CN114235409B - 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 - Google Patents

一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 Download PDF

Info

Publication number
CN114235409B
CN114235409B CN202111551544.3A CN202111551544A CN114235409B CN 114235409 B CN114235409 B CN 114235409B CN 202111551544 A CN202111551544 A CN 202111551544A CN 114235409 B CN114235409 B CN 114235409B
Authority
CN
China
Prior art keywords
rolling bearing
vibration signal
client
signal sample
local
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
CN202111551544.3A
Other languages
English (en)
Other versions
CN114235409A (zh
Inventor
李响
何平
雷亚国
杨彬
李乃鹏
曹军义
武通海
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111551544.3A priority Critical patent/CN114235409B/zh
Publication of CN114235409A publication Critical patent/CN114235409A/zh
Application granted granted Critical
Publication of CN114235409B publication Critical patent/CN114235409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (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)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，先利用公共滚动轴承振动信号和私有滚动轴承振动信号对客户端的本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型；再将公共滚动轴承振动信号输入至本地过渡深度卷积诊断模型中得到性能分数向量；然后将性能分数向量上传至中央服务器，得到平均性能分数向量并下载至各客户端；再对本地过渡深度卷积诊断模型进行优化；重复性能分数向量计算及优化过程，得到各客户端本地最终深度卷积诊断模型；最后以健康状态未知的滚动轴承振动信号样本为输入，利用本地最终深度卷积诊断模型输出诊断结果，实现滚动轴承健康状态的智能定制化识别；本发明实现了准确、高效的故障诊断。

