CN114331214A - 基于强化学习的域自适应轴承声纹故障诊断方法及系统 - Google Patents
基于强化学习的域自适应轴承声纹故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114331214A CN114331214A CN202210072050.5A CN202210072050A CN114331214A CN 114331214 A CN114331214 A CN 114331214A CN 202210072050 A CN202210072050 A CN 202210072050A CN 114331214 A CN114331214 A CN 114331214A
- Authority
- CN
- China
- Prior art keywords
- domain
- fault diagnosis
- voiceprint
- network
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002787 reinforcement Effects 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000005096 rolling process Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出；本发明考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。
Description
技术领域
本发明涉及轴承故障诊断技术领域，特别涉及一种基于强化学习的域自适应轴承声纹故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
在当今的工业化生产流程中，机械设备运行状态的正常与否是制约生产效率的主要因素。旋转机械是工业化机械设备的一种并应用广泛，诊断作为其关键部件的滚动轴承的健康有着极其重要的意义。由于机械设备工作状态的连续性、工作环境的恶劣性，滚动轴承故障时有发生。因此，在事故发生前进行故障诊断可以提高工业生产的可信性。
声音是获取信息的重要途径，通过声音可以判断事物的某种状态。声音信号相比于其它信号来说，具有绕射能力强、易于采集的特点。轴承的声波源于旋转运动引起的空气振动，基于声纹的故障诊断系统具有全天候、检测延时小、采集设备简单、高效节能等优点。因此，利用滚动轴承的声纹信号进行故障诊断具有巨大的发展潜力。
智能故障诊断技术是最近发展迅猛的研究热点，是基于数据驱动的提取特征的高效方法，已经做了大量有力的研究和成功的使用，比如混合神经网络和遗传算法技术、支持向量机、决策树和随机森林等算法。但是遗传算法的编程实现较为复杂，参数选取大部分依靠经验，支持向量机对大规模训练样本难以实施，对缺失的数据及其敏感，决策树的稳定性较差，泛化能力不强，出现过拟合的现象。深度学习是更为有效的逼近复杂函数的一种网络架构，同时具有可以直接利用原始数据进行故障诊断的优点，通过创建深层网络模型，对数据中大量的隐含信息进行抽象描述，从而高效的进行特征的提取。比如利用深度信念网络建立故障诊断模型，既可以确定轴承故障类型，同时还可以将每个轴承故障类型下轴承受损的严重程度进行区分。残差学习算法，改善大容量的深度学习模型，解决梯度消失和梯度爆炸，优化网络的信息流，提高旋转机械可变顺序长度信号处理的精度等
发明人发现，上述方法在滚动轴承的故障诊断结果中体现了较为可靠的分类精度；但是在测试网络分类性能的时候，一般情况都会采用与训练集相对应的测试集，也就是在同一个域中进行测试集和训练集的划分，没有将测试集和训练集处于不同的域的情况考虑进来；如果将其他运行工况下测得的原始信号输入故障诊断模型进行分类训练，分类精度可能并不令人满意；传统方法依靠在滚动轴承上安装振动传感器来提取信号，某些设备的安装空间有限，安装过程复杂，操作不易。
发明内容
为了解决现有技术的不足，本发明提供了一种基于强化学习的域自适应轴承声纹故障诊断方法及系统，考虑了源域数据集和目标域数据集不一致的问题，结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号对未知的故障诊断进行较为高精度的分类，保证了机械设备的安全运转。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于强化学习的域自适应轴承声纹故障诊断方法。
一种基于强化学习的域自适应轴承声纹故障诊断方法，包括以下过程：
获取待测滚动轴承的声纹信号；
根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
进一步的，稀疏自编码器网络的隐藏层中设有KL散度的约束。
进一步的，采用域自适应网络的损失函数和分类网络的损失函数的加和进行特征提取网络的参数更新。
进一步的，将目标域的训练结果作为测试数据的虚假标签与目标域数据特征提取网络的输出一同作为分类网络的输入，将得到的分类损失函数加到原有的分类损失函数中，得到新的分类损失函数。
进一步的，域自适应网络的目标函数为最小化训练集和测试集之间的差异，所述训练集为源域数据，所述测试集为目标域数据，使用最小绝对值偏差实现最小化训练集和测试集之间的差异。
进一步的，声纹信号为通过麦克风阵列采集到的声纹信号。
进一步的，稀疏自编码器的损失函数为使用均方误差得到的损失函数与KL散度项的加和。
