CN114354195A - 一种深度域自适应卷积网络的滚动轴承故障诊断方法 - Google Patents
一种深度域自适应卷积网络的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114354195A CN114354195A CN202111665362.9A CN202111665362A CN114354195A CN 114354195 A CN114354195 A CN 114354195A CN 202111665362 A CN202111665362 A CN 202111665362A CN 114354195 A CN114354195 A CN 114354195A
- Authority
- CN
- China
- Prior art keywords
- domain data
- layer
- size
- data
- source domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000005096 rolling process Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
Images
Abstract
本发明提供一种深度域自适应卷积网络的滚动轴承故障诊断方法，包括以下步骤：准备多个工况下的数据集，选取其中一个工况下的数据作上标签作为源域数据，其他工况作为无标签的目标域数据；将目标域数据70％用于训练集和30％用于测试集，并将所述训练集与所述源域数据一起输入模型中进行训练；计算所述源域数据的分类损失、所述源域数据与所述目标域数据在一维卷积网络神经模型全连接层的MK‑MMD距离损失Wasserstein距离损失，利用上述三种损失进行网络结构和参数的优化调整，将所述源域数据与所述目标域数据对齐，得到训练好的网络。本发明提出的诊断方法能够对故障信息自动提取，提高特征利用率，减少建模时间。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种深度域自适应卷积网络的滚动轴承故障诊断方法。
背景技术
大型复杂装备的平稳安全关系到生产安全的关键核心。据统计，约45％～55％的旋转机械故障都是由于滚动轴承的损伤所造成的。因此，需要对轴承状态保持时刻关注。
近几十年来，机械故障诊断发展迅速，从最原始的人工判别发展到经过传统信号分析后诊断。由于传统信号分析很难兼顾到非平稳信号的时频特性小波分析、维格纳(Wigner-Ville)分布、短时傅里叶变换等故障诊断领域较为常见的时频分析法又开始出现。但上述信号处理方法也存在一些问题。随着科技进步带来硬件设施的不断提高，深度学习已经成为智能诊断的主要方法，其中卷积神经网络(Convolutional Neural Network,CNN)最具代表性。
总结来说，现有滚动轴承信号故障诊断的不足之处主要有以下几点：
第一：二维卷积需要对原数据进行转化，操作复杂。
第二：CNN需要训练集和测试集具有同样的分布。在实际生产中，上述两个条件难以得到满足，即面对不同的问题都需要相对应的建立一个独立的模型，十分繁琐。
第三：源域与目标域的差异减小方式过于单调，仅从单方面考虑。
发明内容
发明目的：为了实现故障信息自动提取，提高特征利用率，减少建模时间，本发明提出一种改进的深度域自适应卷积网络的滚动轴承故障诊断方法。首先通过一维卷积神经网络直接对振动信号提取故障特征；然后计算全连接层的MK-MMD和Wasserstein距离损失之和，根据损失函数来对网络结构进行反向传播训练，通过利用源域数据，减少第一部分损失(分类损失)，从而调节网络参数使得可以更好的提取源域数据的特征；通过同时利用源域和目标域数据，减少第二部分的损失(域差异损失)，从而调节网络参数使得提取到的源域和目标域特征能够自动对齐，让目标域数据能够和源域数据在同一特征空间中，即目标域数据经过分类器之后能够像源域数据一样取得较高的分类准确率。
技术方案：步骤一、利用传感器采集不同工况下的滚动轴承振动信号。
步骤二、将一工况下的数据作上标签作为源域数据，其他工况作为无标签的目标域数据。
步骤三、将需要诊断的目标域数据随机分成训练集和测试集，并将训练集与有标签的源域数据一起输入一维卷积网络神经模型中去。
使用一个7层的一维卷积网络神经模型：
第一层为卷积层，卷积核大小为4，步长为2，卷积核数目为32，输出大小1024×32；
第二层为池化层，卷积核大小为2，步长为1，卷积核数目为32，采用最大值池化，输出大小512×32；
第三层为卷积层，卷积核大小为4，步长为2，卷积核数目为64，输出大小256×64；
第四层为池化层，卷积核大小为2，步长为1，卷积核数目为64，采用最大值池化，输出大小128×64；
第五层为Flatten层，卷积核大小为4096，步长为1，输出大小4096×1；
第六层为全连接层1，卷积核大小为1024，步长为1，输出大小1024×1；
第七层为全连接层2，卷积核大小为4，步长为1，输出大小4×1
步骤四、计算源域数据的分类损失，源域与目标域在全连接层的MK-MMD与Wasserstein距离损失，利用上述三种损失进行网络结构和参数的优化调整，尽可能地使两域对齐。
步骤五、将训练好的网络对测试集进行测试，得到故障分类结果。
有益效果：相对于现有技术，本发明提出的诊断方法能够对故障信息自动提取，提高特征利用率，减少建模时间。
附图说明
图1是本发明总体流程图；
图2是本发明模型可视化结果；
图3是本发明诊断分类结果。
具体实施方式
结合图1至图3和实施例对本发明进行详细的描述：
如图1所示，本发明提供了一种深度域自适应卷积网络的滚动轴承故障诊断方法，其包括以下步骤：
步骤一、利用传感器采集不同工况下的滚动轴承振动信号。
