CN114936575A - 基于样本生成和深度迁移学习的电机轴承故障诊断方法 - Google Patents
基于样本生成和深度迁移学习的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114936575A CN114936575A CN202210494456.2A CN202210494456A CN114936575A CN 114936575 A CN114936575 A CN 114936575A CN 202210494456 A CN202210494456 A CN 202210494456A CN 114936575 A CN114936575 A CN 114936575A
- Authority
- CN
- China
- Prior art keywords
- network
- net
- fault
- model
- data set
- 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
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,步骤为:1)在实验台上以及工业电机运行过程中采集轴承在正常和故障情况下的振动信号,分别对其进行预处理得到源域数据集Xs和目标域数据集Xt,2)构建深度迁移电机轴承故障诊断模型DTMBFDmod,3)将Xs和Xt作为输入数据对DTMBFDmod模型进行训练,4)构建样本生成器SG,并生成伪样本,组成目标域伪数据集Xf,5)利用Xt中的有标签数据和Xf对DTMBFDmod模型参数进行调整,6)使用调整后的模型中对目标设备的轴承实时监测信号进行预测。本申请通过对时域振动信号生成的频谱图进行分析,判断电机轴承当前运转情况,可为整机的故障诊断和健康管理提供参考。
Description
技术领域
本发明涉及电机轴承故障诊断领域,特别是一种基于样本生成和深度迁移学习的电机轴承故障诊断方法。
背景技术
据不完全统计,在机电设备故障中,由轴承故障所引发的比例高达30%以上,对于感应电机,由轴承故障引发的整机故障更是占总量的40%以上。对轴承等关键零部件的运行状态进行监测和故障分析,及时进行设备维修,防止微小故障的放大和传播,具有重大意义。近年来,基于深度学习的电机轴承故障诊断方法得到了学术界和工业界的广泛关注,但由于现实工况多变、电机轴承参数不同、故障样本较少或不均衡等原因,此类故障诊断模型面临着应用过程中识别准确率下降、难以满足工业要求的问题。
面对工业过程监测数据中正常样本数远大于故障样本数,无标签数据远大于有标签数据,难以直接训练深度学习故障诊断模型的情况,一般可以先利用实验台采集大量有标签数据对模型进行预训练,然后采用无监督或半监督的迁移学习方法增强模型的泛化能力,同时用工业过程中获得的少量有标签故障样本对预训练模型进行微调。利于域自适应等无监督学习方法进行迁移的局限性在于模型的精度提升有限;对于预训练-微调方法而言,当用于微调的样本过少时,训练过程中模型的精度变化不稳定,往往需要多次试验才能取得比较理想的实验结果,模型精度的上限也会受到影响,此时可以通过对样本进行增强来提高对少量有标签数据的利用率。利用生成对抗网络(Generative AdversarialNetworks,GAN)生成伪样本和伪标签,对真实样本进行扩充是当下主流的数据增强方法之一,但如何防止因为过拟合、模式崩溃等原因生成不利于提升模型分类准确率的无效伪样本成为了新的难题。
综上,对于训练数据与测试数据分布不同情况下轴承故障模型识别精度下降的问题,可以通过域自适应或预训练-微调等迁移学习方法增强模型的泛化能力,但仍存在着以下问题:1)单一的迁移学习方法无法同时充分利用目标域的大量无标签数据和少量有标签数据;2)预训练-微调方法面对小样本问题时对模型的跨域诊断精度提升有限,效果不稳定;3)利用普通的GAN进行样本生成时存在过拟合、模式崩溃等问题,无法确保生成高质量伪样本。
发明内容
本发明的目的就是提供一种基于样本生成和深度迁移学习的电机轴承故障诊断方法。
本发明的目的是通过这样的技术方案实现的,具体步骤为:
1)数据采集:在实验台上采集轴承在正常和故障情况下的振动信号,对实验台信号进行预处理组成源域数据集Xs,在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号,对工业电机信号进行预处理组成目标域数据集Xt;
2)构建模型:构建由特征提取网络Fnet、自适应层网络Anet、域分类器网络Dnet和判别分类器网络Cnet组成的深度迁移电机轴承故障诊断模型DTMBFDmod;
3)模型训练:将源域数据集Xs和目标域数据集Xt作为输入数据对DTMBFDmod模型进行训练;
4)样本生成:构建由CycleGAN网络为主干的样本生成器SG,为正常样本和故障样本训练各自的样本生成模型,并生成各自模型的伪样本,组成目标域伪数据集Xf;
5)模型调整:利用目标域数据集Xt中的有标签数据和目标域伪数据集Xf对DTMBFDmod模型参数进行调整,得到调整后的DTMBFDfinetune模型;
6)故障诊断:使用步骤5)中调整后的DTMBFDfinetune模型中对目标设备的轴承实时监测信号进行预测。
进一步,步骤1)中数据采集的具体步骤为:
1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xsn、xsi、xso、xsr,利用短时傅里叶变换STFT将xsn、xsi、xso、xsr转换成彩色频谱图,组成源域数据集Xs;
1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xtn、xti、xto、xtr,利用短时傅里叶变换STFT将xtn、xti、xto、xtr转换成彩色频谱图,组成目标域数据集Xt,所述目标域数据集中包含有无标签数据和有标签数据。
进一步,步骤2)中构建组成的深度迁移电机轴承故障诊断模型DTMBFDmod的具体方法为:
