CN115062690A - 一种基于域自适应网络的轴承故障诊断方法 - Google Patents
一种基于域自适应网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115062690A CN115062690A CN202210566773.0A CN202210566773A CN115062690A CN 115062690 A CN115062690 A CN 115062690A CN 202210566773 A CN202210566773 A CN 202210566773A CN 115062690 A CN115062690 A CN 115062690A
- Authority
- CN
- China
- Prior art keywords
- domain
- feature
- target domain
- target
- sample
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
Abstract
本发明公开了一种基于域自适应网络的故障诊断方法,利用域特定注意力机制对轴承数据的低层特征进行重点关注。该域特定注意力机制包括两个子模块:通道注意力子模块和空间注意力子模块。通道注意力子模块通过对数据特征张量的通道层面进行关注,找到什么是感兴趣的信息,而空间注意力子模块关注的是数据空间层面,找到哪里是感兴趣的信息。通过域特定注意力模块可以有效提取数据的低层特征。构建的三层特征校正模块用于进一步减小源域和目标域的特征分布差异,利用最大均值差异度量源域和目标域的特征差异,然后将目标域特征通过特征校正模块获得和源域特征相似的分布,最终使得诊断模型可以很好地作用于目标域的故障诊断。
Description
技术领域
本发明涉及跨域故障数据诊断领域,尤其涉及一种基于域自适应网络的轴承故障诊断方法。
背景技术
在深度跨域故障诊断中,源域和目标域的特征分布存在很大的差异。当两个领域的数据分布不同时,将观察到诊断性能的下降。域自适应是解决跨域问题的常用方法,通过源样本和目标样本的联合学习,缓解了数据分布的域差异。深度域自适应的主要思想是利用深度网络进行域不变的特征表示学习。比如Gretton等人提出了基于差异的深度学习方法,将最大均值差异(MMD)最小化去减小域分布差异。Tzeng等人利用深度域混淆方法(DDC)自动选择网络层数来计算不同域之间的MMD值,实现域的相似分布。
基于深度学习的方法在轴承诊断方面获得了一些性能的提高,因为它们受益于非线性特征映射的能力和端到端学习的优势。跨域故障诊断的主要方法分为两类,包括振动信号数据故障诊断和二维时频图像数据故障诊断。针对基于振动信号的故障诊断,Liang等人提出了基于一维网络结构的滚动轴承故障诊断(DCNRC)方法,利用一维卷积网络对信号数据进行分类。针对基于二维时频图像的故障诊断,Ma等人提出迁移学习-卷积神经网络(TLCNN),采用了一种新的基于二维图像表示的轴承故障诊断方法。
现有的跨域故障诊断方法主要关注相对于低层语义特征具有更强语义特征的高层特征的分布差异。虽然这些方法可以减少源域和目标域之间的分布差异,但是对于一些图片边缘和细节的低层特征并没有充分的关注和保留,从而影响模型的诊断性能。
发明内容
发明目的:针对以上问题,本发明提出一种基于域自适应网络的轴承故障诊断方法。通过引入的注意力机制模块和特征校正模块实现跨域的轴承故障数据的诊断。注意力机制用于解决低层特征的提取问题,特征校正模块用于解决域间的相似分布问题。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:
一种基于域自适应网络的轴承故障诊断方法,包括以下步骤:
S1.获取源域和目标域的样本数据,将源域中的样本数据和目标域的样本数据作为训练数据;所述样本数据是指包括故障的和正常的轴承数据;
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络,获取数据低层特征和高层特征;
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布,构建源域和目标域损失函数;
S4.训练网络损失,更新迭代网络参数;
S5.将目标样本输入训练好的网络,对目标样本进行故障诊断,输出概率向量,即图片标签,不同标签代表不同故障类型。
进一步的,所述步骤S1包括:
源域样本是有标记的,目标域样本是无标记的;源域样本和目标域样本的类别是相同的;有标记的源域样本和无标记的目标域样本分别表示为
进一步的,所述步骤S2包括:
域特定注意力机制模块的搭建;注意力机制模块包括两个子模块:通道注意力模块和空间注意力模块;
S2.1.在通道注意力模块中,源域和目标域输入的样本表示为
首先对每个通道上使用全局平均池化获得数据的全局空间信息,将特征张量的维度压缩成1×1×C;
其中,得到的通道注意力权重如下:
其中,空间注意力权重如下:
进一步的,所述步骤S3包括:
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt),G(·)表示域特定注意力模块网络函数;
S3.2.特征校正模块的搭建;特征校正模块由两个全连接层和一个ReLU函数组成;首先通过最大均值差异(MMD)来度量出源域和目标域的特征分布差异△G(dt);然后通过约束特征校正模块的输出,使特征校正后的目标域和源域G(ds)分布相同;
S3.3.构建源域分类器损失函数,损失计算如下:
S3.4.目标域熵损失计算如下:
进一步的,所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异,包括:
其中,△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异,l=1,2,3;
进一步的,所述步骤S4中,网络总体损失具体为:
式中,α,β分别为损失之间的平衡因子。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明提出了一个具有参数共享的域特定注意力模块的域自适应网络,通过设计的域特定注意力模块对低层特征提供更多的关注,通过改进的特征校正模块减小源域和目标域的分布差异,加强了域之间的可迁移性,有效改善了现有域自适应轴承故障诊断方法中随着网络加深特征的可迁移性逐渐变差的问题。
附图说明
图1是本发明的整体框架图;
图2是本发明的通道注意力模块图;
图3是本发明的空间注意力模块图;
图4是本发明的特征校正模块图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于域自适应网络的轴承故障诊断方法,如图1,包括以下步骤:
S1.获取源域和目标域的样本数据,将源域中的样本数据和目标域的样本数据作为训练数据;所述样本数据是指包括故障的和正常的轴承数据;
源域样本是有标记的,目标域样本是无标记的;源域样本和目标域样本的类别是相同的;有标记的源域样本和无标记的目标域样本分别表示为
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络,获取数据低层特征和高层特征;
域特定注意力机制模块的搭建;注意力机制模块包括两个子模块:通道注意力模块和空间注意力模块;
S2.1.如图2,在通道注意力模块中,源域和目标域输入的样本表示为
首先对每个通道上使用全局平均池化获得数据的全局空间信息,将特征张量的维度压缩成1×1×C;
其中,得到的通道注意力权重如下:
其中,空间注意力权重如下:
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布,构建源域和目标域损失函数;