Description

一种轻量化通信的滚动轴承多用户协同智能故障诊断方法
技术领域
本发明属于滚动轴承故障诊断技术领域，具体涉及一种轻量化通信的滚动轴承多用户协同智能故障诊断方法。
背景技术
滚动轴承作为各类旋转机械装备的关键零部件之一，其一旦发生故障将直接影响机械装备的安全可靠运行，造成难以挽回的经济损失甚至危及人身安全，因此研究滚动轴承的故障诊断技术显得尤为重要。智能故障诊断依靠先进的机器学习理论与方法，可从监测数据中挖掘出反映滚动轴承运行状态的有效信息，实现故障的自动高效识别，成为保障滚动轴承平稳运行的重要手段。近年来，多用户协同隐私建模技术逐渐兴起，并被引入保证数据安全性的多用户滚动轴承协同智能故障诊断中，主要由中央服务器和多个用户客户端组成。现有的方法中，各客户端构建统一的滚动轴承故障诊断模型，并使用私有滚动轴承监测数据对模型进行本地训练，在每轮训练中将加密的模型信息上传至中央服务器，实现信息的交换和诊断模型的协同更新。协同隐私建模方法在保证数据安全性的同时，有效融合了大量来自不同客户端的监测数据信息，为获得高性能的滚动轴承故障智能诊断模型提供了可能。
在工程实际中，为充分挖掘滚动轴承监测数据中的特征信息并建立监测数据与相应故障类型之间的复杂映射，所使用的诊断模型往往较为复杂，包含大量的参数。若每轮训练中直接将故障诊断模型参数或相应梯度值在中央服务器和各客户端之间通信，会给系统带来巨大负担且效率极低，现实中难以实现；此外，现有多用户协同智能故障诊断方法中，统一的故障诊断模型难以满足不同客户端在私有滚动轴承数据上的诊断需求；同时，与其它用户共享同一故障诊断模型往往会增加数据隐私泄露几率。因此，现有的滚动轴承多用户协同智能故障诊断方法难以高效、灵活地构建诊断模型，极大地限制了其在工程实际中的应用。
发明内容
为了克服上述现有技术的缺陷，本发明的目的在于提出一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，减少滚动轴承智能故障诊断模型优化时的通信负担，提高方法的灵活性，实现滚动轴承故障的准确、高效识别。
为达到上述目的，本发明采取的技术方案为：
一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，包括以下步骤：
步骤1：获取公共滚动轴承Npub种健康状态的振动信号样本集
Figure BDA0003417327540000021
其中，
Figure BDA0003417327540000022
为第m个公共滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure BDA0003417327540000023
npub为公共滚动轴承振动信号样本总数，上标/下标pub代表公共滚动轴承振动信号；有Nclient个客户端，第i∈{1,2,3,...,Nclient}个客户端的私有滚动轴承振动信号样本集为
Figure BDA0003417327540000024
包括Npri种健康状态，其中，
Figure BDA0003417327540000025
为第i个客户端的第n个私有滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure BDA0003417327540000026
ni,pri为第i个客户端私有滚动轴承振动信号样本总数，下标pri代表私有滚动轴承振动信号；
步骤2：在第i个客户端构建独立的本地初始深度卷积诊断模型，利用公共滚动轴承振动信号样本集
Figure BDA0003417327540000031
和私有滚动轴承振动信号样本集
Figure BDA0003417327540000032
对本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型，待训练参数为
Figure BDA0003417327540000033
训练过程中最小化如下分类损失函数并对训练参数
Figure BDA0003417327540000034
进行更新：
Figure BDA0003417327540000035
其中，
Figure BDA0003417327540000036
为第i个客户端的私有滚动轴承振动信号样本集
Figure BDA0003417327540000037
在本地初始深度卷积诊断模型上的损失函数，
Figure BDA0003417327540000038
为公共滚动轴承振动信号样本集
Figure BDA0003417327540000039
在第i个客户端的本地过渡深度卷积诊断模型上的损失函数，αs为预训练权重系数；
Figure BDA00034173275400000310
和
Figure BDA00034173275400000311
的计算过程如下公式：
Figure BDA00034173275400000312
Figure BDA00034173275400000313
式中，
Figure BDA00034173275400000314
表示第i个客户端的第n个私有滚动轴承振动信号样本的健康标签，
Figure BDA00034173275400000315
