CN115146675B - 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 - Google Patents
一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 Download PDFInfo
- Publication number
- CN115146675B CN115146675B CN202210740176.5A CN202210740176A CN115146675B CN 115146675 B CN115146675 B CN 115146675B CN 202210740176 A CN202210740176 A CN 202210740176A CN 115146675 B CN115146675 B CN 115146675B
- Authority
- CN
- China
- Prior art keywords
- representing
- loss
- domain
- dynamic
- feature
- 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.)
- Active
Links
- 238000013508 migration Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005012 migration Effects 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 18
- 230000006978 adaptation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法,利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取,得到轴承健康状态的特征;将轴承健康状态的特征向量和类别预测向量进行多线性映射融合,并进行动态多特征对抗迁移诊断训练:通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化;总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失,动态鉴别损失中设有动态对抗因子;优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集,输出目标域装备健康状态。本发明方法提高了目标域工况健康状态的识别精度,能有效识别变工况下旋转机械的健康状态。
Description
技术领域
本发明涉及旋转机械故障诊断技术领域,具体涉及一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法。
背景技术
由于先进的传感器和计算机技术的发展,工业生产中积累了大量的状态监测数据,数据驱动方法在轴承预测中得到了广泛的应用。
机械工业现场工况非常复杂,机械设备的工作运行环境可能发生一定变化,比如设备的工作转速、工作负载以及工业现场噪声等都可能发生变化。开展变工况下机械设备的状态监测与诊断,对可能发生的故障进行检测、诊断和预测,对保证机械的可靠、连续和稳定运行,减少经济损失和运行成本以及避免重大事故发生,具有十分重要的现实需求。
深度学习方法由于其强大的自动特征学习能力在故障诊断领域已取得较大的成功。但其良好的分类性能通常受限于以下两个基本假设:(1)测试数据与训练数据需满足独立同分布;(2)待诊断任务有充足的标签故障样本。
迁移学习放宽了传统机器学习中测试数据和训练数据须服从独立同分布的约束。在迁移学习中,源域任务与目标域任务的特征空间分布不需一致,能够在彼此不同但相关的两个域间挖掘领域不变的本质结构和特征,使得标注数据等有监督信息可在领域间实现迁移和复用。对抗迁移学习通过将对抗学习用于无监督域适应,确实减少了源域和目标域之间的差异,并提高了泛化能力。引入对抗性训练学习类判别特征和域不变特征,并采用加权学习策略来权衡它们对源分类器和域判别器的贡献。现有迁移诊断方法存在以下不足:(1)都是基于单特征迁移,没有充分利用神经网络学习到的特征,捕捉复杂数据分布后的多模态结构;(2)都是基于单个鉴别器进行域适应,没有考虑网络中全局与局部的信息。
发明内容
针对现有技术中存在不足,本发明提供了一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法,能够有效地用于旋转机械中的故障诊断。
本发明是通过以下技术手段实现上述技术目的的。
一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法,具体包括:
采集旋转机械关键部件的振动信号,并利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取,得到轴承健康状态的特征;
将轴承健康状态的特征向量f和类别预测向量g进行多线性映射融合,并进行动态多特征对抗迁移诊断训练;所述进行动态多特征对抗迁移诊断训练的过程是通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化;所述总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失,所述动态鉴别损失中设有动态对抗因子η;