以输入数据作为特征提取网络Fnet的输入,以特征提取网络Fnet的输出作为自适应层网络Anet的输入,将自适应层网络Anet的输出分别通过域分类器网络Dnet和判别分类器网络Cnet,并将判别分类器网络Cnet的损失函数与域分类器网络Dnet的损失函数作为模型损失函数构建深度迁移电机轴承故障诊断模型DTMBFDmod:
式中,λ为损失函数与网络结构确定的权重系数。
进一步,步骤2)中所述特征提取网络Fnet的主干是残差网络的改进体DenseNet网络,所述DenseNet网络包括交替连接的稠密模块与过渡模块,所述稠密模块包括若干稠密层,所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和,所述各层的特征图大小和输出通道数都相同。
进一步,步骤3)中模型训练的具体步骤为:
3-1)以源域数据集Xs中的有标签数据为特征提取网络Fnet的输入,以特征提取网络Fnet的输出为自适应层网络Anet的输入,所述自适应层网络Anet的输出只作为判别分类器网络Cnet的输入对故障诊断网络进行训练;
更新特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数,当训练的epoch达到预设的epoch值或诊断精度达到预设精度时,停止训练,保存模型为DTMBFDbasemod;
3-2)以源域数据集Xs和目标域数据集Xt的所有数据为深度迁移电机轴承故障诊断模型DTMBFDmod的输入;
将DTMBFDbasemod中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数作为DTMBFDmod模型中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数;
以均方误差作为判别分类器的损失函数,以二值交叉熵作为域分类器的损失函数,交替更新自适应层网络和域分类器网络的参数;
当e轮后损失值和判别分类器的预测精度趋于稳定,则停止训练,保存域自适应模型DTMBFDdamod。
进一步,步骤4)中生成目标域伪数据集Xf的具体步骤为:
4-1)构建以CycleGAN网络为主干网络的样本生成器SG,所述CycleGAN网络包括两个生成器和两个鉴别器,以源域数据集Xs和目标域数据集Xt中对应类别的有标签数据作为样本生成器SG的输入,利用双向迭代学习对样本生成器SG进行训练;
4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel,以Xs中的有标签数据分别作为样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel的输入,生成四类伪样本xfn、xfi、xfo、xfr,四类伪样本组成目标域伪数据集Xf,Xf属于Xt的子集。
进一步,步骤5)中对模型调整进行调整的具体步骤为:
5-1)在Xt和Xf中选取相同数量正常样本和故障样本,正常样本和每类故障样本的数目相同,组成均衡的微调数据集Xm;
5-2)降低学习率为q,预设epoch为p,利用微调数据集Xm对DTMBFDdamod模型进行微调训练,微调训练完成后保存为DTMBFDfinetune模型。
进一步,步骤6)中故障诊断的具体步骤为:
6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号,利用短时傅里叶变换STFT将信号转换成彩色频谱图;
6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFDfinetune模型完成电机轴承的实时故障诊断。
由于采用了上述技术方案,本发明具有如下的优点:
1、本申请通过对时域振动信号生成的频谱图进行分析,判断电机轴承当前运转情况,可为整机的故障诊断和健康管理提供参考。
2、本申请在目标设备前期监测数据中无标签样本较多,有标签样本较少的情况下,利用实验台数据训练出基础故障诊断模型,再使用域自适应方法增强模型的泛化能力;最后充分利用目标域的有标签小样本,通过基于CycleGAN的样本生成器增加有标签样本的数量,解决了目标域有标签数据较少带来的微调网络测试精度不稳定和性能提升有限等问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1示出本发明的整体网络结构示意图。
图2示出本发明的深度迁移电机轴承故障诊断网络结构示意图。
图3示出本发明的特征提取网络结构示意图。
图4示出本发明的残差连接结构示意图。
图5示出本发明的样本生成器主干网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,具体步骤如下:
1)数据采集:在实验台上采集轴承在正常和故障情况下的振动信号,对实验台信号进行预处理组成源域数据集Xs,在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号,对工业电机信号进行预处理组成目标域数据集Xt;具体步骤为:
1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xsn、xsi、xso、xsr,利用短时傅里叶变换STFT将xsn、xsi、xso、xsr转换成彩色频谱图,组成源域数据集Xs;
1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xtn、xti、xto、xtr,利用短时傅里叶变换STFT将xtn、xti、xto、xtr转换成彩色频谱图,组成目标域数据集Xt,所述目标域数据集中包含有无标签数据和有标签数据。
在本发明实例中,对于步骤1-2)中没有的故障类型信号,可在同型号的其它设备上采集。
2)构建模型:如图2所示,构建由特征提取网络Fnet、自适应层网络Anet、域分类器网络Dnet和判别分类器网络Cnet组成的深度迁移电机轴承故障诊断模型DTMBFDmod,具体方法为:
