CN115127814A - 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 - Google Patents
一种基于自适应残差对抗网络的无监督轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115127814A CN115127814A CN202210863740.2A CN202210863740A CN115127814A CN 115127814 A CN115127814 A CN 115127814A CN 202210863740 A CN202210863740 A CN 202210863740A CN 115127814 A CN115127814 A CN 115127814A
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- source domain
- unsupervised
- bearing
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 76
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 12
- 244000157795 Cordia myxa Species 0.000 claims description 10
- 235000004257 Cordia myxa Nutrition 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 240000007472 Leucaena leucocephala Species 0.000 description 1
- 235000010643 Leucaena leucocephala Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network 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
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer 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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；步骤S3、基于目标轴承振动实测值进行轴承故障诊断。本发明采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和改进多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。
Description
技术领域
本发明涉及旋转机械设备中滚动轴承故障件检测领域，尤其是一种基于自适应残差对抗网络的无监督轴承故障诊断方法。
背景技术
随着工业生产和科学技术水平的发展进步，旋转机械也不断朝着高速化、连续化、自动化方向发展，有效提高生产效率、保证产品质量、节约能源与人力。滚动轴承作为旋转机械的关键部件，其健康状态关乎整个设备的运行安全。然而轴承工作在恶劣的环境下，其在高负荷运行过程中不可避免的会出现异常。一旦发生故障，则有可能造成经济损失甚至发生重大安全事故。为保证旋转机械的平稳运行，有必要对滚动轴承进行早期故障诊断。
近年来，基于深度学习的轴承故障诊断方法得到了广泛应用，主要是因为深度学习具有强大的数据处理能力和特征学习能力，并且不再需要人力和先验知识就可以实现准确、高效的故障诊断。常见的基于深度学习的诊断方法有卷积神经网络和自动编码器，并且均已成功应用到了轴承故障诊断中。但大多数现有的研究取得理想的结果都基于一个前提，即训练数据和测试数据具有相同的分布。在实际的工程中，由于操作条件的变化、机械设备的磨损和环境噪声等因素的影响，即使同一设备的训练数据和测试数据也难以满足上述前提。因此针对轴承实际使用场景，研究泛化能力强，准确率高的无监督故障诊断方法是当前轴承故障诊断研究的迫切需要。
迁移学习可以将已习得的强大技能迁移到相关的问题上，现已广泛应用于应对复杂环境下的轴承故障诊断任务。无监督域适应方法作为迁移学习的热门分支，其具有弥合领域间分布差异和探索域不变特征的能力，在图像识别领域中的广泛应用，并已经被引入跨域轴承故障诊断领域。虽然无监督域适应方法已经应用到了故障诊断领域，但是目前大多数方法侧重于考虑源域和目标域之间的边缘概率分布差异，而忽略了条件概率分布差异。即使有研究者考虑到了跨域整体分布差异时，也只是直接将跨域边缘概率分布和条件概率分布相加，未考虑两者之间的关系而导致模型泛化能力受限，难以应用于实际工业环境中解决跨域轴承故障诊断问题。
通过上述分析可知，单一度量源域和目标域之间的边缘概率分布差异或简单将跨域边缘概率分布和条件概率分布相加都无法获得很好的模型泛化能力，更无法获得良好的轴承跨域故障诊断效果。
发明内容
本发明需要解决的技术问题是提供一种基于自适应残差对抗网络的无监督轴承故障诊断方法，采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。
为解决上述技术问题，本发明所采用的技术方案是：一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：
步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；
步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；
步骤S3、基于目标轴承振动实测值进行轴承故障诊断。
本发明技术方案的进一步改进在于：所述步骤S1的具体过程如下：
步骤S11，构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进残差块作为特征提取器网络基础结构，结构上采用多个改进残差块连接，并在多个改进残差块之后应用全局平均池化层对特征进行进一步降维并压缩网络参数量；
步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；
步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；
步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。
本发明技术方案的进一步改进在于：所述步骤S11中一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数，SELU激活函数如下：
其中α,λ为常数。
本发明技术方案的进一步改进在于：所述步骤S2的具体过程如下：
步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；
步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成；
步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；
步骤S24，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；