优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集,输出目标域装备健康状态。
进一步地,所述多线性映射融合采用如下公式:
其中:Z(h)为融合后的特征,Z表示融合操作,df表示特征向量f的维数,dg表示特征向量g的维数,d表示融合后的维数,Rf表示特征向量f引入的随机项,Rg表示特征向量g引入的随机项,/>表示拼接操作,/>表示多线性映射,⊙表示维数超过4096时的融合操作。
进一步地,所述总损失函数满足下式:
L(θ)=Ly-λ((1-η)Lg+ηLl)+LMMD
其中,Ly表示标签分类损失,Lg表示全局对抗损失,LMMD表示MMD损失,Ll表示局部对抗损失,λ为平衡系数,θ为训练的模型参数。
更进一步地,所述标签分类损失满足下式:
其中,是数据样本xi属于c类子判别器的概率,Gy为分类器,Gf为特征提取器,C为子判别器的个数,ns表示源域训练样本数,Ds表示源域数据集。
更进一步地,所述全局对抗损失满足下式:
其中,ns表示源域训练样本数,nt表示目标域训练样本数,xi表示数据样本,Ds表示源域数据集,Dt表示目标域数据集,Ld是全局域鉴别损失,di表示全局域标签,Gd(Z(h))为全局域鉴别器输入融合后的特征Z(h)的输出。
更进一步地,所述局部对抗损失满足下式:
其中,分别为c类子判别器及其对应的交叉熵损失函数,/>是数据样本xi在c类子判别器中的预测概率分布,ns表示源域训练样本数,nt表示目标域训练样本数,xi表示数据样本,Ds表示源域数据集,Dt表示目标域数据集,C为子判别器的个数,di表示全局域标签,Z(h)表示融合后的特征。
更进一步地,所述MMD损失满足下式:
其中,f表示核函数,表示源域数据样本,/>表示目标域数据样本,ns表示源域训练样本数,nt表示目标域训练样本数。
进一步地,所述动态对抗因子满足如下公式:
其中,dA,g表示全局A距离,dA,l表示局部A距离,Ds表示源域数据集,Dt表示目标域数据集,和/>分别代表源域的c类训练样本集和目标域的c类训练样本集,C为子判别器的个数。
进一步地,所述旋转机械关键部件包括轴承、齿轮或转子。
进一步地,所述深度神经网络利用一维卷积神经网络构建,包括3个卷积层、3个池化层、1个平铺层、非线性激活函数、3个全连接层和1个分类层。
本发明的有益效果为:
(1)本发明利用深度卷积神经网络直接对旋转机械关键部件的原始振动数据进行特征提取,保留了数据的全部信息,可有效挖掘数据的本质特征;
(2)本发明对旋转机械进行多特征动态对抗迁移诊断,能够能充分利用神经网络学习到的特征,且多线性映射融合引入随机项,能够捕捉到复杂数据分布后的多模态结构;
(3)本发明能同时考虑域之间的边缘分布和条件分布,利用动态对抗因子实现动态调整,最终提高目标域工况健康状态的识别精度。
附图说明
图1为本发明所述深度多特征动态对抗的变工况下旋转机械迁移诊断方法流程图;
图2为本发明所述ABLT-1A试验台实物图;
图3为本发明所述被测轴承的安装实物图;
图4为本发明所述轴承1不同状态实物图;
图5为本发明所述动态对抗因子变化情况图;
图6为本发明所述训练过程中三种损失的变化情况图;
图7为本发明所述t-SNE可视化效果图;
图8为本发明所述分类效果的混淆矩阵图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法,具体包括如下步骤:
步骤(1),采集振动信号:对旋转机械关键部件的振动信号进行采集,旋转机械关键部件包括轴承、齿轮或转子等,关键部件振动信号的采集方法为现有技术,本发明中,以轴承为例,采用如下优选方法进行采集:
步骤(11),轴承安装:将四个轴承同时安装在轴承寿命强化试验台上,轴承寿命强化试验台的型号优选为ABLT-1A,如图2所示,其包括试验头、试验头座、传动系统、加载系统、润滑系统、电气控制系统、数据采集系统组成;
步骤(12),数据采集系统布设:轴承寿命强化试验台的数据采集系统包括四个热电偶和四个加速度传感器,热电偶和加速度传感器均设置在轴承钢体上,热电偶用于拾取四个轴承外圈的温度信号,加速度传感器用于拾取四个轴承的振动数据;
步骤(13),试验工况设计:被测试轴承为6204单列深沟球轴承,轴承安装如图3所示,将四个轴承从左到右依次编号为轴承1、轴承2、轴承3以及轴承4;进一步,轴承2、轴承3、轴承4均为正常的轴承,轴承1设置的状态包括正常(N)、内圈故障(IF)、外圈故障(OF)、内圈外圈复合故障(IOF)四种健康状态,如图4所示;通过电火花线切割试验加工滚动轴承的故障,加工故障宽度为1.2mm,深度为1.8mm;通过在试验机的径向加载挂钩上加载砝码施加径向载荷,径向加载油缸以100:1的比例压力传递给试验头;设计的试验工况有A:1800r/min,5kg;B:2100r/min,5kg;C:2100r/min,10kg;整个试验数据采集卡采用NI 9234,采样频率为12.8kHz;试验工况设计好后,加速度传感器拾取轴承的振动数据,完成振动信号的采集。
步骤(2),特征提取:采用深度神经网络对旋转机械关键部件的振动信号进行特征提取,提取的特征用于识别轴承健康状态