表示第i个客户端的第n个私有振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值，上标pri代表私有滚动轴承振动信号；
Figure BDA00034173275400000316
表示第m个公共振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值；
步骤3：在第i个客户端上，将公共滚动轴承振动信号样本集
Figure BDA0003417327540000041
输入到步骤2中得到的本地过渡深度卷积诊断模型，计算第i个客户端本地过渡深度卷积诊断模型在公共振动信号样本集上的性能分数向量Hi(xpub)，该向量由最后一层全连接层所有神经元的取值组成；
步骤4：将步骤3中计算所得的各客户端本地过渡深度卷积诊断模型的性能分数向量Hi(xpub)上传至中央服务器，中央服务器执行平均运算操作以获得平均性能分数向量
Figure BDA0003417327540000042
计算公式为：
Figure BDA0003417327540000043
步骤5：将步骤4中央服务器计算得到的平均性能分数向量
Figure BDA0003417327540000044
下载至各客户端；
步骤6：利用公共滚动轴承振动信号样本集
Figure BDA0003417327540000045
和私有滚动轴承振动信号样本集
Figure BDA0003417327540000046
对第i个客户端的本地过渡深度卷积诊断模型进行优化，待优化参数为
Figure BDA0003417327540000047
优化过程中最小化如下优化目标函数并对优化参数
Figure BDA0003417327540000048
进行更新：
Figure BDA0003417327540000049
其中，
Figure BDA00034173275400000410
为步骤2中的分类损失函数，
Figure BDA00034173275400000411
为公共振动信号样本集与第i个客户端私有振动信号样本集之间的领域适配损失函数，
Figure BDA00034173275400000412
为公共振动信号样本集的诊断一致性损失函数，αm为领域适配权重系数，αp为诊断一致性权重系数；
Figure BDA00034173275400000413
和
Figure BDA00034173275400000414
的计算公式如下：
Figure BDA00034173275400000415
Figure BDA00034173275400000416
式中，η为特征映射，
Figure BDA0003417327540000051
为具有特征核k的再生希尔伯特空间；
Figure BDA0003417327540000052
为以第m个公共滚动轴承振动信号样本为输入时，步骤3计算所得的第i个客户端本地过渡深度卷积诊断模型的性能分数向量，
Figure BDA0003417327540000053
为以第m个公共滚动轴承振动信号样本为输入时，步骤4计算所得的平均性能分数向量；
步骤7：依次重复执行步骤3至步骤6，对各客户端的本地过渡深度卷积诊断模型进行训练，并得到各客户端本地最终深度卷积诊断模型；
步骤8：在第i个客户端，将未知健康状态的滚动轴承振动信号样本输入至本地最终深度卷积诊断模型中，本地最终深度卷积诊断模型输出所对应的滚动轴承健康状态即为诊断结果。
本发明的有益效果为：本发明提出了一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，该方法通过在各个客户端使用独立的本地深度卷积神经网络诊断模型，使其更能满足不同客户端的故障诊断需求，提高了方法的灵活性；此外，通过在中央服务器和各客户端之间使用性能分数向量进行通信，大大降低了模型优化时的通信负担；本发明在保证数据的隐私性的同时提高了多用户协同故障诊断模型优化的效率，实现了工程实际中滚动轴承故障的准确高效识别。
附图说明
图1为本发明的流程图。
图2为本发明各客户端本地过渡深度卷积故障诊断模型优化过程的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步详细描述。
如图1所示，一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，包括以下步骤：
步骤1：获取公共滚动轴承Npub种健康状态的振动信号样本集
Figure BDA0003417327540000061
其中，
Figure BDA0003417327540000062
为第m个公共滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure BDA0003417327540000063
npub为公共滚动轴承振动信号样本总数，上标/下标pub代表公共滚动轴承振动信号；有Nclient个客户端，第i∈{1,2,3,...,Nclient}个客户端的私有滚动轴承振动信号样本集为
Figure BDA0003417327540000064
包括Npri种健康状态，其中，
Figure BDA0003417327540000065
为第i个客户端的第n个私有滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure BDA0003417327540000066
