CN114648044A - 基于eemd和深度域对抗网络的振动信号诊断分析方法 - Google Patents
基于eemd和深度域对抗网络的振动信号诊断分析方法 Download PDFInfo
- Publication number
- CN114648044A CN114648044A CN202210270236.1A CN202210270236A CN114648044A CN 114648044 A CN114648044 A CN 114648044A CN 202210270236 A CN202210270236 A CN 202210270236A CN 114648044 A CN114648044 A CN 114648044A
- Authority
- CN
- China
- Prior art keywords
- network
- eemd
- domain
- depth
- loss
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 20
- 230000005012 migration Effects 0.000 abstract description 20
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 206010048643 Hypereosinophilic syndrome Diseases 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- 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
- G06F2218/08—Feature extraction
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了基于EEMD和深度域对抗网络的振动信号诊断分析方法，包括以下步骤：基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；构建EMBRNDNMD模型；基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。本发明引入与对抗网络模块和MK‑MMD分布差异评价方法，对MBRN进行优化，使EMBRNDNMD模型在各种迁移模式下都可以达到较高的目标域状态诊断准确率，具有较强的变工况场景适应能力。
Description
技术领域
本发明属于故障诊断技术领域，尤其涉及基于EEMD和深度域对抗网络的振动信号诊断分析方法。
背景技术
旋转机械设备广泛应用于工业、军用、民用等领域，而旋转部件是其中重要的组成部分，直接影响着机械设备的运行效率和工作状态。然而，长期暴露在高负荷的恶劣环境中，旋转部件极易发生损伤，轻则导致机械设备的运行效率降低，重则致使设备停工停产，甚至导致人员伤亡。因此，研究旋转机械的状态检测和故障诊断，对于提高生产效率和保障生产安全具有重要的理论意义和工程价值。
过去在以信号处理为基础的故障诊断研究中，传统的特征提取方式与机器学习分类相结合的方法取得了不错的成果。常用的方法如EMD、小波变换、PCA等，它们都需要针对数据的特点选择合适的信号处理方式来提取有效特征。然而这种方法过于依据经验，特征的选择将直接影响诊断结果。为了减小人为经验的影响，更好的方法是让模型具备自动提取特征的能力。
近年来，随着深度学习在计算机视觉上的迅速发展，不少学者将它应用到故障诊断领域。与机器学习相比，深度学习能够自适应地从信号中提取深度特征，以解决故障特征提取困难的问题。随着网络层数的增加，传统的深度学习会发生梯度消失、梯度爆炸问题，导致模型的权重无法有效更新。在设备智能诊断模型中如何有效提取特征是值得研究的问题。
迁移学习是解决数据匮乏问题的有效途径，它具备把在源域中学到的知识应用于目标域的能力，这能够帮助提高无标签数据的预测准确率。故障诊断领域的迁移学习主要可分为基于模型的方法，如MMD，以及基于域分布的方法，如DANN。它们都已经在故障诊断领域取得不错的表现，但是在一些变工况迁移场景中，单一的迁移方法往往表现不佳。
深度学习技术具有可以自适应的提取数据的深度特征等优点，有利于建立端到端的诊断机制，学者们已经开展了大量基于深度学习的旋转机械故障智能诊断模型的研究工作。现有研究中还面临着振动信号容易受噪声干扰，设备故障样本不足，设备工况的变化导致目标数据与源数据的分布存在差异等问题，
旋转机械的振动信号蕴含着丰富的状态信息，同时也混叠了大量的干扰噪声，如何从复杂的振动信号中提取设备运行时频特性的深度特征，是实现对旋转机械故障诊断的一个关键问题。
发明内容
为解决上述技术问题，本发明提出了基于EEMD和深度域对抗网络的振动信号诊断分析方法，首先提出了一种基于EEMD的时频组图(EEMD-TFFG)构建方法，其次设计了一种多分支的ResNet结构(MBRN)，最后引入与对抗网络模块和MK-MMD分布差异评价方法，对MBRN进行优化，提高EMBRNDNMD在目标域状态诊断的准确率，并具有稳定性高、场景适应能力强等优势。