以输入数据作为特征提取网络Fnet的输入,以特征提取网络Fnet的输出作为自适应层网络Anet的输入,将自适应层网络Anet的输出分别通过域分类器网络Dnet和判别分类器网络Cnet,并将判别分类器网络Cnet的损失函数与域分类器网络Dnet的损失函数作为模型损失函数构建深度迁移电机轴承故障诊断模型DTMBFDmod:
在本发明实例中,如图3所示,所述特征提取网络Fnet的主干是残差网络的改进体DenseNet网络,所述DenseNet网络包括交替连接的稠密模块与过渡模块,所述稠密模块包括若干稠密层,所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和,所述各层的特征图大小和输出通道数都相同;如图4所示,残差层的结构可以表示为:
xl+1=f(Wsxl+αF(xl,Wl))
式中,xl,xl+1代表残差层的输入及输出(l与l+1之间可以不止一层),F(xl,Wl)为残差项,F(·)代表非线性组合函数,Ws与Wl都代表线性映射的参数(核函数),f(·)代表激活函数,α是残差项的权重参数。
3)模型训练:将源域数据集Xs和目标域数据集Xt作为输入数据对DTMBFDmod模型进行训练,具体步骤为:
3-1)以源域数据集Xs中的有标签数据为特征提取网络Fnet的输入,以特征提取网络Fnet的输出为自适应层网络Anet的输入,所述自适应层网络Anet的输出只作为判别分类器网络Cnet的输入对故障诊断网络进行训练;
更新特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数,当训练的epoch达到预设值100时或诊断精度接近预设精度100%时,停止训练,保存模型为DTMBFDbasemod;
3-2)以源域数据集Xs和目标域数据集Xt的所有数据为深度迁移电机轴承故障诊断模型DTMBFDmod的输入;
将DTMBFDbasemod中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数作为DTMBFDmod模型中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数;
以均方误差作为判别分类器的损失函数,以二值交叉熵作为域分类器的损失函数,交替更新自适应层网络和域分类器网络的参数;
当e轮后损失值和判别分类器的预测精度趋于稳定,则停止训练,保存域自适应模型DTMBFDdamod。
在本发明实例中,将DTMBFDbasemod中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数作为DTMBFDmod模型中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数,每轮训练中先将域分类器的域分类精度提升到75%~85%,此过程仅更新域分类器的参数,其它模块参数不变。而后训练自适应层,使域分类器的精度下降到35%~45%,此过程仅更新自适应层参数,完成后本轮训练结束。根据经验训练3~5轮后损失值和判别分类器的预测精度趋于稳定,此时可停止训练,保存域自适应模型DTMBFDdamod。
4)样本生成:构建由CycleGAN网络为主干的样本生成器SG,为正常样本和故障样本训练各自的样本生成模型,并生成各自模型的伪样本,组成目标域伪数据集Xf,具体步骤为:
4-1)构建以CycleGAN网络为主干网络的样本生成器SG,所述CycleGAN网络包括两个生成器和两个鉴别器,以源域数据集Xs和目标域数据集Xt中对应类别的有标签数据作为样本生成器SG的输入,利用双向迭代学习对样本生成器SG进行训练;
4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel,以Xs中的有标签数据分别作为样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel的输入,生成四类伪样本xfn、xfi、xfo、xfr,四类伪样本组成目标域伪数据集Xf,Xf属于Xt的子集。
在本发明实例中,如图5所示,CycleGAN网络包含两个生成器和两个鉴别器,每次训练中网络的输入是Xs和Xt中对应类别的有标签数据,对于Xs→Xt训练集的训练目标有两个,一是生成器G能够通过xs(xs∈Xs)生成Xt的伪样本即二是能够通过生成器F再次变回Xs数据集中的样本 即
5)模型调整:利用目标域数据集Xt中的有标签数据和目标域伪数据集Xf对DTMBFDmod模型参数进行调整,得到调整后的DTMBFDfinetune模型,具体步骤为:
5-1)在Xt和Xf中选取相同数量正常样本和故障样本,正常样本和每类故障样本的数目相同,组成均衡的微调数据集Xm;
5-2)降低学习率至1e-3以下,预设epoch为100,利用微调数据集Xm对DTMBFDdamod模型进行微调训练,微调训练完成后保存为DTMBFDfinetune模型。
6)故障诊断:使用步骤5)中调整后的DTMBFDfinetune模型中对目标设备的轴承实时监测信号进行预测,具体步骤为:
6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号,利用短时傅里叶变换STFT将信号转换成彩色频谱图;
6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFDfinetune模型完成电机轴承的实时故障诊断。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,具体步骤如下:
1)数据采集:在实验台上采集轴承在正常和故障情况下的振动信号,对实验台信号进行预处理组成源域数据集Xs,在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号,对工业电机信号进行预处理组成目标域数据集Xt;
2)构建模型:构建由特征提取网络Fnet、自适应层网络Anet、域分类器网络Dnet和判别分类器网络Cnet组成的深度迁移电机轴承故障诊断模型DTMBFDmod;