步骤二、准备4个分别是在负载0、1、2、3hp下的数据集每个数据集内含滚子、内外圈故障(三种损伤直径)及正常共十种状态样本，每种状态样本1000组。将一工况下的数据作上标签作为源域数据，其他工况作为无标签的目标域数据。
步骤三、将需要诊断的目标域数据随机分成70％训练集和30％测试集，并将训练集与有标签的源域数据一起输入一维卷积网络神经模型中去。
使用一个7层的一维卷积网络神经模型：
第一层为卷积层，卷积核大小为4，步长为2，卷积核数目为32，输出大小1024×32；
第二层为池化层，卷积核大小为2，步长为1，卷积核数目为32，采用最大值池化，输出大小512×32；
第三层为卷积层，卷积核大小为4，步长为2，卷积核数目为64，输出大小256×64；
第四层为池化层，卷积核大小为2，步长为1，卷积核数目为64，采用最大值池化，输出大小128×64；
第五层为Flatten层，卷积核大小为4096，步长为1，输出大小4096×1；
第六层为全连接层1，卷积核大小为1024，步长为1，输出大小1024×1；
第七层为全连接层2，卷积核大小为4，步长为1，输出大小4×1
步骤四、计算源域数据的分类损失，源域与目标域在全连接层的MK-MMD与Wasserstein距离损失，利用上述三种损失进行网络结构和参数的优化调整，尽可能地使两域对齐。图2为优化后的模型可视化
1.最大均值差异(Maximum Mean Discrepancy,MMD)是用来衡量两个数据集分布差异的一种指标，通过将两个数据集映射到一个再生核希尔伯特空间(ReproducingKernel Hilbert Space,RKHS)，从而比较两个数据集的均值差异。在实际应用中，一般选用多核MMD(MK-MMD)来提高两数据集分布差异的精确度。
2.Wasserstein距离是衡量两个域分布之间距离的一种指标。两种分布PS和PT之间的Wasserstein距离定义为：
其中，Iinf表示最大下界，π(PS，PT)表示PS、PT中所有可能的联合分布。Wasserstein距离实际可以转化为概率分布PS到概率分布PT的最小传输质量，因为其最大下界Iinf计算困难，因此可以使用Wasserstein距离的Kantorovich-Rubinstein对偶性，其定义为：
步骤五、将训练好的网络对测试集进行测试，图3为故障分类结果。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。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的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种深度域自适应卷积网络的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：
S1：通过传感器采集多个工况下的滚动轴承振动信号，利用所述振动信号建立多个工况下的数据集，每个数据集内含滚子故障样本集、内圈故障样本集和外圈故障样本集及正常状态的样本，其中每种故障样本集内均包括三种不同的损伤直径样本，则共有十种状态样本，每种状态样本1000组，从多个工况中选取一个工况下的数据作上标签作为源域数据，其他工况作为无标签的目标域数据；
S2：将损失目标域数据随机分配，其中70％用于训练集和30％用于测试集，并将所述训练集与所述源域数据输入一维卷积网络神经模型中训练；
S3：计算源域数据的分类损失，源域数据与目标域数据在全连接层的MK-MMD与Wasserstein距离损失，利用MK-MMD与Wasserstein距离损失和作为反向传播的优化目标进行网络结构和参数的优化调整，直到将所述源域数据与所述目标域数据对齐，得到训练好的网络；
S4：将训练好的网络对测试集进行测试，得到故障分类结果。
2.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法，其特征在于，所述一维卷积网络神经模型为：
第一层为卷积层，卷积核大小为4，步长为2，卷积核数目为32，输出大小1024×32；
第二层为池化层，卷积核大小为2，步长为1，卷积核数目为32，采用最大值池化，输出大小512×32；
第三层为卷积层，卷积核大小为4，步长为2，卷积核数目为64，输出大小256×64；
第四层为池化层，卷积核大小为2，步长为1，卷积核数目为64，采用最大值池化，输出大小128×64；
第五层为Flatten层，卷积核大小为4096，步长为1，输出大小4096×1；
第六层为全连接层1，卷积核大小为1024，步长为1，输出大小1024×1；
第七层为全连接层2，卷积核大小为4，步长为1，输出大小4×1。
3.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法，其特征在于，计算所述源域数据的分类损失方法为：
其中Ly表示分类损失，Pic表示对第i个样本的预测类别为真实标签的概率，yic为符号函数，当第i个样本的真实标签为c时，yic的值为1，否则为0。
4.如权利要求1所述的一种深度域自适应卷积网络的滚动轴承故障诊断方法，其特征在于，所述Wasserstein距离损失为：
其中PS源域数据分布，PT表示目标域数据分布，Iinf表示最大下界，π(PS，PT)表示所述源域数据与所述目标域数据中所有可能的联合分布，γ是其中一种联合分布，x和y是从每一个可能的联合分布γ中采样得到样本，||x-y||是这对样本的距离，E(x,y)～γ[||x-y||]是在该联合分布γ下样本对距离的期望值，利用Wasserstein距离的Kantorovich-Rubinstein对偶性，将Wasserstein距离损失定义为：
其Ex～Ps[f(x)]-Ex～PT[f(x)]是x对目标域数据与源域数据的期望；
所述MK-MMD距离损失为：
