CN115048987A - 基于流形结构的多源自适应迁移学习的电机振动预测方法 - Google Patents
基于流形结构的多源自适应迁移学习的电机振动预测方法 Download PDFInfo
- Publication number
- CN115048987A CN115048987A CN202210568572.4A CN202210568572A CN115048987A CN 115048987 A CN115048987 A CN 115048987A CN 202210568572 A CN202210568572 A CN 202210568572A CN 115048987 A CN115048987 A CN 115048987A
- Authority
- CN
- China
- Prior art keywords
- motor vibration
- case set
- motor
- vibration
- source
- 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 26
- 238000013526 transfer learning Methods 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于流形结构的多源自适应迁移学习的电机振动预测方法，以下步骤：建立电机振动实例库；对建立的电机振动实例库的特征信息采用归一化的方法进行预处理，通过流形结构的多源自适应迁移学习算法将归一化处理后的特征信息映射到公共子空间；通过机器学习分类方法对电机振动特征进行预测；将预测的结果与电机振动实例库进行相似度匹配计算，最终输出电机振动的工况状态以及对能够继续无故障工作时间进行预测；本发明可对机械设备的振动进行预测与分析。
Description
技术领域
本发明涉及设备振动预测分析技术领域，特别是一种基于流形结构的多源自适应迁移学习的电机振动预测方法。
背景技术
随着智能制造产业的不断兴起和快速发展，在航空航天、机电工程、煤矿、电力等领域中，各类生产制造系统趋向于精密化、复杂化的发展方向；工况中的运行时间、温湿度以及载荷等因素会对生产动力设备产生不同程度的影响，导致设备的振动特性会随着时间和工况而缓慢变化。振动特性的变化是设备磨损并发生故障的一个典型标志，如不能及时准确的对设备振动状况进行预测分析，设备偶发故障，将导致无计划停产，造成巨大的经济损失。
伴随着人工智能的发展，对设备的振动预测分析也出现了各式各样的方法，但是能够在设备运行状态下，准确而快速的预测机械设备的振动特性以及对响应特性进行科学评估成为目前急需解决的技术难点。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种基于流形结构的多源自适应迁移学习的电机振动预测方法，本发明可对机械设备的振动进行预测与分析。
为实现上述目的，本发明采用的技术方案是：一种基于流形结构的多源自适应迁移学习的电机振动预测方法，包括以下步骤：
步骤1、建立电机振动实例库；
步骤2、对建立的电机振动实例库的特征信息采用归一化的方法进行预处理，通过流形结构的多源自适应迁移学习算法将归一化处理后的特征信息映射到公共子空间；
步骤3、通过机器学习分类方法对电机振动特征进行预测；
步骤4、将预测的结果与电机振动实例库进行相似度匹配计算，最终输出电机振动的工况状态以及对能够继续无故障工作时间进行预测。
作为本发明的进一步改进，步骤1中，电机振动实例库的建立方法具体如下：
分析大量的电机拖动加工生产的实例，选取正常的振动特性范围、异常振动特性信息的设备磨损程度以及在该磨损程度下产生故障的概率或能够无故障概率运行的时间，从而将所述特征信息制作成电机振动实例库。
作为本发明的进一步改进，还包括：将所述电机振动实例库作为源域案例集，将具体待测电机拖动生产过程中获得的电机振动的特性信息作为目标域案例集，采用最大均值差异来量化源域案例集和目标域案例集之间的差异，采用映射函数θ(x)将源域案例集Ss与目标域案例集Dd映射至再生核希尔伯特空间，源域案例集Ss与目标域案例集Dd分布的距离由以下公式进行计算：
式中θ(·)为映射函数，通过该映射函数实现原始数据到再生核希尔伯特空间的变换，
为目标域Dd样本集的第j个样本，j＝1,2,3,……,nd，
为源域案例集样本集的第k个样本，k＝1,2,3,……,ns。
作为本发明的进一步改进，步骤2中的归一化方法具体如下：
式中，
为第k组数据中的第i个特征信息，
和
分别为源域案例集中第i个特征信息的最大值和最小值；x′k为
进行归一化后的数据。
作为本发明的进一步改进，在步骤3的机器学习分类方法中，引入分类加权因子对分类器进行调节，所述加权因子具体如下：
其中di为源域案例集中与目标域案例集中各数据的最大均值差异的倒数。
本发明的有益效果是：
本发明可以快速、提前、准确了解电机的运行状况，为提前安排停机检修等做好计划安排，防止无计划停机检修而造成的巨大经济损失。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示，一种基于流形结构的多源自适应迁移学习的电机振动预测方法，图1中S101是使用迁移学习算法量化源域案例集与目标域案例集之间的差异，迁移学习最主要的目标就是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。通过对实际电机拖动工业生产过程的电机振动的特性，包括(正常振动范围、异常振动范围、电机转速等)所得的数据制作为电机振动实例库即源域案例集，针对具体待测电机拖动生产过程中获得的电机振动特性，称为目标域案例集。因此，对源域与目标域之间数据差异的量化成为迁移学习最为重要的任务，本实施例采用最大均值差异来量化数据集之间的差异，采用映射函数θ(x)将源域案例集Ss与目标域案例集Dd映射至再生核希尔伯特空间，两个域数据集分布的距离可由以下公式进行计算：