步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，二者归一化处理之后的数据作为训练模型的输入数据；
步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；
步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距，基于标签分类结果，利用交叉熵损失生成第一损失函数；基于得到领域分类结果，利用交叉熵损失生成第二损失函数，将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全连接层中的MK-MMD损失生成第三损失函数；
步骤S28，将步骤S27中得到的第一损失函数、第二损失函数、第三损失函数根据相应的权重构建基于残差联合自适应网络的无监督模型的总体损失函数，并通过计算域和类别之间的MK-MMD距离得到一个动态加权系数μ，动态加权系数μ将MK-MMD距离与多个对抗领域损失定量和定性地结合在一起，形成一个联合分布距离动态更新权重系数；
步骤S29，重复步骤S25-S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数，在达到最大训练次数或在训练次数范围内损失函数到预设值时停止训练，得到优化后的基于自适应残差对抗网络的无监督模型。
本发明技术方案的进一步改进在于：所述步骤S27中基于标签分类结果，采用交叉熵损失作为第一损失函数的公式如下：
其中，
为交叉熵分类损失函数，Gf为特征提取器表示函数，Gy为分类器表示函数，xi为第i个样本，yi为xo对应的类别标签，ns为源域总样本数量；
基于领域分类结果，采用交叉熵损失作为第二损失函数的公式如下：
其中，
为域分类器的交叉熵损失函数，D为域鉴别器表示函数，nt为目标域总样本数量，di为xi对应的领域标签且di＝0or1；
基于全连接层中的MK-MMD的条件概率分布对齐作为第三损失函数：
其中，
是源域第i个样本的高级特征，
是源域第j个样本的高级特征，
是目标域第i个样本的高级特征，
是目标域第j个样本的高级特征，K(.，.)为高斯核函数。
本发明技术方案的进一步改进在于：所述步骤S28中总体损失函数如下：
其中，θf,θy,θd和
分别代表特征提取器、分类器、域鉴别器和MK-MMD的参数，系数μ为动态加权系数。
本发明技术方案的进一步改进在于：所述步骤S3的具体过程如下：
步骤S31，获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处理，归一化处理后的数据作为基于自适应残差对抗网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功；
步骤S32，重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁移诊断的准确率。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明提供的基于自适应残差对抗网络的无监督轴承故障诊断方法，改进了基础残差结构，采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布。此外，为了能够加快优化迭代的速度、提高诊断准确度，设计了一个动态加权系数来动态衡量两个分布差异的相对重要性，实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。
附图说明
图1为本发明的实施方法流程图；
图2为本发明采用数据的故障类别与标签对应表；
图3为本发明特征提取器网络结构参数表；
图4为改进残差块结构图；
图5为本发明基于自适应残差对抗网络结构图；
图6为本发明基于自适应残差对抗网络的0Hp→2Hp迁移任务混淆矩阵图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：
步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；
步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；
步骤S3、基于目标轴承振动实测值进行轴承故障诊断。
本实施例选取凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集，CWRU轴承数据集由美国凯斯西储大学提供，该数据集由一个电机轴承在不同操作状态下的振动信号组成。操作状态包含负载和转速两个可变参数，电机轴承的状态包括正常、滚珠故障、内圈故障和外圈故障。本实施例使用十类故障振动数据，数据集合标签处理结果见图2。
本实施例的步骤S1具体包括如下步骤：
步骤S11，构建改进的一维残差网络作为信号特征提取器，一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数，SELU激活函数如下：
其中α,λ为常数。α定值为1.6732632423543772848170429916717，λ定值为01.0507009873554804934193349852946。
一维残差网络参数设计见图3。基于残差连接的卷积层构建的改进残差块，作为特征提取器网络基础结构，改进残差块设计见图4，结构上采用多改进残差块连接。激活函数是神经网络非线性表示能力的重要来源，而神经网络进行归一化运算可以提高神经网络的收敛速度，减少了神经网络训练过程中的内部协变量漂移。改进的一维残差网络中采用SELU激活函数将两部操作合并，SELU激活函数不仅保留了激活函数的功能，还可以对输入数据进行自归一化处理，可取代传统中大量使用的归一函数如BN等。
改进残差块有一条直接连接输入和输出的跳跃连接。改进残差块更有利于误差在神经网络内部的反向传播，因此其参数变得更容易训练。此外采用零填充策略，初始卷积层的填充大小为5，其余填充大小为1，在多个改进残差块之后应用全局平均池化对特征进行进一步降维并压缩网络参数量；
步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层三采用与故障类别相同的数量即为10个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类效果，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；
步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据：
本实施例选取凯斯西储大学轴承数据集，选取不同负载下采集的数据(0Hp、1Hp、2Hp、3Hp)进行训练。以迁移任务0Hp→2Hp作为代表，首先采用0Hp数据归一化处理后作为源域带标签数据集。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024，每个类别取1000个样本。实验过程中，将每个类别的样本以8：2的比例来划分训练集和测试集，建立带有标签的源域数据集
步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，设置网络学习率为0.0001、批大小为128、训练次数为50。源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。