为实现上述目的，本发明提供了基于EEMD和深度域对抗网络的振动信号诊断分析方法，包括以下步骤：
基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；
构建EMBRNDNMD模型；
基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。
可选地，构建时频特性的EEMD时频图组的步骤包括：
对不同工况下的旋转设备振动信号进行EEMD分解，获得第一经验模态分量；
计算所述第一经验模态分量与原始信号的相关系数，获得相关系数大于预设阈值的第二经验模态分量；
计算所述第二经验模态分量对应的希尔伯特包络谱；
将所述第二经验模态分量与所述希尔伯特包络谱重排序为矩阵形式并保存为灰度图，获得EEMD时频图组。
可选地，所述EMBRNDNMD模型包括：深度特征提取网络、设备状态分类网络与域判别网络；
所述域判别网络用于对所述深度特征提取网络进行对抗训练及优化；
所述深度特征提取网络用于提取所述EEMD时频图组的深度特征；
所述设备状态分类网络用于根据所述深度特征输出不同工况的诊断结果。
可选地，所述深度特征提取网络为多分支并行ResNet结构，每个ResNet结构均设置7个卷积层，选用3*3的卷积核，步长设置为1，并取消中间层的池化操作；
所述域判别网络选用两层的线型全连接网络；
所述设备状态分类网络选用三层的线性全连接网络。
可选地，所述EMBRNDNMD模型还包括三个损失函数用于反向传播优化网络模型；
所述三个损失函数分别为：设备状态分类损失、源域和目标域之间的判别损失、源域和目标域数据的深度特征分布差异损失。
可选地，所述设备状态分类损失用于反向传播优化所述深度特征提取网络与所述设备状态分类网络；
所述设备状态分类损失的表达式为：
其中，Ly为设备状态分类损失，Gy为设备状态分类网络，fi s为源域特征向量，i＝1，2...n，
为源域数据标签。
可选地，所述源域和目标域之间的判别损失用于优化所述深度特征提取网络与所述域判别网络；
所述源域和目标域之间的判别损失的表达式为：
其中，Ld为源域和目标域之间的判别损失，Gd(·)表示
的映射函数，fi s为源域特征向量，fi t为目标域特征向量。
可选地，所述源域和目标域数据的深度特征分布差异损失用于反向传播优化所述深度特征提取网络；
所述源域和目标域数据的深度特征分布差异损失的表达式为：
其中，LMK-MMD为源域和目标域数据的深度特征分布差异损失，E为数学期望；φ为再生希尔伯特空间的映射；Hk为再生希尔伯特空间使用的核k，Fs与Ft均为深度特征提取网络提取的深度特征。
可选地，所述EMBRNDNMD模型的总损失函数的表达式为：
LMBRN＝Ly-λ1Ld+λ2LMK-MMD
其中，LMBRN为总损失函数，λ1和λ2分别为Ld和LMK-MMD的权重。
与现有技术相比，本发明具有如下优点和技术效果：
本发明提出了基于EEMD的振动信号EEMD-TFFG构建方法，实现振动信号的时频分析与特征提取；本发明设计了基于ResNet的多分支特征提取网络MBRN，MBRN可以从EEMD-TFFG中提取反应故障状态的深度特征；本发明引入与对抗网络模块和MK-MMD分布差异评价方法，对MBRN进行优化，降低源域和目标域数据深度特征的概率分布差异，提高EMBRNDNMD的变工况迁移诊断能力，使EMBRNDNMD模型在各种迁移模式下都可以达到较高的目标域状态诊断准确率，具有较强的变工况场景适应能力。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的基于EEMD和深度域对抗网络的振动信号诊断分析方法流程示意图；
图2为本发明实施例的EMBRNDNMD模型结构示意图；
图3为本发明实施例的机械振动信号的EEMD-TFFG示意图；
图4为本发明实施例的深度特征提取网络结构示意图；
图5为本发明实施例的振动信号及其时频分量示意图；
图6为本发明实施例的IMF分量与原始振动信号的相关系数示意图；
图7为本发明实施例的各模式测试准确率分布示意图；
图8为本发明实施例的所有模型迁移学习任务3hp->1hp的t-SNE示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例
如图1所示，本实施例提供了基于EEMD和深度域对抗网络的振动信号诊断分析方法，包括以下步骤：
S1.基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；
进一步地，不同工况下的旋转设备振动信号经过EEMD，得到一组线性平稳的经验模态分量IMFs，分解后的IMF分量按照频率从高到低自动分布。考虑到并不是每个IMF都能够有效地表达原始信号的时频特性信息，利用公式(1)计算每个IMF分量与原信号x(t)之间的相关系数，以剔除IMF中的虚假分量。
