施方式
以下结合附图和具体实例对本发明做具体的介绍。
本发明重点解决的问题是在只有少量有标签数据(包含故障分类及故障参数)的场景下基于包含不完整领域知识的信念规则库来训练得到一个稳定的滚动轴承故障诊断系统。通过信念规则库中的规则对诊断模型输出伪标签进行校正,校正后的伪标签被用于训练准确性更好的诊断模型,整个方案的架构图如图1所示,包括自学习模块、故障诊断模型、信念规则库、标签校正模块及信念规则库更新模块,其中,所述自学习模块基于无标签数据训练集,通过训练自学习网络获取特征提取模型;所述故障诊断模型包括特征提取模型和诊断分类器,用于获取滚动轴承故障原因;所述信念规则库包括与已知故障原因匹配的规则;所述标签校正模块用于通过信念规则库对伪标签进行校正,获取校正标签;所述信念规则库更新模块基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新。基于此轴承故障诊断系统,将收集到的未知故障原因的轴承故障用例作为该诊断系统的输入,诊断系统根据轴承故障的相关传感器参数对故障进行分类,分类的结果即是故障出现的原因,以此达到故障诊断的目的。最后,本发明的设计保证了整个机制的真实性。结合图2,具体实施方法如下:
步骤1:学习内在特征
针对真实工业场景中,无标签数据的数量远大于有标签数据,充分利用无标签数据来提高诊断模型的性能变得至关重要。自学习是一种无监督的特征学习方式,属于迁移学习的一种,目的是学习高级特征表示,为诊断模型提供包含更多信息的特征进行训练;
一个自动编码器由三个神经网络层组成:输入层、隐藏层和输出层。编码器和解码器是自动编码器的两个组成部分,编码器由输入层和隐藏层组成,解码器由隐藏层和输出层组成。为了获得内在的特征表示,编码器h将输入x转化为潜在的表征z,自动编码器的编码过程表示如下:
z=h(x)=σ(W1x+b1)
解码器g旨在将新特征空间下的潜在特征表示z重建为原始输入x,解码过程如下:
x′=g(z)=σ(W2x+b2)
自动编码器的训练目标是使重建的输入x'尽可能地与原始输入x相似。自学习的目标函数表示如下:
其中N表示无标签样本的数量,dist表示x和x'之间的距离。
步骤2:校正伪标签
由于初始诊断分类器仅在有限的有标签样本进行训练,导致分类器的诊断性能较差。
如果直接使用预测的伪标签对分类器进行重新训练,则所得分类器的性能可能会降低,尤其是在训练数据质量较差的情况下。在滚动轴承故障诊断领域存在一些专家经验和领域知识,利用这些有价值的信息来提高诊断模型的性能。将领域知识融合进诊断模型的训练过程中,具体地,利用领域知识对伪标签进行修正,使伪标签尽可能地符合知识或规则。因为修正后的伪标签信念度相较于原伪标签更高,所以可以再次被用来训练新的诊断分类器来替代原先的诊断分类器。结合图3,具体为:
在信念规则库中找到与模糊样本相匹配的故障模式规则集Ri。然后通过删除其中被其他规则所包含的模式规则的方法来简化匹配得到的模式规则集,如果规则1包含规则2,则表示如果模糊样本符合规则1,那么一定符合规则2,删除规则2。信念规则库中的每个信念规则ri都有规则权重θi和一个信念向量βi。具体来说,βi代表ri与每个故障类别的关联程度。根据信念向量来对简化后的模式规则集进行筛选,利用信念向量中最大的信念度进行比较,保留与每个故障类别信念度最高的模式规则集。轴承故障用例的规则匹配和筛选过滤流程如图2所示。根据得到的最优的规则模式规则集来计算校正权重计算过程如下:
校正权重被用来对初始诊断分类器预测得到的伪标签yu进行校正生成新的标签yr,校正过程如下:
yr=yu*ωc
利用校正后得到的新标签yr和无标签数据Xu来训练一个新的诊断分类器C*来替代原先的诊断分类器C。
步骤3:更新信念规则库
因为专家经验或者领域知识是不完整的,无法涵盖所有轴承故障情况,所以初始的信念规则库包含的规则或者知识是不充分的。基于初始信念规则库,经过训练的分类器比初始分类器具有更好的诊断性能,因此这些未标记的数据和更可靠的伪标签可以提供关于轴承故障类别的附加规则及其关系以增强信念规则库。更新后的信念规则库又可以反过来提高诊断分类器的性能,两者以迭代的方式不断相互增强;
在初始信念规则库的基础上,经过训练的诊断分类器取得了比初始分类器更好的性能,因此这些未标记的数据和更可靠的伪标签可以提供关于故障类别的附加规则及其关系以增强信念规则库。具体来说,首先从信念规则库中选择与模糊数据匹配的规则集。如果有对应的真实标签,那么匹配的规则对该标签的信念度会增加αl。如果对的预测是错误的,那么对预测标签的信念度就会被惩罚值γ所降低。对于无标签的数据,匹配集中与预测标签相对应的信念度增加αu,其中αu<αl是由于无标签数据缺乏真实标签,所以信念度的增加程度要小于有标签数据的信念增加程度。对于每个规则,新获得的信念向量(信念向量由多个信念度构成,基于信念度增加量获取新的为本领域常识,在此不再累述)与旧的信念向量相结合,如下所示:
根据诊断模型的预测完成对信念规则库的更新,得到的新信念规则库再次用于对诊断模型的预测进行校正,以相互迭代的方式不断更新。
步骤4:对未知故障进行诊断
诊断模型训练完成后,可以对出现故障原因的轴承进行诊断;将收集到的未知故障原因的轴承相关的传感器数据先通过训练好的自动编码器的编码器得到高级特征,再将高级特征作为诊断模型的输入进行诊断,得到故障诊断的结果,以此达到滚动轴承故障诊断的目的。此外,可以在经过更新后的信念规则库寻找与轴承故障用例相匹配的规则,这些匹配到的规则可以辅助解释模型的输出,提高诊断模型的可解释性。
Claims (10)
1.一种基于信念规则库的滚动轴承故障诊断方法,其特征在于,包括步骤:
获取无标签数据训练集,通过训练自学习网络获取特征提取模型;
将有标签数据集作为训练集,通过特征提取模型对标签数据进行特征提取,训练诊断分类器;
通过特征提取模型提取无标签数据的内在特征,作为诊断分类器的输入,输出伪标签;
基于溯因推理,通过信念规则库对伪标签进行校正,获取校正标签;
将无标签数据和校正标签作为诊断分类器的输入重新训练,基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新;
反复相互迭代训练诊断分类器,更新信念规则库,获取准确度满足设定阈值的诊断分类器;
基于特征提取模型和诊断分类器,对轴承进行故障诊断。
2.根据权利要求1所述的基于信念规则库的滚动轴承故障诊断方法,其特征在于,所述自学习网络包括编码器和解码器,编码器包括神经网络输入层和隐藏层,用于提取无标签数据的内在特征,解码器包括神经网络隐藏层和输出层,用于对编码器的输出解码获取重构数据。
3.根据权利要求1所述的基于信念规则库的滚动轴承故障诊断方法,其特征在于,所述编码器的编码过程为:
z=h(x)=σ(W1x+b1)
其中,h代表编码器,x为输入,z表示无标签数据内在的表征,W1和b1表示编码器的参数。
4.根据权利要求3所述的基于信念规则库的滚动轴承故障诊断方法,其特征在于,所述解码器解码过程为:
x′=g(z)=σ(W2z+b2)
其中,g代表解码器,z表示无标签数据内在的表征,x′表示重构的特征,W2和b2表示解码器的参数。
6.根据权利要求1所述的基于信念规则库的滚动轴承故障诊断方法,其特征在于,所述诊断分类器采用BP神经网络。
7.根据权利要求6所述的基于信念规则库的滚动轴承故障诊断方法,其特征在于,通过信念规则库对伪标签进行校正,获取校正标签,具体包括:
在信念规则库中找到与模糊样本相匹配的故障模式规则集Ri;
删除其中被其他规则所包含的故障模式规则的方法简化故障模式规则集Ri;
根据信念向量的信念度的大小来对简化后的故障模式规则集Ri进行筛选,保留与每个故障类别信念度最高的故障模式规则;
其中,βk表示信念向量,θk表示规则权重,k表示信念度最高的故障规则模式规则集中信念规则的个数;
对伪标签yu进行校正生成新的标签yr=yu*ωc。
10.一种基于权利要求1~9任一所述滚动轴承故障诊断方法的系统,其特征在于,包括自学习模块、故障诊断模型、信念规则库、标签校正模块及信念规则库更新模块,其中,
所述自学习模块基于无标签数据训练集,通过训练自学习网络获取特征提取模型;
所述故障诊断模型包括特征提取模型和诊断分类器,用于获取滚动轴承故障原因;
所述信念规则库包括与已知故障原因匹配的规则;
信念规则库为包含信念规则的数据库;
所述标签校正模块用于通过信念规则库对伪标签进行校正,获取校正标签;
所述信念规则库更新模块基于训练后的诊断分类器重新获取输出的标签对信念规则库进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360310.0A CN114118146A (zh) | 2021-11-17 | 2021-11-17 | 一种基于信念规则库的滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360310.0A CN114118146A (zh) | 2021-11-17 | 2021-11-17 | 一种基于信念规则库的滚动轴承故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118146A true CN114118146A (zh) | 2022-03-01 |
Family
ID=80397140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360310.0A Pending CN114118146A (zh) | 2021-11-17 | 2021-11-17 | 一种基于信念规则库的滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118146A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865627A (zh) * | 2022-11-30 | 2023-03-28 | 南京航空航天大学 | 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法 |