利用一维卷积神经网络构建迁移特征提取的深度神经网络;迁移特征提取的深度神经网络由3个卷积层、3个池化层、1个平铺层、非线性激活函数、3个全连接层和1个分类层构成;迁移特征提取的深度神经网络训练的过程中,参数设置如下:卷积核的长度为101,卷积核滑动步长为2,池化滤波器长度为2,池化滤波器滑动的步长为2,将源域工况和目标域工况(迁移过程中,试验工况A、B、C既可以作为源域工况,也可以作为目标域工况)轴承原始振动信号输入到迁移特征提取的深度神经网络中,输入深度神经网络的样本数据点数为1024,最终输出识别轴承健康状态的特征。
步骤(3),多特征融合
通过公式(1)将轴承健康状态的特征向量f和类别预测向量g通过多线性映射融合之后,输入到动态域鉴别器中;多线性映射模拟了不同变量之间的乘法相互作用,并且多线性映射相比于最大的优势就是:多线性映射/>能够完全捕捉到复杂数据分布后的多模态结构;当数据维度太高时,引入随机项,采用随机策略进行多线性映射,计算过程如下:
其中,Z(h)为融合后的特征,Z表示融合操作,df表示特征向量f的维数,dg表示特征向量g的维数,d表示融合后的维数,Rf表示特征向量f引入的随机项,Rg表示特征向量g引入的随机项,/>表示拼接操作,/>表示多线性映射,⊙表示维数超过4096时的融合操作;
步骤(4),动态多特征对抗迁移诊断训练
动态域鉴别器包括全局域鉴别器和局部域鉴别器,全局域鉴别器和局部域鉴别器均由多层全连接网络串联而成;
全局域鉴别器用于对齐源域和目标域之间在迁移时的边缘分布,全局域鉴别器输入融合后的特征Z(h),输出Gd(Z(h)),Gd(Z(h))与全局域标签di进行损失计算,实现对齐源域和目标域之间在迁移时的边缘分布:
其中,Ld是全局域鉴别损失,ns表示源域训练样本数,nt表示目标域训练样本数,xi表示数据样本,Ds表示源域数据集(由训练样本组成),Dt表示目标域数据集,Lg表示全局对抗损失;
局部域鉴别器用于计算源域与目标域之间在迁移时的条件分布,与全局域鉴别器相比,局部域鉴别器采用多模型结构,能够实现更加细致的迁移学习;局部域鉴别器包含C个子判别器每一个子判别器负责计算c类源域训练样本和目标域训练样本的匹配程度,具体采用如下损失函数进行计算:
式中,分别为c类子判别器及其对应的交叉熵损失函数,/>是数据样本xi在c类子判别器中的预测概率分布,Ll表示局部对抗损失。
在对抗迁移诊断学习的基础上,引入动态对抗因子η,动态对抗因子直接采用域判别器的损失自动微调取值,并采用A-distance计算边缘分布和条件分布;
通过公式(4)计算全局A-distance(A距离),利用公式(5)计算局部A-distance:
dA,g(Ds,Dt)=2(1-2Lg) (4)
其中,dA,g表示全局A距离,dA,l表示局部A距离,和/>分别代表源域的c类训练样本集和目标域的c类训练样本集,/>为局部域鉴别器c类训练样本的损失,CrossEntropy表示交叉熵,/>是第c个子判别器的预测输出集合,dc是实际标签的集合,/>表示源域第c个子判别器的预测输出集合,/>表示目标域第c个子判别器的预测输出集合;
动态对抗因子的计算公式为:
基于高斯核函数构造RKHS,则MMD(Maximum Mean Discrepancy,最大均值差异)的经验估计可表达为:
其中,f表示核函数,表示源域数据样本,/>表示目标域数据样本。
标签分类器的功能是对源域样本进行故障辨识,由于源域具有标签,因此采用有监督方式对标签分类器进行训练,采用交叉熵函数作为损失函数:
其中,是数据样本xi属于类别c的概率,Gy为分类器,Gf为特征提取器,Ly表示标签分类损失。
总损失函数包含三部分:标签分类器损失函数、动态鉴别损失和MMD损失,总损失的计算表达式如下:
L(θ)=Ly-λ((1-η)Lg+ηLl)+LMMD (9)
其中,λ为平衡系数,θ为训练的模型参数。
动态对抗因子能够在每一次迭代中动态调整,并计算出总损失相应的值。
通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化,动态多特征对抗迁移诊断网络框架如图1所示,包括深度神经网络、多特征融合网络和动态鉴别网络。
平衡系数λ和η同时控制着动态域鉴别器,本实施例中λ设置为1。动态对抗因子η变化情况如图5所示,η在1左右波动,对动态多特征对抗迁移诊断网络进行动态调整。优化过程中损失函数的变化情况如图6所示,训练的学习率为10-3,总损失和动态鉴别损失随着训练,后期渐渐趋于稳定,优化完成,将模型参数θ保存。
步骤(5),旋转机械目标工况健康状态识别
优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集,输出目标域装备健康状态;目标域装备健康状态可视化的情况如图7所示(t-SNE(t-distributed stochastic neighbor embedding)降维效果),其对应的混淆矩阵如图8所示。
为了进一步验证本发明的有效性,用另外4种方法进行了对比。方法1没有经过领域适配,直接将源域训练学习的知识去诊断目标域工况;方法2通过最大均值差异(MaximumMean Discrepancy,MMD)方法缩小源域工况和目标域工况之间的差异;方法3通过CORAL损失来进行领域适配;方法4采用条件对抗迁移(Conditional Adversarial DomainAdaptation,CDAN)方法进行领域适配。表1显示了本发明方法与4种方法的对比情况,从表1可以看出,本发明方法对目标工况的识别准确率高于对比方法,准确率的平均值分别比对比方法高27.2%、16.6%、21.0%、6.7%。