式中，ci(t)表示第i个IMF分量，E[·]代表信号期望值，D(·)表示信号均方值。相关系数越大，说明分解后的IMF分量与原信号相关性越强，所包含的时频信息越丰富。然后，计算选取IMF分量的希尔伯特包络谱HES。这里，我们将选取出的IMF分量和它的包络谱重排列成矩阵，可以得到一组时频灰度图，记为EEMD-TFFG，便于后续利用2D卷积核提取他们的深度特征。
更进一步地，EEMD时频图组(即EEMD-TFFG)构建的具体步骤为：
(1)振动信号经EEMD分解后，得到一组经验模态分量IMFs(计为第一经验模态分量)；
(2)计算每个IMF分量与原始信号的相关系数，选取相关系数大于阈值的IMF分量(计为第二经验模态分量)进行后续分析；
(3)计算步骤(2)中选取的IMF分量对应的HES；将选取的IMF和HES序列重排序为矩阵形式并保存为灰度图，获得EEMD-TFFG。
S2.构建EMBRNDNMD模型；
S3.基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。
EMBRNDNMD模型结构如图2所示，包括：深度特征提取网络GMBRN、设备状态分类网络Gy和域判别网络Gd；
进一步地，根据图3所示的为一组旋转机械振动信号的EEMD-TFFG，单个振动信号样本为1024个采样点，可以发现，EEMD-TFFG具有两个特点，1)单个灰度图尺寸为32*32，图像尺寸较小，2)同一样本中，不同IMF分量的灰度图之间的特征相对独立。
针对EEMD-TFFG的这两个特点本发明实施例设计的如图4所示的多分支并行ResNet结构，记为MBRN，即GMBRN，图4以选取振动信号经EEMD分解后的3个IMF分量和对应的HES为例。GMBRN中每个卷积层的参数如表1所示(不包含归一化层和relu层)。
表1
针对EEMD-TFFG特点1)，由于网络层数过深不利提取小尺寸图像的特征，所以在单个ResNet结构(RNB)中，设置了1个卷积层和3个基本的残差模块，共7个卷积层，限制了网络的深度。RNB中的各卷积特征提取层，均选用3*3的卷积核，利用小的感受野进行网络堆叠，步长设置为1，取消中间层的池化操作，以提取尽可能多的细节特征。
针对EEMD-TFFG的特点2)，建立多分支并行ResNet结构，即多分支并行的网络结构MBRN，利用结构相同，参数独立的RNB分别提取不同IMF和HES的灰度图的特征，将各RNB最后输出层的深度特征进行组合，作为MBRN输出特征F。
进一步地，设备状态分类网络Gy选用两层的线性全连接网络，域判别网络Gd选用三层的线性全连接网络。在EMBRNDNMD模型中还利用三个损失函数反向传播优化网络模型，分别是设备状态分类损失Ly，源域和目标域之间的判别损失Ld，以及源域和目标域数据的深度特征MK-MMD分布差异损失LMK-MMD。将源域数据的深度特征集合记为Fs＝{fi s}i＝1,...n，源域数据的样本标签记为Ys，目标域的深度特征集合记为
设备状态分类损失Ly用于反向传播优化深度特征提取网络GMBRN和设备状态分类网络Gy，Ly定义为：
Ld涉及两个反向传播阶段，分别为深度特征提取网络GMBRN和域判别网络Gd的优化，两个阶段的反向传播由梯度反转层GRL相连，通过GRL的取反机制，在GMBRN和Gd之间形成了对抗，反向传播优化的目标是在GMBRN和Gd达到纳什平衡，fi s为源域特征向量，i＝1，2...n，
为源域数据标签。Ld的公式为：
式中：Gd(·)表示
的映射函数，fi t为目标域特征向量。
LMK-MMD表示为MK-MMD分布差异损失，用于反向传播优化GMBRN：
式中，E代表数学期望；φ代表再生希尔伯特空间的映射；Hk代表再生希尔伯特空间使用的核k。
GMBRN的总损失LMBRN可以表示为：
LMBRN＝Ly-λ1Ld+λ2LMK-MMD (5)
其中，LMBRN为总损失函数，λ1和λ2分别为Ld和LMK-MMD的权重。
进一步地，EMBRNDNMD模型迁移诊断工作流程如下：
(1)采集不同工况下的旋转设备振动信号，将数据划分为源域和目标域，源域为有标签数据，目标域为无标签数据；
(2)利用EEMD方法分别计算源域和目标域振动信号样本的IMF和HES，并建立相应的EEMD-TFFG；
(3)将源域和目标域的EEMD-TFFG送入MBRN网络，提取EEMD-TFFG的深度特征Fs和Ft；
(4)计算源域数据的状态分类损失Ly，并反向传播优化Gy；
(5)计算源域和目标域深度特征的MK-MMD分布差异，得到LMK-MMD；
(6)计算域分类器的损失Ld，并反向传播优化Gd；
(7)计算总损失LMBRN，并反向传播优化GMBRN；
(8)迭代步骤(3)-(7)，直到LMBRN小于设定值或迭代次数达到目标要求，得到训练后的MGRN和Gy；
(9)利用训练后的MBRN网络计算目标域样本EEMD-TFFG的深度特征Ft，将Ft送入训练后的Gy，得到样本的类别。
更进一步地，在本实施例中，还利用本发明所提出的EMBRNDNMD模型进行试验台旋转机械故障实验分析；
1.CWRU旋转机械故障试验台