3)模型训练:将源域数据集Xs和目标域数据集Xt作为输入数据对DTMBFDmod模型进行训练;
4)样本生成:构建由CycleGAN网络为主干的样本生成器SG,为正常样本和故障样本训练各自的样本生成模型,并生成各自模型的伪样本,组成目标域伪数据集Xf;
5)模型调整:利用目标域数据集Xt中的有标签数据和目标域伪数据集Xf对DTMBFDmod模型参数进行调整,得到调整后的DTMBFDfinetune模型;
6)故障诊断:使用步骤5)中调整后的DTMBFDfinetune模型中对目标设备的轴承实时监测信号进行预测。
2.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤1)中数据采集的具体步骤为:
1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xsn、xsi、xso、xsr,利用短时傅里叶变换STFT将xsn、xsi、xso、xsr转换成彩色频谱图,组成源域数据集Xs;
1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号xtn、xti、xto、xtr,利用短时傅里叶变换STFT将xtn、xti、xto、xtr转换成彩色频谱图,组成目标域数据集Xt,所述目标域数据集中包含有无标签数据和有标签数据。
4.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤2)中所述特征提取网络Fnet的主干是残差网络的改进体DenseNet网络,所述DenseNet网络包括交替连接的稠密模块与过渡模块,所述稠密模块包括若干稠密层,所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和,所述各层的特征图大小和输出通道数都相同。
5.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤3)中模型训练的具体步骤为:
3-1)以源域数据集Xs中的有标签数据为特征提取网络Fnet的输入,以特征提取网络Fnet的输出为自适应层网络Anet的输入,所述自适应层网络Anet的输出只作为判别分类器网络Cnet的输入对故障诊断网络进行训练;
更新特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数,当训练的epoch达到预设的epoch值或诊断精度达到预设精度时,停止训练,保存模型为DTMBFDbasemod;
3-2)以源域数据集Xs和目标域数据集Xt的所有数据为深度迁移电机轴承故障诊断模型DTMBFDmod的输入;
将DTMBFDbasemod中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数作为DTMBFDmod模型中特征提取网络Fnet、自适应层网络Anet、判别分类器网络Cnet的参数;
以均方误差作为判别分类器的损失函数,以二值交叉熵作为域分类器的损失函数,交替更新自适应层网络和域分类器网络的参数;
当e轮后损失值和判别分类器的预测精度趋于稳定,则停止训练,保存域自适应模型DTMBFDdamod。
6.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤4)中生成目标域伪数据集Xf的具体步骤为:
4-1)构建以CycleGAN网络为主干网络的样本生成器SG,所述CycleGAN网络包括两个生成器和两个鉴别器,以源域数据集Xs和目标域数据集Xt中对应类别的有标签数据作为样本生成器SG的输入,利用双向迭代学习对样本生成器SG进行训练;
4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel,以Xs中的有标签数据分别作为样本生成模型SGnmodel、SGimodel、SGomodel、SGrmodel的输入,生成四类伪样本xfn、xfi、xfo、xfr,四类伪样本组成目标域伪数据集Xf,Xf属于Xt的子集。
7.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤5)中对模型调整进行调整的具体步骤为:
5-1)在Xt和Xf中选取相同数量正常样本和故障样本,正常样本和每类故障样本的数目相同,组成均衡的微调数据集Xm;
5-2)降低学习率为q,预设epoch为p,利用微调数据集Xm对DTMBFDdamod模型进行微调训练,微调训练完成后保存为DTMBFDfinetune模型。
8.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法,其特征在于,步骤6)中故障诊断的具体步骤为:
6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号,利用短时傅里叶变换STFT将信号转换成彩色频谱图;
6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFDfinetune模型完成电机轴承的实时故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494456.2A CN114936575A (zh) | 2022-05-07 | 2022-05-07 | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494456.2A CN114936575A (zh) | 2022-05-07 | 2022-05-07 | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936575A true CN114936575A (zh) | 2022-08-23 |
Family