本发明第二方面提供了一种基于强化学习的域自适应轴承声纹故障诊断系统。
一种基于强化学习的域自适应轴承声纹故障诊断系统，包括：
数据获取模块，被配置为：获取待测滚动轴承的声纹信号；
故障诊断模块，被配置为：根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，考虑了源域数据集和目标域数据集不一致的问题，并且结合稀疏自编码器，在数据样本不充足时，利用已知的特征信号可以对未知的故障诊断进行较为高精度的分类，减少了安全事故发生的次数，避免造成更为严重的损失。
2、本发明所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，训练稀疏自编码器，学习有用的特征信息，通过域自适应缩小不同域之间的特征差异，利用模型输出重新进行分类网络的训练，具有利用已知的特征信息来对未知的故障信号进行可靠分类的优点。
3、本发明所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，通过声学传感器阵列进行滚动轴承的信号采集来提取设备的状态信息，避免了传统接触式传感器复杂的安装过程。
4、本发明所述的基于强化学习的域自适应轴承声纹故障诊断方法及系统，利用源域数据训练稀疏自编码器网络，缩小源域数据和目标域数据之间的特征差异进行网络的域自适应，利用模型获得的目标域的输出重新进行分类网络的训练，在保证分类网络的训练精度的同时，不断缩小源域数据和目标域数据之间的差异.
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于强化学习的域自适应轴承声纹故障诊断方法的流程图。
图2为本发明实施例1提供的基于强化学习的域自适应轴承声纹故障诊断方法的具体流程图。
图3为本发明实施例1提供的基于强化学习的域自适应网络模型结构图。
图4为本发明实施例1提供的基于强化学习的域自适应网络模型训练阶段一、阶段二和阶段三的流程图。
图5为本发明实施例1提供的基于强化学习的域自适应网络模型训练阶段四流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本发明实施例1提供了一种基于强化学习的域自适应轴承声纹故障诊断方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
所述方法包括以下过程：
获取待测滚动轴承的声纹信号；
根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
具体的，包括以下内容：
本实施例中，将故障滚动轴承放置在声纹信号采集平台上，利用CRY343自由场测量传声器将故障声信号转为电信号进行采集，频率响应为4Hz-90Hz±3Db。
本实施例中，故障轴承旋转引发的空气振动产生的声纹信号通过麦克风阵列采集后，形成声纹信号数据集，将不同工况下的故障数据化分为源域数据和目标域数据，源域数据作为训练集，目标域数据作为测试集。
本实施例中，声纹信号经过划分后变为源域数据和目标域数据输入到故障诊断模型中进行训练，得到故障诊断的分类结果。
如图2所示，将源域数据作为训练数据输入到稀疏自编码器网络中，在全卷积网络中使用长度较长的卷积核。由于声纹信号是一种复杂的时变信号、但其在很短的一段时间内还是相对稳定的，具有短时平稳性，同时轴承损伤所产生的声纹信号可能与距离较远出现的数据有关系。所以，选取较长的卷积核，从中提取更重要的隐含信息。为了保证自编码器网络的稀疏性，在网络隐藏层上增加KL散度的约束，公式(1)为KL散度项的公式：
其中，ρ表示期望的平均激活值，
表示第j个神经元节点的平均激活程度，每一个
都会向着ρ靠近。公式(2)为
的计算公式：
其中，
表示隐藏层第j个神经元对i个样本的响应输出，m表示训练样本的个数。稀疏自编码器的损失函数使用均方误差，公式(3)为计算公式：
其中，xi为原始数据的输入，yi为稀疏自编码器解码后的输出，m为输入样本个数。将KL散度项加入损失函数中，公式(4)为计算公式：
其中，n为隐藏层神经元个数，β是稀疏性惩罚因子的权重，控制KL散度在损失函数中所占的比重。
全卷积稀疏自编码器具有较高的可解释性，采用无监督的学习方式进行了隐式的特征选择，通过在隐藏层加上稀疏性的限制，可以学习到数据集中一些有用的特征。
本实施例中，经过稀疏自编码器的源域特征作为训练集输入到特征提取网络中，同时将目标域的数据也送入特征提取网络中。得到的结果输入到域自适应网络。将源域经过特征提取后的数据作为分类网络的输入进行模型的训练，得到故障诊断分类结果。
具体的，特征提取网络由全卷积神经网络组成，由于声纹信号是一种复杂的时变信号、但其在很短的一段时间内还是相对稳定的，具有短时平稳性，同时轴承损伤所产生的声纹信号可能与距离较远出现的数据有关系。所以，选取较长的卷积核，从中提供更重要的隐含信息。如图3所示，域自适应网络是全连接神经网络，由三个全连接层组成。分类网络同样为全连接神经网络，由两个全连接层组成。
域自适应网络的目的是最小化训练集和测试集之间的差异，公式(5)为计算公式：
min(Lossds)＝min(||f(Dtrain)-f(Dtest)||) (5)
其中，Dtrain为训练集，Dtest为测试集，f(·)为三个全连接层的处理。使用最小绝对值偏差来实现最小化训练集和测试集之间的差异，公式(6)为计算公式：