式中θ(·)为映射函数，通过该映射函数实现原始数据到再生核希尔伯特空间的变换，
为目标域Dd样本集的第j个样本，j＝1,2,3,……,nd；
为源域案例集样本集的第k个样本，k＝1,2,3,……,ns。
图1中S102是为消除数据集中各特征信息数量级及量纲的作用,需要对其行归一化处理，归一化处理采用如下公式：
式中，
为第k组数据中的第i个特征信息，
和
分别为案例集中第i个特征值的最大值和最小值；x′k为
进行归一化后的数据。
图1中103是数据适配，由于源域案例集和目标域案例集中信息存在差异，以及目标域中的数据集往往只存在很少的标签甚至是没有标签的情况。因此，为使源域与目标域之间条件分布以及边缘分布的距离足够小，从而使单源域案案例集信息利用率最大化，本实施例采用流形正则化来进行数据适配，以保持高效的学习率和模型的强鲁棒性，同时引入均衡因子来调节边缘分布和条件分布在数据适配过程中的占空比。
图1中S104是分类器加权，通过S103的数据适配过程后，源域案例集和目标域案例集之间的差异已经达到最大幅度的缩小，由于两个领域间的最大均值差异(MMD)越大，表示两者之间的关联性就越小，MMD越小，表示两者之间的关联性就越大。因此可以定义加权因子为：
其中di为源域案例集中与目标域案例集中各数据的MMD的倒数，引入分类加权因子对分类器进行调节，不但能自适应调节不同源域的迁移水平,还有效提高了多源域案例集的迁移效果。
图1中S105是根据前面S101-S104步骤处理后的数据，对电机振动数据进行预测分析，在此步骤中，为解决电机振动预测分析的结果可能与振动模型库里面的振动模型都不匹配的情况的发生，采用相似度计算的方法，将预测的案例集特征信息和振动模型库的振动的特征信息逐一进行相似度匹配计算，然后将相似度最大的振动模型信息作为输出结果，来完成目标域案例集中振动模型特征信息的修正，从而获得精确的振动预测分析模型。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种基于流形结构的多源自适应迁移学习的电机振动预测方法，其特征在于，包括以下步骤：
步骤1、建立电机振动实例库；
步骤2、对建立的电机振动实例库的特征信息采用归一化的方法进行预处理，通过流形结构的多源自适应迁移学习算法将归一化处理后的特征信息映射到公共子空间；
步骤3、通过机器学习分类方法对电机振动特征进行预测；
步骤4、将预测的结果与电机振动实例库进行相似度匹配计算，最终输出电机振动的工况状态以及对能够继续无故障工作时间进行预测。
2.根据权利要求1所述的基于流形结构的多源自适应迁移学习的电机振动预测方法，其特征在于，步骤1中，电机振动实例库的建立方法具体如下：
分析大量的电机拖动加工生产的实例，选取正常的振动特性范围、异常振动特性信息的设备磨损程度以及在该磨损程度下产生故障的概率或能够无故障概率运行的时间，从而将所述特征信息制作成电机振动实例库。
3.根据权利要求2所述的基于流形结构的多源自适应迁移学习的电机振动预测方法，其特征在于，还包括：将所述电机振动实例库作为源域案例集，将具体待测电机拖动生产过程中获得的电机振动的特性信息作为目标域案例集，采用最大均值差异来量化源域案例集和目标域案例集之间的差异，采用映射函数θ(x)将源域案例集Ss与目标域案例集Dd映射至再生核希尔伯特空间，源域案例集Ss与目标域案例集Dd分布的距离由以下公式进行计算：
式中θ(·)为映射函数，通过该映射函数实现原始数据到再生核希尔伯特空间的变换，
为目标域Dd样本集的第j个样本，j＝1,2,3,……,nd，
为源域案例集样本集的第k个样本，k＝1,2,3,……,ns。
4.根据权利要求3所述的基于流形结构的多源自适应迁移学习的电机振动预测方法，其特征在于，步骤2中的归一化方法具体如下：
式中，
为第k组数据中的第i个特征信息，
和
分别为源域案例集中第i个特征信息的最大值和最小值；x′k为
进行归一化后的数据。
5.根据权利要求4所述的基于流形结构的多源自适应迁移学习的电机振动预测方法，其特征在于，在步骤3的机器学习分类方法中，引入分类加权因子对分类器进行调节，所述加权因子具体如下：
其中di为源域案例集中与目标域案例集中各数据的最大均值差异的倒数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210568572.4A CN115048987A (zh) | 2022-05-24 | 2022-05-24 | 基于流形结构的多源自适应迁移学习的电机振动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210568572.4A CN115048987A (zh) | 2022-05-24 | 2022-05-24 | 基于流形结构的多源自适应迁移学习的电机振动预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115048987A true CN115048987A (zh) | 2022-09-13 |
Family
ID=83158597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210568572.4A Pending CN115048987A (zh) | 2022-05-24 | 2022-05-24 | 基于流形结构的多源自适应迁移学习的电机振动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048987A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795292A (zh) * | 2022-10-20 | 2023-03-14 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