ni,pri为第i个客户端私有滚动轴承振动信号样本总数，下标pri代表私有滚动轴承振动信号；
步骤2：在第i个客户端构建独立的本地初始深度卷积诊断模型，利用公共滚动轴承振动信号样本集
Figure BDA0003417327540000067
和私有滚动轴承振动信号样本集
Figure BDA0003417327540000068
对本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型，待训练参数为
Figure BDA0003417327540000069
训练过程中最小化如下分类损失函数并对待训练参数
Figure BDA00034173275400000610
进行更新：
Figure BDA00034173275400000611
其中，
Figure BDA00034173275400000612
为第i个客户端的私有滚动轴承振动信号样本集
Figure BDA00034173275400000613
在本地初始深度卷积诊断模型上的损失函数，
Figure BDA00034173275400000614
为公共滚动轴承振动信号样本集
Figure BDA00034173275400000615
在第i个客户端的本地初始深度卷积诊断模型上的损失函数，αs为预训练权重系数；
Figure BDA00034173275400000616
和
Figure BDA00034173275400000617
的计算过程如下公式：
Figure BDA0003417327540000071
Figure BDA0003417327540000072
式中，
Figure BDA0003417327540000073
表示第i个客户端的第n个私有滚动轴承振动信号样本的健康标签，
Figure BDA0003417327540000074
表示第i个客户端的第n个私有振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值，上标pri代表私有滚动轴承振动信号；
Figure BDA0003417327540000075
表示第m个公共振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值；
步骤3：在第i个客户端上，将公共滚动轴承振动信号样本集
Figure BDA0003417327540000076
输入到步骤2中得到的本地过渡深度卷积诊断模型，计算第i个客户端本地过渡深度卷积诊断模型在公共振动信号样本集上的性能分数向量Hi(xpub)，该向量由最后一层全连接层所有神经元的取值组成；
步骤4：将步骤3中计算所得的各客户端本地过渡深度卷积诊断模型的性能分数向量Hi(xpub)上传至中央服务器，中央服务器执行平均运算操作以获得平均性能分数向量
Figure BDA0003417327540000077
计算公式为：
Figure BDA0003417327540000078
步骤5：将步骤4中央服务器计算得到的平均性能分数向量
Figure BDA0003417327540000079
下载至各客户端；
步骤6：参照图2，利用公共滚动轴承振动信号样本集
Figure BDA0003417327540000081
和私有滚动轴承振动信号样本集
Figure BDA0003417327540000082
对第i个客户端的本地过渡深度卷积诊断模型进行优化，待优化参数为
Figure BDA0003417327540000083
优化过程中最小化如下优化目标函数并对待优化参数
Figure BDA0003417327540000084
进行更新：
Figure BDA0003417327540000085
其中，
Figure BDA0003417327540000086
为步骤2中的分类损失函数，
Figure BDA0003417327540000087
为公共振动信号样本集与第i个客户端私有振动信号样本集之间的领域适配损失函数，
Figure BDA0003417327540000088
为公共振动信号样本集的诊断一致性损失函数，αm为领域适配权重系数，αp为诊断一致性权重系数；
Figure BDA0003417327540000089
和
Figure BDA00034173275400000810
的计算公式如下：
Figure BDA00034173275400000811
Figure BDA00034173275400000812
式中，η为特征映射，
Figure BDA00034173275400000813
为具有特征核k的再生希尔伯特空间；
Figure BDA00034173275400000814
为以第m个公共滚动轴承振动信号样本为输入时，步骤3计算所得的第i个客户端本地过渡深度卷积诊断模型的性能分数向量，
Figure BDA00034173275400000815
为以第m个公共滚动轴承振动信号样本为输入时，步骤4计算所得的平均性能分数向量；
步骤7：依次重复执行步骤3至步骤6，对各客户端的本地过渡深度卷积诊断模型进行训练，并得到各客户端本地最终深度卷积诊断模型；