使用凯斯西储大学(Case Western Reserve University，CWRU)的旋转机械故障试验台，通过采集各种状态下的振动信号来验证本文的算法模型。实验台主要由电机、滚动轴承、转轴、扭矩传感器/解码器、加速度传感器、信号采集仪等部件组成。
使用了2马力Reliance Electric电动机，通过电火花加工为电机轴承制造不同类型的故障，故障位置分别在内圈、外圈、滚动体，损伤直径大小分别为0.007inch、0.014inch、0.021inch、0.028inch，如表2轴承实验数据集所示，共计12种损伤类型。
本实施例选择12kHz采样频率的电机驱动端振动信号进行分析，设置了0HP、1HP、2HP、3HP这4种不同的电动机功率，模拟4种不同工况之间的相互迁移，共得到12种迁移模式(A->B,A->C,A->D,B->A,B->C,B->D,C->A,C->B,C->D,D->A,D->B,D->C)。其中A->B表示源域数据集A迁移到目标域数据集B。
表2
2.EEMD分析
首先对振动信号进行EEMD分解，得到信号的各阶IMF分量，然后对IMF分量进行Hilbert变换和频谱分析，计算IMF分量的包络谱。以轴承外圈故障为例，原始振动信号的波形和EEMD分解后的IMF分量如图5所示。
采用S1中构建时频特性的EEMD时频图组的方法，完成IMF分量的选取。正常、内圈损伤、外圈损伤、滚动体损伤的轴承振动信号各阶IMF分量与原信号的相关系数如图6所示，从图6中可以看出，随着阶数的增加，IMF分量与原始信号的相关系数逐渐降低，只有前4阶IMF分量和原始信号保持了较高的相关度，因此本实施例选择EEMD分解后的前4阶IMF分量以及对应的HES，用于后续的深度特征提取。
3.IMF信号有效性的验证
为验证轴承振动信号通过相关性计算所筛选的前4阶IMF分量能够有效表征轴承故障特征，选取其中的前3阶、前5阶、前6阶IMF构建的时频特征图(分别记为ET3、ET5和ET6)作为对照组，与本实施例使用的前4阶IMF构建的EEMD-TFFG(记为ET4)共同组成输入信号对照实验。最后使用本发明提出的EMBRNDNMD模型在CWRU数据集上进行测试，实验结果如表3不同阶次的IMFs输入信号的测试结果所示。
表3
从表3中可以看出，使用ET4作为输入信号的诊断准确率均高于其它组别，这是因为ET3缺少IMF4分量中的故障特征，其故障表达能力若于ET4；而ET5和ET6是在ET4的基础上又增加了高阶IMF，导致信号中存在大量的冗余分量，对最后的诊断结果产生干扰。实验结果验证了EEMD分析结论的正确性，说明使用前4阶IMF分量作为输入信号可有效提高设备故障诊断的准确率。
4.诊断结果分析
在本实施例中，测试了EMBRNDNMD模型在0HP、1HP、2HP、3HP四种不同工况之间的迁移诊断效果。并设计了对比分析模型，具体设置如下：
EMBRN模型，相比于EMBRNDNMD模型，使用MBRN提取EEMD-TFFG的深度特征，并将深度特征输入状态分类网络，没有使用MK-MMD损失和域对抗网络；
EMBRNDN模型，在EMBRN模型的基础上，加入域对抗网络对MBRN进行优化；
EMBRNMD网络，在EMBRN模型的基础上，加入MK-MMD损失反向传播优化MBRN；
表4为各诊断模型的状态识别准确率，图7为各种模型识别准确率的雷达对比图，通过表4和图7可以得到以下结论：
EMBRN模型的诊断准确率明显低于其他三种模型，这说明了不同工况的数据深度特征之间存在分布差异，域对抗网络和MK-MMD域适应方法能够较好的解决这一问题；
EMBRNDNMD模型的诊断准确率高于EMBRNDN和EMBRNMD，与3.2节中的理论分析一致，EMBRNDNMD模型既考虑的深度特征高维核空间分布的一致性(MK-MMD损失)，又提高了低维空间的分布相似性(域分类损失)。
EMBRNDN和EMBRNMD在部分各种变工况模式中表现不佳，而EMBRNDNMD在所有模式下都能够保持较高的准确率，稳定性优于其他对比模型，证明了EMBRNDNMD模型的有效性和可靠性。
表4
在不同工况之间的迁移测试中，所有模型在迭代2000次之后都能收敛，在迭代1000次后趋于平稳。与其他三种模型相比，EMBRNDNMD收敛速度最快，准确率曲线变化最平稳。分析结果表明，对于各种迁移模式，EMBRNDNMD不仅具有较高的诊断准确率，还有很好的稳定性。
图8为3HP->1HP迁移模式下各模型深度特征的t-SNE图，将高维特征映射到二维空间。从图8中可以看出，相比于EMBRN，加入域迁移方法的EMBRNMD和EMBRNDN模型的深度特征具有更大的类间距离和更小的类内距离，并很大程度改善了各类状态特征之间的混淆问题。将MK-MMD损失和DANN相结合后，EMBRNDNMD模型的的深度特征可分性得到了进一步的提高，并进一步减少类间的混淆现象。t-SNE分析表明，与其他三种模型相比，EMBRNDNMD提取的深度特征具备更好的跨域不变性，具有更强的变工况迁移适应能力。
5.与其他诊断方法对比