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt),G(·)表示域特定注意力模块网络函数;
S3.2.特征校正模块的搭建;如图4,特征校正模块由两个全连接层和一个ReLU函数组成;
S3.3.构建源域分类器损失函数,损失计算如下:
S3.4.目标域熵损失计算如下:
所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异,包括:
其中,△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异,l=1,2,3;
S4.训练网络损失,更新迭代网络参数;
网络总体损失具体为:
式中,α,β分别为损失之间的平衡因子。
S5.将目标样本输入训练好的网络,对目标样本进行故障诊断,输出概率向量,即图片标签,不同标签代表不同故障类型。
Claims (6)
1.一种基于域自适应网络的轴承故障诊断方法,其特征在于:包括以下步骤:
S1.获取源域和目标域的样本数据,将源域中的样本数据和目标域的样本数据作为训练数据;所述样本数据是指包括故障的和正常的轴承数据;
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络,获取数据低层特征和高层特征;
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布,构建源域和目标域损失函数;
S4.训练网络损失,更新迭代网络参数;
S5.将目标样本输入训练好的网络,对目标样本进行故障诊断,输出概率向量,即标签,不同标签代表不同故障类型。
3.根据权利要求2所述的基于域自适应网络的轴承故障诊断方法,其特征在于:所述步骤S2包括:
域特定注意力机制模块的搭建;注意力机制模块包括两个子模块:通道注意力模块和空间注意力模块;
S2.1.在通道注意力模块中,源域和目标域输入的样本表示为
首先对每个通道上使用全局平均池化获得数据的全局空间信息,将特征张量的维度压缩成1×1×C;
其中,得到的通道注意力权重如下:
其中,空间注意力权重如下:
4.根据权利要求3所述的基于域自适应网络的轴承故障诊断方法,其特征在于:所述步骤S3包括:
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt),G(·)表示域特定注意力模块网络函数;
S3.2.特征校正模块的搭建;特征校正模块由两个全连接层和一个ReLU函数组成;首先通过最大均值差异(MMD)来度量出源域和目标域的特征分布差异△G(dt);然后通过约束特征校正模块的输出,使特征校正后的目标域和源域G(ds)分布相同;
S3.3.构建源域分类器损失函数,损失计算如下:
S3.4.目标域熵损失计算如下:
5.根据权利要求4所述的基于域自适应网络的轴承故障诊断方法,其特征在于:所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异,包括:
其中,△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异,l=1,2,3;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566773.0A CN115062690A (zh) | 2022-05-23 | 2022-05-23 | 一种基于域自适应网络的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566773.0A CN115062690A (zh) | 2022-05-23 | 2022-05-23 | 一种基于域自适应网络的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062690A true CN115062690A (zh) | 2022-09-16 |
Family
ID=83197694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210566773.0A Pending CN115062690A (zh) | 2022-05-23 | 2022-05-23 | 一种基于域自适应网络的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062690A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
-
2022
- 2022-05-23 CN CN202210566773.0A patent/CN115062690A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392326A (zh) * | 2022-10-27 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
CN115392326B (zh) * | 2022-10-27 | 2024-03-19 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191215B (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
CN111582483B (zh) | 基于空间和通道联合注意力机制的无监督学习光流估计方法 | |
CN113326930B (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
CN110648292B (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN113408577A (zh) | 一种基于注意力机制的图像分类方法 | |
CN113920043A (zh) | 基于残差通道注意力机制的双流遥感图像融合方法 | |
CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
CN113221694A (zh) | 一种动作识别方法 | |
CN115457311B (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN114004333A (zh) | 一种基于多假类生成对抗网络的过采样方法 | |
CN111325288B (zh) | 基于聚类思想的多视角动态脑网络特征维度约减方法 | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
CN115062690A (zh) | 一种基于域自适应网络的轴承故障诊断方法 | |
CN116229170A (zh) | 基于任务迁移的联邦无监督图像分类模型训练方法、分类方法及设备 | |
KR20200023695A (ko) | 연산량을 줄이는 학습 시스템 | |
CN111639751A (zh) | 一种用于二值卷积神经网络的非零填补训练方法 | |
CN113344146B (zh) | 基于双重注意力机制的图像分类方法、系统及电子设备 | |
CN113838104B (zh) | 基于多光谱与多模态图像一致性增强网络的配准方法 | |
CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 |
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 |