步骤8：在第i个客户端，将未知健康状态的滚动轴承振动信号样本输入至本地最终深度卷积诊断模型中，本地最终深度卷积诊断模型输出所对应的滚动轴承健康状态即为诊断结果。
实施例：以5个客户端的列车转向架轴承健康状态识别为例，验证本发明的可行性。
获得的公共滚动轴承振动信号样本集A来自美国凯斯西储大学，如表1所示，该数据中包括4种滚动轴承的健康状态：正常、内圈故障、滚动体故障、外圈故障。振动信号样本在4种不同的工况(1797r/min，0HP；1772r/min，1HP；1750r/min，2HP；1730r/min，3HP)下获取，每种健康状态加工3种故障程度(0.1778mm；0.3556mm；0.5334mm)，分别对应轻微、中等、严重，因此该样本集中共包含10种健康状态。每种工况下每个健康状态的样本数为200，每个样本中包含256个频域数据点。
实验中，假设5个客户端的私有滚动轴承振动信号样本集B来自列车转向架，如表1所示，该数据中包括4种轴承的健康状态：正常、内圈故障、滚动体故障、外圈故障；振动信号样本包括1950r/min、1770r/min和1590r/min三种运行速度，每种健康状态包括轻微、中等和严重三种故障程度，因此该样本集中共包含10种健康状态。每种工况下每个健康状态的样本数为300，其中，200个样本用来训练本地初始深度卷积诊断模型，100个样本用来测试，每个样本中包含256个频域数据点。
表1滚动轴承振动信号样本集
Figure BDA0003417327540000091
Figure BDA0003417327540000101
基于表1所示的振动信号样本集B，为5个客户端划分本地私有滚动轴承振动信号样本集用于实验，如表2所示，每个客户端的私有振动信号样本集只覆盖所有客户端私有振动信号样本集的部分滚动轴承健康状态类别。
表2各客户端私有滚动轴承振动信号样本集
Figure BDA0003417327540000102
在各客户端构建独立的本地初始深度卷积诊断模型，具体模型结构如表3所示，其中，例如“128-5卷积层”表示卷积核尺寸为5、卷积核个数为128的卷积层；“256全连接层”表示有256个神经元的全连接层；“分类诊断层”为包含Npri+Npub个神经元的全连接层，并进行了softmax处理；诊断模型中还使用了修正线性整流激活函数。
表3各客户端本地初始深度卷积诊断模型
Figure BDA0003417327540000111
利用表1所示的公共滚动轴承振动信号样本集和表2划分的各客户端私有滚动轴承振动信号样本集，对5个客户端如表3所示的本地初始深度卷积诊断模型分别进行预训练，得到各客户端本地过渡深度卷积诊断模型；然后将公共滚动轴承振动信号样本集分别输入5个客户端的本地过渡深度卷积诊断模型，获得各本地过渡深度卷积诊断模型的性能分数向量，并上传至中央服务器计算出平均性能分数向量；将该平均性能分数向量分别下载至5个客户端，并依次对各客户端的本地过渡深度卷积诊断模型进行优化，重复性能分数向量计算及优化过程，完成对各客户端本地过渡深度卷积诊断模型的训练，得到5个客户端的本地最终深度卷积诊断模型；最后用各客户端的测试样本对本地最终深度卷积诊断模型进行测试，验证本发明的可行性。为提高本地最终深度卷积诊断模型的学习效率，使用振动信号样本的频域信息作为本地最终深度卷积诊断模型的输入；各本地最终深度卷积诊断模型的超参数设置如表4所示；
表4各客户端本地最终深度卷积诊断模型超参数设置
Figure BDA0003417327540000121
重复实验5次，计算诊断结果的统计值，以减少随机性，如表5所示，本发明在5个客户端的私有滚动轴承振动信号测试样本上分别获得了98.0％，97.2％，96.4％，93.5％和92.2％的诊断精度，说明本发明方法的诊断准确性高，验证了本发明方法在解决不同客户端滚动轴承故障诊断问题中的灵活性和可行性。
选取两种诊断方法对比本发明方法的诊断效果，方法1为在各客户端仅使用私有滚动轴承振动样本集训练本地初始深度卷积诊断模型，未考虑客户端之间的通信；如表5所示，该方法在各客户端上诊断精度分别为69.4％，69.5％，69.1％，69.0％和68.4％明显低于本发明方法；方法2与提出方法使用相同框架，但在优化时不考虑领域适配，如表5所示，该方法在各客户端上诊断精度分别为86.4％，87.2％，86.8％，83.4％和85.2％均低于本发明方法。
表5不同方法的诊断效果对比
Figure BDA0003417327540000122
此外，实验过程中对本发明方法在各客户端和中央服务器之间通信的数据量进行了记录，如表6所示，本发明在5个客户端和中央服务器之间通信的数据量相同，仅为1.6*105。
另选取当前广泛使用的多用户协同平均梯度更新故障诊断方法构成方法3，对比本发明方法的通信效果。方法3将诊断模型所有参数在中央服务器和客户端之间进行通信，如表6所示，该方法在各客户端和中央服务器之间通信的数据量分别为21.5*105，21.2*105，10.9*105，5.7*105和10.7*105，远高于本发明方法，说明本发明方法实现了多用户通信的轻量化。
表6不同方法的通信效果对比
Figure BDA0003417327540000131
通过对比本发明方法与方法1、方法2的诊断效果以及与方法3的通信效果，表明本发明可准确、灵活地实现多用户协同智能故障诊断，显著减少了中央服务器与各客户端之间的通信负担。