ID=82863991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210494456.2A Pending CN114936575A (zh) | 2022-05-07 | 2022-05-07 | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936575A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115773883A (zh) * | 2022-11-07 | 2023-03-10 | 苏州大学 | 双生成器协同域对抗轴承故障诊断方法及系统 |
CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
CN116910632A (zh) * | 2023-09-14 | 2023-10-20 | 硕橙(厦门)科技有限公司 | 基于迁移学习的射频指纹识别方法、装置、设备及介质 |
CN117708656A (zh) * | 2024-02-05 | 2024-03-15 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
CN118094367A (zh) * | 2024-04-25 | 2024-05-28 | 广东石油化工学院 | 无源领域自适应轴承故障分类方法及系统 |
CN118522083A (zh) * | 2024-07-18 | 2024-08-20 | 广汽埃安新能源汽车股份有限公司 | 一种汽车传动系统的故障诊断方法及装置 |
-
2022
- 2022-05-07 CN CN202210494456.2A patent/CN114936575A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115773883A (zh) * | 2022-11-07 | 2023-03-10 | 苏州大学 | 双生成器协同域对抗轴承故障诊断方法及系统 |
CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
CN116910632A (zh) * | 2023-09-14 | 2023-10-20 | 硕橙(厦门)科技有限公司 | 基于迁移学习的射频指纹识别方法、装置、设备及介质 |
CN116910632B (zh) * | 2023-09-14 | 2023-12-12 | 硕橙(厦门)科技有限公司 | 基于迁移学习的射频指纹识别方法、装置、设备及介质 |
CN117708656A (zh) * | 2024-02-05 | 2024-03-15 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
CN117708656B (zh) * | 2024-02-05 | 2024-05-10 | 东北大学 | 一种面向单源域的滚动轴承跨域故障诊断方法 |
CN118094367A (zh) * | 2024-04-25 | 2024-05-28 | 广东石油化工学院 | 无源领域自适应轴承故障分类方法及系统 |
CN118522083A (zh) * | 2024-07-18 | 2024-08-20 | 广汽埃安新能源汽车股份有限公司 | 一种汽车传动系统的故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936575A (zh) | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 | |
CN109580215B (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
Liu et al. | Unsupervised fault diagnosis of rolling bearings using a deep neural network based on generative adversarial networks | |
CN110849627B (zh) | 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 | |
CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
CN107122790B (zh) | 基于混合神经网络和集成学习的非侵入式负荷识别算法 | |
CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN112924177B (zh) | 一种改进深度q网络的滚动轴承故障诊断方法 | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN113536697A (zh) | 一种基于改进残差网络和wgan的轴承剩余寿命预测方法 | |
CN117236188A (zh) | 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN117332367A (zh) | 基于机理数据融合的小样本旋转机械智能诊断方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN108364021A (zh) | 一种基于层次排列熵的轴承故障特征提取方法 | |
CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 | |
Hu et al. | An improved metalearning framework to optimize bearing fault diagnosis under data imbalance |
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 |