表1不同迁移诊断方法对比
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法,其特征在于:
采集旋转机械关键部件的振动信号,并利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取,得到轴承健康状态的特征;
将轴承健康状态的特征向量f和类别预测向量g进行多线性映射融合,并进行动态多特征对抗迁移诊断训练;所述进行动态多特征对抗迁移诊断训练的过程是通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化;所述总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失,所述动态鉴别损失中设有动态对抗因子η;
所述多线性映射融合采用如下公式:
其中:Z(h)为融合后的特征,Z表示融合操作,df表示特征向量f的维数,dg表示特征向量g的维数,d表示融合后的维数,Rf表示特征向量f引入的随机项,Rg表示特征向量g引入的随机项,/>表示多线性映射,⊙表示维数超过4096时的融合操作;
所述总损失函数满足下式:
L(θ)=Ly-λ((1-η)Lg+ηLl)+LMMD
其中,Ly表示标签分类损失,Lg表示全局对抗损失,LMMD表示MMD损失,Ll表示局部对抗损失,λ为平衡系数,θ为训练的模型参数;
所述动态对抗因子满足如下公式:
其中,dA,g表示全局A距离,dA,l表示局部A距离,Ds表示源域数据集,Dt表示目标域数据集,和/>分别代表源域的c类训练样本集和目标域的c类训练样本集,C为子判别器的个数;/> 为局部域鉴别器c类训练样本的损失;
优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集,输出目标域装备健康状态。
2.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述标签分类损失满足下式:
其中,是数据样本xi属于c类子判别器的概率,Gy为分类器,Gf为特征提取器,C为子判别器的个数,ns表示源域训练样本数,Ds表示源域数据集。
3.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述全局对抗损失满足下式:
其中,ns表示源域训练样本数,nt表示目标域训练样本数,xi表示数据样本,Ds表示源域数据集,Dt表示目标域数据集,Ld是全局域鉴别损失,di表示全局域标签,Gd(Z(h))为全局域鉴别器输入融合后的特征Z(h)的输出。
4.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述局部对抗损失满足下式:
其中,分别为c类子判别器及其对应的交叉熵损失函数,/>是数据样本xi在c类子判别器中的预测概率分布,ns表示源域训练样本数,nt表示目标域训练样本数,xi表示数据样本,Ds表示源域数据集,Dt表示目标域数据集,C为子判别器的个数,di表示全局域标签,Z(h)表示融合后的特征。
5.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述MMD损失满足下式:
其中,f表示核函数,表示源域数据样本,/>表示目标域数据样本,ns表示源域训练样本数,nt表示目标域训练样本数。
6.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述旋转机械关键部件包括轴承、齿轮或转子。
7.根据权利要求1所述的变工况下旋转机械迁移诊断方法,其特征在于,所述深度神经网络利用一维卷积神经网络构建,包括3个卷积层、3个池化层、1个平铺层、非线性激活函数、3个全连接层和1个分类层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740176.5A CN115146675B (zh) | 2022-06-28 | 2022-06-28 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740176.5A CN115146675B (zh) | 2022-06-28 | 2022-06-28 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146675A CN115146675A (zh) | 2022-10-04 |
CN115146675B true CN115146675B (zh) | 2023-09-26 |
Family
ID=83410761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210740176.5A Active CN115146675B (zh) | 2022-06-28 | 2022-06-28 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304878A (zh) * | 2023-03-28 | 2023-06-23 | 江苏大学 | 一种基于熵最大化的变工况下旋转机械迁移诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN113139664A (zh) * | 2021-04-30 | 2021-07-20 | 中国科学院计算技术研究所 | 一种跨模态的迁移学习方法 |