-
2022
- 2022-05-24 CN CN202210568572.4A patent/CN115048987A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795292A (zh) * | 2022-10-20 | 2023-03-14 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
| CN115795292B (zh) * | 2022-10-20 | 2023-10-17 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
| CN111829782B (zh) | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 | |
| Xu et al. | A novel multi-scale CNN and attention mechanism method with multi-sensor signal for remaining useful life prediction | |
| Chen et al. | Aero-engine remaining useful life prediction method with self-adaptive multimodal data fusion and cluster-ensemble transfer regression | |
| Deng et al. | Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification | |
| Xu et al. | Fault diagnosis of rolling bearing based on online transfer convolutional neural network | |
| Fu et al. | Broad auto-encoder for machinery intelligent fault diagnosis with incremental fault samples and fault modes | |
| CN116451150A (zh) | 一种基于半监督小样本的设备故障诊断方法 | |
| Li et al. | Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management | |
| Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
| CN115048987A (zh) | 基于流形结构的多源自适应迁移学习的电机振动预测方法 | |
| Balasubramaniam | Fault detection and diagnosis in air handling units with a novel integrated decision tree algorithm | |
| CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
| Chen et al. | Gearbox fault diagnosis method based on deep learning multi-task framework | |
| CN111767324B (zh) | 一种智能关联的自适应数据分析方法及装置 | |
| Cohen et al. | To trust or not: Towards efficient uncertainty quantification for stochastic shapley explanations | |
| Zhang et al. | Improved DBO-VMD and optimized DBN-ELM based fault diagnosis for control valve | |
| CN116910579A (zh) | 一种基于迁移学习的变工况机械加工颤振监测方法 | |
| CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
| Ma et al. | Decision space information driven algorithm for dynamic multiobjective optimization with a changing number of objectives | |
| Lu et al. | Visual monitoring of industrial operation states based on kernel fisher vector and self-organizing map networks | |
| Yang et al. | Transfer Learning-enabled Modelling Framework for Digital Twin | |
| Yang et al. | A new ensemble fault diagnosis method based on k-means algorithm | |
| Chen | Brain Tumor Prediction with LSTM Method | |
| Guo et al. | Data-driven rated power prediction of diesel engines using improved multi-class imbalanced learning method |
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 |