为了验证本发明提出的EMBRNDNMD模型在解决工况迁移问题方面的有效性，本实施例中选用了一些经典的机器学习和深度学习诊断模型对CWRU数据集进行测试，包括SVM、CNN、TCA、JDA，并统计它们在12种工况迁移模式下的诊断准确率，结果如表5不同模型诊断准确率对比结果所示，经过对比分析可以发现：
1)EMBRNDNMD在变工况诊断准确率方面的表现优于SVM、CNN、TCA和JDA；
2)JDA的诊断准确率最接近EMBRNDNMD，部分甚至超过90％，但是在部分工况迁移模式下表现不佳，整体表现不如EMBRNDNMD稳定；
3)EMBRNDNMD在每种工况迁移模式下的准确率都高于其他模型，其准确率均在95％以上，这说明与传统模型相比，EMBRNDNMD在解决工况迁移问题方面更具优势，这也验证了EMBRNDNMD模型设计的有效性。
表5
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，包括以下步骤：
基于不同工况下的旋转设备振动信号，构建时频特性的EEMD时频图组；
构建EMBRNDNMD模型；
基于所述EEMD时频图组与所述EMBRNDNMD模型，获得故障分类结果，完成振动信号诊断。
2.根据权利要求1所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，构建时频特性的EEMD时频图组的步骤包括：
对不同工况下的旋转设备振动信号进行EEMD分解，获得第一经验模态分量；
计算所述第一经验模态分量与原始信号的相关系数，获得相关系数大于预设阈值的第二经验模态分量；
计算所述第二经验模态分量对应的希尔伯特包络谱；
将所述第二经验模态分量与所述希尔伯特包络谱重排序为矩阵形式并保存为灰度图，获得EEMD时频图组。
3.根据权利要求1所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述EMBRNDNMD模型包括：深度特征提取网络、设备状态分类网络与域判别网络；
所述域判别网络用于对所述深度特征提取网络进行对抗训练优化；
所述深度特征提取网络用于提取所述EEMD时频图组的深度特征；
所述设备状态分类网络用于根据所述深度特征输出不同工况的诊断结果。
4.根据权利要求3所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述深度特征提取网络为多分支并行ResNet结构，每个ResNet结构均设置7个卷积层，选用3*3的卷积核，步长设置为1，并取消中间层的池化操作；
所述域判别网络选用两层的线型全连接网络；
所述设备状态分类网络选用三层的线性全连接网络。
5.根据权利要求3所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述EMBRNDNMD模型还包括三个损失函数用于反向传播优化网络模型；
所述三个损失函数分别为：设备状态分类损失、源域和目标域之间的判别损失、源域和目标域数据的深度特征分布差异损失。
6.根据权利要求5所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述设备状态分类损失用于反向传播优化所述深度特征提取网络与所述设备状态分类网络；
所述设备状态分类损失的表达式为：
其中，Ly为设备状态分类损失，Gy为设备状态分类网络，fi s为源域特征向量，i＝1，2...n，
为源域数据标签。
7.根据权利要求6所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述源域和目标域之间的判别损失用于优化所述深度特征提取网络与所述域判别网络；
所述源域和目标域之间的判别损失的表达式为：
其中，Ld为源域和目标域之间的判别损失，Gd(·)表示
的映射函数，fi s为源域特征向量，fi t为目标域特征向量。
8.根据权利要求7所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述源域和目标域数据的深度特征分布差异损失用于反向传播优化所述深度特征提取网络；
所述源域和目标域数据的深度特征分布差异损失的表达式为：
其中，LMK-MMD为源域和目标域数据的深度特征分布差异损失，E为数学期望；φ为再生希尔伯特空间的映射；Hk为再生希尔伯特空间使用的核k，Fs与Ft均为深度特征提取网络提取的深度特征。
9.根据权利要求8所述的基于EEMD和深度域对抗网络的振动信号诊断分析方法，其特征在于，
所述EMBRNDNMD模型的总损失函数的表达式为：
LMBRN＝Ly-λ1Ld+λ2LMK-MMD
其中，LMBRN为总损失函数，λ1和λ2分别为Ld和LMK-MMD的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210270236.1A CN114648044B (zh) | 2022-03-18 | 2022-03-18 | 基于eemd和深度域对抗网络的振动信号诊断分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210270236.1A CN114648044B (zh) | 2022-03-18 | 2022-03-18 | 基于eemd和深度域对抗网络的振动信号诊断分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114648044A true CN114648044A (zh) | 2022-06-21 |