CN113884300A (zh) * | 2021-09-24 | 2022-01-04 | 郑州恩普特科技股份有限公司 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
CN114048568A (zh) * | 2021-11-17 | 2022-02-15 | 大连理工大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582008B (zh) * | 2019-02-19 | 2023-09-08 | 富士通株式会社 | 训练分类模型的装置和方法及利用分类模型分类的装置 |
-
2022
- 2022-06-28 CN CN202210740176.5A patent/CN115146675B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN113139664A (zh) * | 2021-04-30 | 2021-07-20 | 中国科学院计算技术研究所 | 一种跨模态的迁移学习方法 |
CN113884300A (zh) * | 2021-09-24 | 2022-01-04 | 郑州恩普特科技股份有限公司 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
CN114048568A (zh) * | 2021-11-17 | 2022-02-15 | 大连理工大学 | 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 |
Non-Patent Citations (2)
Title |
---|
基于数据融合的滚动轴承故障诊断研究;黄银花;;电气传动自动化(第03期);全文 * |
基于迁移学习的轴承剩余使用寿命预测方法;王新刚 等;东北大学学报;第42卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115146675A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
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 | |
Zhang et al. | Semi-supervised bearing fault diagnosis and classification using variational autoencoder-based deep generative models | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
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 | |
CN112232366A (zh) | 一种基于rfid监测的电气设备故障预警方法及系统 | |
CN110119756B (zh) | 一种基于投票法的趋势性数据特征自动选择方法 | |
CN115146675B (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
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 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN114282443A (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
Sohaib et al. | Deep learning for data-driven predictive maintenance | |
Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
Felix et al. | A feature selection committee method using empirical mode decomposition for multiple fault classification in a wind turbine gearbox | |
CN116383739A (zh) | 基于域自适应的多模态数据融合的智能故障诊断方法 | |
CN113962289B (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及系统 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
Zhuang et al. | Remaining useful life estimation under variable failure behaviors via transferable metric learning |
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 |