Claims (1)

1.一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，其特征在于，包括以下步骤：
步骤1：获取公共滚动轴承Npub种健康状态的振动信号样本集
Figure FDA0003417327530000011
其中，
Figure FDA0003417327530000012
为第m个公共滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure FDA0003417327530000013
npub为公共滚动轴承振动信号样本总数，上标/下标pub代表公共滚动轴承振动信号；有Nclient个客户端，第i∈{1,2,3,...,Nclient}个客户端的私有滚动轴承振动信号样本集为
Figure FDA0003417327530000014
包括Npri种健康状态，其中，
Figure FDA0003417327530000015
为第i个客户端的第n个私有滚动轴承振动信号样本，由Ninput个振动数据点组成，其健康标签为
Figure FDA0003417327530000016
ni,pri为第i个客户端私有滚动轴承振动信号样本总数，下标pri代表私有滚动轴承振动信号；
步骤2：在第i个客户端构建独立的本地初始深度卷积诊断模型，利用公共滚动轴承振动信号样本集
Figure FDA0003417327530000017
和私有滚动轴承振动信号样本集
Figure FDA0003417327530000018
对本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型，待训练参数为
Figure FDA0003417327530000019
训练过程中最小化如下分类损失函数并对训练参数
Figure FDA00034173275300000110
进行更新：
Figure FDA00034173275300000111
其中，
Figure FDA00034173275300000112
为第i个客户端的私有滚动轴承振动信号样本集
Figure FDA00034173275300000113
在本地初始深度卷积诊断模型上的损失函数，
Figure FDA00034173275300000114
为公共滚动轴承振动信号样本集
Figure FDA00034173275300000115
在第i个客户端的本地过渡深度卷积诊断模型上的损失函数，αs为预训练权重系数；
Figure FDA00034173275300000116
和
Figure FDA00034173275300000117
的计算过程如下公式：
Figure FDA0003417327530000021
Figure FDA0003417327530000022
式中，
Figure FDA0003417327530000023
表示第i个客户端的第n个私有滚动轴承振动信号样本的健康标签，
Figure FDA0003417327530000024
表示第i个客户端的第n个私有振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值，上标pri代表私有滚动轴承振动信号；
Figure FDA0003417327530000025
表示第m个公共振动信号样本作为输入时，本地初始深度卷积诊断模型最后一层全连接层第j个神经元的取值；
步骤3：在第i个客户端上，将公共滚动轴承振动信号样本集
Figure FDA0003417327530000026
输入到步骤2中得到的本地过渡深度卷积诊断模型，计算第i个客户端本地过渡深度卷积诊断模型在公共振动信号样本集上的性能分数向量Hi(xpub)，该向量由最后一层全连接层所有神经元的取值组成；
步骤4：将步骤3中计算所得的各客户端本地过渡深度卷积诊断模型的性能分数向量Hi(xpub)上传至中央服务器，中央服务器执行平均运算操作以获得平均性能分数向量
Figure FDA0003417327530000027
计算公式为：
Figure FDA0003417327530000028
步骤5：将步骤4中央服务器计算得到的平均性能分数向量
Figure FDA0003417327530000029
下载至各客户端；
步骤6：利用公共滚动轴承振动信号样本集
Figure FDA00034173275300000210
和私有滚动轴承振动信号样本集
Figure FDA0003417327530000031
对第i个客户端的本地过渡深度卷积诊断模型进行优化，待优化参数为
Figure FDA0003417327530000032
优化过程中最小化如下优化目标函数并对优化参数
Figure FDA0003417327530000033
进行更新：
Figure FDA0003417327530000034
其中，
Figure FDA0003417327530000035
为步骤2中的分类损失函数，
Figure FDA0003417327530000036
为公共振动信号样本集与第i个客户端私有振动信号样本集之间的领域适配损失函数，
Figure FDA0003417327530000037
为公共振动信号样本集的诊断一致性损失函数，αm为领域适配权重系数，αp为诊断一致性权重系数；
Figure FDA0003417327530000038
和
Figure FDA0003417327530000039
的计算公式如下：
Figure FDA00034173275300000310
Figure FDA00034173275300000311
式中，η为特征映射，
Figure FDA00034173275300000312
为具有特征核k的再生希尔伯特空间；
Figure FDA00034173275300000313
为以第m个公共滚动轴承振动信号样本为输入时，步骤3计算所得的第i个客户端本地过渡深度卷积诊断模型的性能分数向量，
Figure FDA00034173275300000314
为以第m个公共滚动轴承振动信号样本为输入时，步骤4计算所得的平均性能分数向量；
步骤7：依次重复执行步骤3至步骤6，对各客户端的本地过渡深度卷积诊断模型进行训练，并得到各客户端本地最终深度卷积诊断模型；
步骤8：在第i个客户端，将未知健康状态的滚动轴承振动信号样本输入至本地最终深度卷积诊断模型中，本地最终深度卷积诊断模型输出所对应的滚动轴承健康状态即为诊断结果。
CN202111551544.3A 2021-12-17 2021-12-17 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 Active CN114235409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111551544.3A CN114235409B (zh) 2021-12-17 2021-12-17 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111551544.3A CN114235409B (zh) 2021-12-17 2021-12-17 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