| CN114648044B CN114648044B (zh) | 2023-04-07 |
Family
ID=81996493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210270236.1A Active CN114648044B (zh) | 2022-03-18 | 2022-03-18 | 基于eemd和深度域对抗网络的振动信号诊断分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648044B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076973A (zh) * | 2023-07-11 | 2023-11-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于对抗性网络的轴承包络阶谱生成方法、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN111584029A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 |
| 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 |
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
| CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、系统、设备及可读存储介质 |
-
2022
- 2022-03-18 CN CN202210270236.1A patent/CN114648044B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
| CN111584029A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 |
| 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 |
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
| CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、系统、设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 吴定会等: "基于多特征融合与XGBoost的风机轴承故障诊断", 《传感器与微系统》 * |
| 王玉静等: "基于EEMD-Hilbert 包络谱和DBN 的变负载下滚动轴承状态识别方法", 《中国电机工程学报》 * |
| 闵文君等: "基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断", 《宁波大学学报(理工版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076973A (zh) * | 2023-07-11 | 2023-11-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于对抗性网络的轴承包络阶谱生成方法、设备及介质 |
| CN117076973B (zh) * | 2023-07-11 | 2024-05-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于对抗性网络的轴承包络阶谱生成方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114648044B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Improved generative adversarial network for vibration-based fault diagnosis with imbalanced data | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| Wang et al. | Application of multiscale learning neural network based on CNN in bearing fault diagnosis | |