本实施例的步骤2具体包括：
步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构，全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层,三采用与故障类别相同的数量即为10个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类效果，最后通过Softmax分类出故障类别；
步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成，其中全连接层一采用50个神经元，全连接层二采用20个神经元，全连接层三采用2个神经元，使用三层全连接层更有利于综合提取出的特征并强化分类效果，最后通过Softmax分类出故障类别；
步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；
步骤S24，作为迁移任务0Hp→2Hp，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；
步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，二者归一化处理之后的数据作为训练模型的输入数据。
本实施例选取凯斯西储大学轴承数据集，选取不同负载下采集的数据(0Hp、1Hp、2Hp、3Hp)进行训练。以迁移任务0Hp→2Hp作为代表，采用0Hp数据归一化处理后作为源域数据，采用2Hp数据归一化处理后作为目标域数据。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024，每个类别取1000个样本。实验过程中，将每个类别的样本以8：2的比例来划分训练集和测试集，建立无标签的目标域训练集
步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；
步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距。基于标签分类结果，利用交叉熵损失生成第一损失函数；基于得到领域分类结果，利用交叉熵损失生成第二损失函数，将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全连接层中的MK-MMD损失生成第三损失函数；。
对抗学习一般由特征提取器、分类器和域鉴别器三部分组成，特征提取器的优化目标是混淆域鉴别器，使域鉴别器无法分辨数据是来自源域还是目标域；而域鉴别器的优化目标是区分出特征提取器处理后的特征是来自源域还是目标域，基于此设计损失函数。
基于标签分类结果，采用交叉熵损失作为第一损失函数：
其中，
为交叉熵分类损失函数，Gf为特征提取器表示函数，Gy为分类器表示函数，xi为第i个样本，yi为xi对应的类别标签，ns为源域总样本数量；
基于领域分类结果，采用交叉熵损失作为第二损失函数：
其中，
为域分类器的交叉熵损失函数，D为域鉴别器表示函数，nt为目标域总样本数量，di为xi对应的领域标签且di＝0or1；
基于全连接层中的MK-MMD的条件概率分布对齐作为第三损失函数：
其中，
是源域第i个样本的高级特征，
是源域第j个样本的高级特征，
是目标域第i个样本的高级特征，
是目标域第j个样本的高级特征，K(.，.)为高斯核函数。
步骤S28，采用动态加权系数μ来动态衡量边缘概率分布和条件概率分布的相对重要性，将步骤S27中得到的第一损失函数、第二损失函数、第三损失函数根据相应的权重构建基于自适应残差对抗网络的无监督模型的总体损失函数，并利用总体损失函数的更新动态更新权重。
大多数研究人员在其中采用平均搜索和随机猜测的方法来选择合适的权重，但这些方法耗时长，容易错过最优值。在本发明中，通过计算域和类别之间的MK-MMD距离得到一个动态加权系数μ。具体地，在域鉴别器的第二FC层中加入MK-MMD，以计算同一类别内故障特征分布的差异，通过与域间的MK-MMD的比值决定权重大小。系数初始化时，动态加权系数设置为0.5，之后的训练中，根据实际的损失来实时计算动态加权系数，在训练过程中，采用动态加权系数μ来动态衡量边缘概率分布和条件概率分布的相对重要性。如果边缘损失较大，动态加权因子会增大，从而促使网络更加关注边缘概率分布对齐，反之亦然。
总体损失函数如下：
其中，θf,θy,θd和
分别代表特征提取器、分类器、域鉴别器和MK-MMD的参数，系数μ为动态加权系数。
步骤S29，设置网络学习率为0.0001、批大小为128、训练次数为50，重复步骤S25-S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数，在达到最大训练次数或在训练次数范围内损失函数到预设值时停止训练，得到优化后的基于自适应残差对抗网络的无监督模型，模型整体结构见图5。
本实施例的步骤3具体包括如下步骤：
步骤S31，获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处理，归一化处理后的数据作为基于残差联合自适应网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功。
本实施例选取凯斯西储大学轴承数据集，选取不同负载下采集的数据(0Hp、1Hp、2Hp、3Hp)进行训练。以迁移任务0Hp→2Hp作为代表，采用2Hp数据归一化处理后作为目标域数据。使用采样频率为12KHz的驱动端振动数据，设置单个样本长度为1024，每个类别取1000个样本。实验过程中，将每个类别的样本以8：2的比例来划分训练集和测试集，构建带标签的目标域测试集
归一化处理后的数据作为基于残差联合自适应网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功。
步骤S32，重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁移诊断的准确率，绘制混淆矩阵见图6。
Claims (7)
1.一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：包括如下步骤：
步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；
步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；
步骤S3、基于目标轴承振动实测值进行轴承故障诊断。
2.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S1的具体过程如下：
步骤S11，构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进残差块作为特征提取器网络基础结构，结构上采用多个改进残差块连接，并在多个改进残差块之后应用全局平均池化层对特征进行进一步降维并压缩网络参数量；
步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；
步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；