Publications (2)

Publication Number Publication Date
CN114235409A CN114235409A (zh) 2022-03-25
CN114235409B true CN114235409B (zh) 2022-10-28

Family

ID=80757901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111551544.3A Active CN114235409B (zh) 2021-12-17 2021-12-17 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN114235409B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997062A (zh) * 2022-06-15 2022-09-02 同济大学 一种基于边缘计算的工业水泵故障诊断轻量方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN112284735B (zh) * 2020-10-21 2022-07-15 兰州理工大学 基于一维卷积与动态路由的多传感器滚动轴承故障诊断
CN113705602B (zh) * 2021-06-30 2023-08-04 广西大学 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法
CN113469066B (zh) * 2021-07-05 2023-04-11 西安交通大学 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法
CN113588266B (zh) * 2021-07-19 2022-06-07 西安交通大学 一种故障语义空间内嵌的滚动轴承复合故障诊断方法
CN113723489A (zh) * 2021-08-24 2021-11-30 哈尔滨理工大学 一种改进关系网络的滚动轴承故障识别方法

Also Published As

Publication number Publication date
CN114235409A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN110162018B (zh) 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
CN109000930B (zh) 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
Wan et al. QSCGAN: An un-supervised quick self-attention convolutional GAN for LRE bearing fault diagnosis under limited label-lacked data
CN105973595B (zh) 一种滚动轴承故障的诊断方法
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
CN109033632A (zh) 一种基于深度量子神经网络的趋势预测方法
Wang et al. Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks
Chen et al. Vibration-based gearbox fault diagnosis using deep neural networks
CN114235409B (zh) 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法
Tyagi et al. A hybrid genetic algorithm and back-propagation classifier for gearbox fault diagnosis
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN117030263A (zh) 多传感器信号融合下基于改进残差网络的轴承故障诊断方法
Liang et al. 1d convolutional neural networks for fault diagnosis of high-speed train bogie
CN114186602A (zh) 一种基于稀疏滤波域对抗神经网络的机械故障诊断方法
CN114459760B (zh) 一种强噪声环境下的滚动轴承故障诊断方法及系统
Zhao et al. Hybrid Semi-Supervised Learning for Rotating Machinery Fault Diagnosis based on Grouped Pseudo-labeling and Consistency Regularization
CN114548295A (zh) 基于多尺度领域自适应网络的轴承故障分类系统及方法
CN114383845A (zh) 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法
CN113778811A (zh) 基于深度卷积迁移学习软件系统故障监测方法及系统
CN114398833B (zh) 一种基于机构内递归与机构间递归相结合的联邦学习故障诊断方法

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