| Qian et al. | A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis | |
| CN106682688B (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 | |
| CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| CN114970605B (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
| Liang et al. | Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection | |
| Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
| CN114048769A (zh) | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 | |
| Wang et al. | Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data | |
| CN110595780A (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| CN113065581B (zh) | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN116304861A (zh) | 一种基于自注意力的时频特征融合故障诊断方法 | |
| CN114386526A (zh) | 旋转机械故障的联合卷积神经网络诊断方法 | |
| CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
| CN114648044B (zh) | 基于eemd和深度域对抗网络的振动信号诊断分析方法 | |
| CN113705396A (zh) | 一种电机故障诊断方法、系统及设备 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN112116029A (zh) | 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法 | |
| CN114722520A (zh) | 基于增强字典学习的行星轴承智能故障诊断方法 | |
| CN114459760A (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
| Zhang et al. | Intelligent fault diagnosis using image representation of multi-domain features | |
| Yao et al. | A hierarchical adversarial multi-target domain adaptation for gear fault diagnosis under variable working condition based on raw acoustic signal |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wu Shoupeng Inventor after: Xia Bing Inventor after: Wang Youjie Inventor after: Wang Yuzhi Inventor after: Diao Xiuqiang Inventor after: Sun Shouxuan Inventor before: Wu Shoupeng Inventor before: Wang Youjie Inventor before: Wang Yuzhi Inventor before: Diao Xiuqiang Inventor before: Sun Shouxuan |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Vibration signal diagnosis and analysis method based on EEMD and deep domain adversarial networks Granted publication date: 20230407 Pledgee: Bank of Jiangsu Co.,Ltd. Xuzhou Branch Pledgor: Jiangsu dipler Information Technology Co.,Ltd. Registration number: Y2024980007944 |