步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。
3.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S11中一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数，SELU激活函数如下：
其中α,λ为常数。
4.根据权利要求3所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S2的具体过程如下：
步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；
步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成；
步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；
步骤S24，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；
步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，二者归一化处理之后的数据作为训练模型的输入数据；
步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；
步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距，基于标签分类结果，利用交叉熵损失生成第一损失函数；基于得到领域分类结果，利用交叉熵损失生成第二损失函数，将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全连接层中的MK-MMD损失生成第三损失函数；
步骤S28，将步骤S27中得到的第一损失函数、第二损失函数、第三损失函数根据相应的权重构建基于残差联合自适应网络的无监督模型的总体损失函数，并通过计算域和类别之间的MK-MMD距离得到一个动态加权系数μ，动态加权系数μ将MK-MMD距离与多个对抗领域损失定量和定性地结合在一起，形成一个联合分布距离动态更新权重系数；
步骤S29，重复步骤S25-S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数，在达到最大训练次数或在训练次数范围内损失函数到预设值时停止训练，得到优化后的基于自适应残差对抗网络的无监督模型。
5.根据权利要求4所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S27中基于标签分类结果，采用交叉熵损失作为第一损失函数的公式如下：
其中，
为交叉熵分类损失函数，Gf为特征提取器表示函数，Gy为分类器表示函数，xi为第i个样本，yi为xi对应的类别标签，ns为源域总样本数量；
基于领域分类结果，采用交叉熵损失作为第二损失函数的公式如下：
其中，
为域分类器的交叉熵损失函数，D为域鉴别器表示函数，nt为目标域总样本数量，di为xi对应的领域标签且di＝0or1；
基于全连接层中的MK-MMD的条件概率分布对齐作为第三损失函数：
其中，
是源域第i个样本的高级特征，
是源域第j个样本的高级特征，
是目标域第i个样本的高级特征，
是目标域第j个样本的高级特征，K(.，.)为高斯核函数。
6.根据权利要求5所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S28中总体损失函数如下：
其中，θf,θy,θd和
分别代表特征提取器、分类器、域鉴别器和MK-MMD的参数，系数μ为动态加权系数。
7.根据权利要求6所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S3的具体过程如下：
步骤S31，获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处理，归一化处理后的数据作为基于自适应残差对抗网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功；
步骤S32，重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁移诊断的准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210863740.2A CN115127814A (zh) | 2022-07-20 | 2022-07-20 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210863740.2A CN115127814A (zh) | 2022-07-20 | 2022-07-20 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115127814A true CN115127814A (zh) | 2022-09-30 |
Family
ID=83384095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210863740.2A Pending CN115127814A (zh) | 2022-07-20 | 2022-07-20 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115127814A (zh) |
Cited By (10)
| 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 |
| CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
| CN117009794A (zh) * | 2023-09-27 | 2023-11-07 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117093929A (zh) * | 2023-07-06 | 2023-11-21 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
| CN117131424A (zh) * | 2023-10-25 | 2023-11-28 | 中国移动通信集团设计院有限公司 | 一种训练方法、流量检测方法、装置、设备及介质 |
| CN117252237A (zh) * | 2023-08-25 | 2023-12-19 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| CN117370851A (zh) * | 2023-08-31 | 2024-01-09 | 西南交通大学 | 基于无监督迁移学习的自适应输入长度轴承故障诊断方法 |
| CN117473412A (zh) * | 2023-09-08 | 2024-01-30 | 西南交通大学 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