-
2021
- 2021-11-17 CN CN202111360310.0A patent/CN114118146A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865627A (zh) * | 2022-11-30 | 2023-03-28 | 南京航空航天大学 | 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法 |
CN115865627B (zh) * | 2022-11-30 | 2024-01-30 | 南京航空航天大学 | 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN113884290B (zh) | 基于自训练半监督生成对抗网络的调压器故障诊断方法 | |
CN111353373B (zh) | 一种相关对齐域适应故障诊断方法 | |
CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
CN114492574A (zh) | 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 | |
CN114255371A (zh) | 一种基于组件监督网络的小样本图像分类方法 | |
CN116192500A (zh) | 一种对抗标签噪声的恶意流量检测装置及方法 | |
CN113283282A (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
CN115358337A (zh) | 一种小样本故障诊断方法、装置及存储介质 | |
CN111652177A (zh) | 基于深度学习的信号特征提取方法 | |
CN114118146A (zh) | 一种基于信念规则库的滚动轴承故障诊断方法及系统 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
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 | |
Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
CN115664970A (zh) | 基于双曲空间的网络异常点检测方法 | |
Chen et al. | Transfer learning with unsupervised domain adaptation method for bearing fault diagnosis | |
CN113158878B (zh) | 一种基于子空间的异构迁移故障诊断方法、系统和模型 | |
CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 | |
CN116484513A (zh) | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 | |
Attioui et al. | Unsupervised change detection method in SAR images based on deep belief network using an improved fuzzy C‐means clustering algorithm | |
Xu et al. | A Dense ResNet Model with RGB Input Mapping for Cross-Domain Mechanical Fault Diagnosis | |
Cai et al. | Inductive Conformal Out-of-distribution Detection based on Adversarial Autoencoders | |
CN116388933B (zh) | 基于深度学习的通信信号盲识别系统 | |
Qian et al. | Reconstruction-Based Anomaly Localization via Knowledge-Informed Self-Training | |
CN117768207A (zh) | 一种基于改进Transformer重构模型的网络流量无监督异常检测方法 |
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 |