其中，m为训练样本数，Dtrain为训练集，Dtest为测试集，f(·)为三个全连接层的处理。分类网络的输入是训练数据集的标签和特征提取网络的输出，是一个多分类的问题，利用交叉熵进行损失计算，公式(7)为计算公式：
其中，Y是训练数据集真实标签，
是分类网络的输出。整个故障诊断网络的损失函数由域自适应网络的损失函数和分类网络的损失函数组成，在保证分类网络的训练精度的同时，不断缩小源域数据和目标域数据之间的差异，公式(8)为计算公式：
Losswhole＝Losscross-entropy+Lossds (8)
作为一种或多种实施方式，经过故障诊断网络的训练，将目标域输入可以得到目标域的预测结果，将目标域的特征和预测结果同时应用于故障诊断模型的优化，改变分类网络的损失函数对故障诊断模型进行强化学习。
具体的，得到的目标域的训练结果中有着丰富的信息，将其作为测试数据的标签与测试数据特征提取网络的输出一同作为分类网络的输入，得到的损失函数加到原有的损失函数中，公式(9)为计算公式：
其中，Y是训练数据集标签，
是训练数据分类网络的输出，Ytt是测试数据集的虚假标签，
是测试数据分类网络的输出，为了使测试数据的标签不会影响到训练数据集的可靠性，将测试数据的损失函数加权处理，λ为样本权重。
模型相关参数设置：
(1)稀疏自编码器的期望的平均激活值ρ设定为0.05，稀疏性惩罚因子β设定为4.5，自编码器卷积输出通道为16，卷积核大小为15，填充为7，模型训练次数为20次，数据批次为40，学习率为0.001。
(2)特征提取网络卷积核大小为15，池化层为3*3，通道数由16、32到64，采用LeakyReLU函数激活；域自适应网络第一个全连接层输出为128，Dropout层参数为0.3，第二个全连接层输出为2，第三个全连接层输出为1，采用ReLU函数进行激活；分类网络第一个全连接层输出为64，第二个全连接层输出为4，采用Leaky ReLU函数激活。第一次对特征提取网络进行训练和强化训练训练次数都为20次，数据批次为40，学习率为0.001。
故障诊断模型读取源域和目标域的数据集，按照设定参数及流程进行训练，训练完毕后用目标域数据进行测试，保存诊断精度最高的模型权重参数。强化学习域自适应轴承声纹故障诊断模型的训练过程如图4和图5所示，分为四个阶段。
故障轴承旋转引发的空气振动产生的声纹信号通过麦克风阵列采集后，将不同工况下的故障分为源域和目标域，源域作为训练集，目标域作为测试集。输入到故障诊断模型中进行训练，得到目标域每个故障发生的概率，选取概率最高的故障类型作为模型诊断结果。
实施例2：
本发明实施例2提供了一种基于强化学习的域自适应轴承声纹故障诊断系统，包括：
数据获取模块，被配置为：获取待测滚动轴承的声纹信号；
故障诊断模块，被配置为：根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
所述系统的工作方法与实施例1提供的基于强化学习的域自适应轴承声纹故障诊断方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
包括以下过程：
获取待测滚动轴承的声纹信号；
根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
2.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
稀疏自编码器网络的隐藏层中设有KL散度的约束。
3.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
采用域自适应网络的损失函数和分类网络的损失函数的加和进行特征提取网络的参数更新。
4.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
将目标域的训练结果作为测试数据的虚假标签与目标域数据特征提取网络的输出一同作为分类网络的输入，将得到的分类损失函数加到原有的分类损失函数中，得到新的分类损失函数。
5.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
域自适应网络的目标函数为最小化训练集和测试集之间的差异，所述训练集为源域数据，所述测试集为目标域数据，使用最小绝对值偏差实现最小化训练集和测试集之间的差异。
6.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
声纹信号为通过麦克风阵列采集到的声纹信号。
7.如权利要求1所述的基于强化学习的域自适应轴承声纹故障诊断方法，其特征在于：
稀疏自编码器的损失函数为使用均方误差得到的损失函数与KL散度项的加和。
8.一种基于强化学习的域自适应轴承声纹故障诊断系统，其特征在于：
包括：
数据获取模块，被配置为：获取待测滚动轴承的声纹信号；
故障诊断模块，被配置为：根据获取的滚动轴承声纹信号和故障诊断模型，得到故障诊断结果；
其中，故障诊断模型的损失函数为域自适应网络的损失函数和分类网络的损失函数的加和，分类网络的输入为源域标签和特征提取网络的源域输出，域自适应网络的输入为特征提取网络的源域输出和目标域输出；源域数据依次经过稀疏自编码器和特征提取网络后得到源域输出，目标域数据经过特征提取网络得到目标域输出。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于强化学习的域自适应轴承声纹故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210072050.5A CN114331214A (zh) | 2022-01-21 | 2022-01-21 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210072050.5A CN114331214A (zh) | 2022-01-21 | 2022-01-21 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114331214A true CN114331214A (zh) | 2022-04-12 |