| CN117892258A (zh) * | 2024-03-12 | 2024-04-16 | 沃德传动（天津）股份有限公司 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
| CN118094342A (zh) * | 2024-04-23 | 2024-05-28 | 山东大学 | 旋转机械无监督域自适应故障诊断方法及系统 |
-
2022
- 2022-07-20 CN CN202210863740.2A patent/CN115127814A/zh active Pending
Cited By (18)
| 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 |
| CN115791174B (zh) * | 2022-12-29 | 2023-11-21 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
| CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
| CN117093929B (zh) * | 2023-07-06 | 2024-03-29 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
| CN117093929A (zh) * | 2023-07-06 | 2023-11-21 | 珠海市伊特高科技有限公司 | 基于无监督域自适应网络的截流过电压预测方法及装置 |
| CN117252237A (zh) * | 2023-08-25 | 2023-12-19 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| CN117252237B (zh) * | 2023-08-25 | 2024-03-01 | 广东工业大学 | 一种高速电主轴小样本热误差建模的弱监督域对抗网络 |
| CN117370851B (zh) * | 2023-08-31 | 2024-04-16 | 西南交通大学 | 基于无监督迁移学习的自适应输入长度轴承故障诊断方法 |
| CN117370851A (zh) * | 2023-08-31 | 2024-01-09 | 西南交通大学 | 基于无监督迁移学习的自适应输入长度轴承故障诊断方法 |
| CN117473412B (zh) * | 2023-09-08 | 2024-05-07 | 西南交通大学 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
| CN117473412A (zh) * | 2023-09-08 | 2024-01-30 | 西南交通大学 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
| CN117009794B (zh) * | 2023-09-27 | 2023-12-15 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117009794A (zh) * | 2023-09-27 | 2023-11-07 | 山东大学 | 一种基于无监督子域自适应的机器故障诊断方法及系统 |
| CN117131424B (zh) * | 2023-10-25 | 2024-02-20 | 中国移动通信集团设计院有限公司 | 一种训练方法、流量检测方法、装置、设备及介质 |
| CN117131424A (zh) * | 2023-10-25 | 2023-11-28 | 中国移动通信集团设计院有限公司 | 一种训练方法、流量检测方法、装置、设备及介质 |
| CN117892258A (zh) * | 2024-03-12 | 2024-04-16 | 沃德传动（天津）股份有限公司 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
| CN117892258B (zh) * | 2024-03-12 | 2024-06-07 | 沃德传动（天津）股份有限公司 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
| CN118094342A (zh) * | 2024-04-23 | 2024-05-28 | 山东大学 | 旋转机械无监督域自适应故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115127814A (zh) | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 | |
| CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
| CN110849626A (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
| 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 | |
| CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
| Tian et al. | Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
| CN113255432B (zh) | 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 | |
| CN116401603A (zh) | 一种基于迁移学习的多模态轴承故障智能诊断方法 | |
| CN115374820A (zh) | 一种基于多源子域适应网络的旋转机械跨域故障诊断方法 | |
| CN115908842A (zh) | 变压器局部放电数据增强与识别方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
| CN117290771A (zh) | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 | |
| Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
| CN114722879A (zh) | 一种基于对抗迁移学习的轴承跨工况故障预测方法 | |
| CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
| CN113724233B (zh) | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
| CN114676733A (zh) | 一种基于稀疏自编码辅助分类生成式对抗网络的复杂供输机构故障诊断方法 | |
| CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
| CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 |
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 |