其中X和Y分别代表为源域数据、目标域数据的特征；n、m分别为源域数据、目标域数据小批量样本数；xi代表源域数据特征的第i个样本，yj代表目标域数据特征的第j个样本，φ()代表一个映射函数，H表示再生希尔伯特空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665362.9A CN114354195A (zh) | 2021-12-31 | 2021-12-31 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665362.9A CN114354195A (zh) | 2021-12-31 | 2021-12-31 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114354195A true CN114354195A (zh) | 2022-04-15 |
Family
ID=81105399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111665362.9A Pending CN114354195A (zh) | 2021-12-31 | 2021-12-31 | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114354195A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290742A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| US20210012198A1 (en) * | 2018-05-31 | 2021-01-14 | Huawei Technologies Co., Ltd. | Method for training deep neural network and apparatus |
| 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 |
| CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
-
2021
- 2021-12-31 CN CN202111665362.9A patent/CN114354195A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210012198A1 (en) * | 2018-05-31 | 2021-01-14 | Huawei Technologies Co., Ltd. | Method for training deep neural network and apparatus |
| CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| 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 |
| CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 袁壮 等: "深度领域自适应及其在跨工况故障诊断中的应用", 振动与冲击 * |
| 闫美阳 等: "多源域混淆的双流深度迁移学习", 中国图象图形学报 * |
| 黄经坤: "基于深度领域自适应的振动数据故障分类方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290742A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
| CN117290742B (zh) * | 2023-11-27 | 2024-03-29 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
| CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN111553297B (zh) | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
| CN112668459B (zh) | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN113128338A (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
| CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
| CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
| CN114354195A (zh) | 一种深度域自适应卷积网络的滚动轴承故障诊断方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
| Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
| CN112146880A (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
| CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
| CN112149804B (zh) | 一种新型卷积神经网络模型及应用 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220415 |