Family
ID=81029041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210072050.5A Pending CN114331214A (zh) | 2022-01-21 | 2022-01-21 | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331214A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998309A (zh) * | 2022-07-12 | 2022-09-02 | 启东万惠机械制造有限公司 | 基于无监督的机械零件表面缺陷检测方法及系统 |
| CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| 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 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN113792758A (zh) * | 2021-08-18 | 2021-12-14 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
-
2022
- 2022-01-21 CN CN202210072050.5A patent/CN114331214A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
| 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 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN113792758A (zh) * | 2021-08-18 | 2021-12-14 | 中国矿业大学 | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨冰如: ""基于ResNet和领域自适应的轴承故障诊断研究"", 《测控技术》, vol. 40, no. 12, 7 April 2021 (2021-04-07), pages 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
| CN114998309A (zh) * | 2022-07-12 | 2022-09-02 | 启东万惠机械制造有限公司 | 基于无监督的机械零件表面缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
| CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
| CN110231156B (zh) | 基于时序特征的服务机器人运动系统故障诊断方法及装置 | |
| CN106682688A (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
| CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| CN112989710A (zh) | 工控传感器数值异常检测方法及装置 | |
| CN111243674A (zh) | 一种碱基序列的识别方法、装置和存储介质 | |
| CN109656818B (zh) | 一种软件密集系统故障预测方法 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN113239970A (zh) | 一种模型训练方法、设备振动异常检测方法和装置 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| Ahmed et al. | Effects of deep neural network parameters on classification of bearing faults | |
| CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
| Xiao et al. | Health assessment for piston pump using LSTM neural network | |
| CN103400021A (zh) | 基于重尾分布的kdsne水电机组噪声源检测方法 | |
| Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks |
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 |