CN115345255A - 一种故障诊断方法、控制装置、终端及存储介质 - Google Patents

一种故障诊断方法、控制装置、终端及存储介质 Download PDF

Info

Publication number
CN115345255A
CN115345255A CN202211053005.1A CN202211053005A CN115345255A CN 115345255 A CN115345255 A CN 115345255A CN 202211053005 A CN202211053005 A CN 202211053005A CN 115345255 A CN115345255 A CN 115345255A
Authority
CN
China
Prior art keywords
domain
fault
stage
multistage
training
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
Application number
CN202211053005.1A
Other languages
English (en)
Inventor
熊辉
刘检华
苏凯鸽
丁晓宇
庄存波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211053005.1A priority Critical patent/CN115345255A/zh
Publication of CN115345255A publication Critical patent/CN115345255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本申请提供了一种故障诊断方法、控制装置、终端及存储介质，其中，方法包括：获取第一工况下的源域数据集以及第二工况下的目标域数据集；确定第一预设数量的源域训练样本和第二预设数量的目标域训练样本；构建包括多级特征提取器、多级故障分类器和多级领域判别器的MDACNN；在训练阶段，根据源域训练样本和目标域训练样本对多级故障分类器和多级领域判别器交替进行对抗优化；在测试阶段，输入测试样本至MDACNN，得到测试样本的诊断结果。本申请通过最小化故障分类损失保证故障分类，最大化领域判别损失使特征提取器提取到的源域数据和目标域数据的特征越来越相似，使得训练的MDACNN可适应不同工况。

Description

一种故障诊断方法、控制装置、终端及存储介质
技术领域
本申请涉及故障检测技术领域，特别涉及一种故障诊断方法、控制装置、终端及存储介质。
背景技术
旋转机械结构例如滚动轴承是机械设备中常用的关键部件之一，由于复杂和极端的工作条件，滚动轴承在工作过程中非常容易发生故障，这些故障不仅会影响机械系统的正常运行，造成经济损失，甚至可能会威胁人身安全。因此，对轴承的健康状况进行实时监控，自动、准确地诊断滚动轴承工作过程中产生的故障对保证机械设备的安全可靠运行具有重要的意义和价值。
近年来深度学习掀起了故障智能诊断的浪潮。然而，深度学习模型的成功依赖于训练和测试数据分布的一致性。但是在实际应用过程中，由于复杂多变的工作条件，传感器采集的数据不可避免地会出现分布差异，当训练数据和测试数据服从不同的分布时，训练得到的模型很有可能会失效。因此，如何实现有效的域转移来消除训练域和测试域之间的特征分布差异成为一个巨大的挑战。
发明内容
本申请实施例要达到的技术目的是提供一种故障诊断方法、控制装置、终端及存储介质，用以解决当前由于在不同工况下采集的数据会存在分布差异，导致预先训练的模型无法适应复杂工况。
为解决上述技术问题，本申请实施例提供了一种故障诊断方法，包括：
获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集；
从所述源域数据集确定第一预设数量的源域训练样本，并从所述目标域数据集中确定第二预设数量的目标域训练样本；
构建多级领域对抗卷积神经网络模型(Multi-level Domain AdversarialConvolutional Neural Network，简称MDACNN)，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据；
在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化；
在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。
具体地，如上所述的故障诊断方法，所述多级特征提取器包括：第三预设数量的特征提取单元以及第四预设数量的特征输出端口，所述特征提取单元依次堆叠用于提取不同级别的故障特征，所述第三预设数量大于或等于所述第四预设数量；
所述多级故障分类器包括：所述第四预设数量的分类预测单元，且每个所述分类预测单元通过所述特征输出端口与所述多级特征提取器连接；
所述多级领域判别器包括：所述第四预设数量的领域判别单元，且每个所述领域判别单元通过所述特征输出端口与所述多级特征提取器连接。
进一步的，如上所述的故障诊断方法，所述特征提取单元包括：一个卷积层、一个批量归一化层、一个激活层和一个池化层；
所述分类预测单元和所述领域判别单元均包括：一个全连接层和一个softmax层。
优选地，如上所述的故障诊断方法，所述多级领域判别器和所述特征提取器之间设置有梯度反转层。
具体地，如上所述的故障诊断方法，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化，其中，对所述多级领域判别器进行优化，包括：
固定所述多级故障分类器的参数，通过一组所述源域训练样本和所述目标域训练样本对所述多级领域判别器进行训练，并更新所述多级领域判别器和所述特征提取器的参数，其中，领域判别损失目标函数为：
Figure BDA0003824048330000031
其中，Bk表示第k个领域损失权重；
Figure BDA0003824048330000032
表示第k个领域判别单元的损失值；
n+m表示源域训练样本和目标域训练样本的总数量；
di是第i个训练样本的领域标签；
Figure BDA0003824048330000033
为第k个领域判别单元对第i个训练样本的领域预测值。
具体地，如上所述的故障诊断方法，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化，其中，对所述多级故障分类器进行优化，包括：
固定所述多级领域判别器的参数，通过一组所述源域训练样本对所述多级故障分类器进行训练，并更新所述多级故障分类器和所述特征提取器的参数，其中，故障分类损失目标函数为：
Figure BDA0003824048330000034
其中，Ak表示第k个分类预测单元的分类损失权重；
Figure BDA0003824048330000035
表示第k个分类预测单元的损失值；
n表示源域训练样本的数量；
Figure BDA0003824048330000036
是第i个源域训练样本在第k个分类级别的分类标签；
Figure BDA0003824048330000037
为模型对第i个源域训练样本在第k个分类级别的分类预测值。
进一步的，如上所述的故障诊断方法，还包括：
在所述训练阶段，当训练次数达到预设次数时，确定训练结束。
本申请的另一实施例还提供了一种控制装置，包括：
第一处理模块，用于获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集；
第二处理模块，用于从所述源域数据集确定第一预设数量的源域训练样本，从所述目标域数据集中确定第二预设数量的目标域训练样本；
第三处理模块，用于构建MDACNN，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据；
第四处理模块，用于在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化；
第五处理模块，用于在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。
本申请的又一实施例还提供了一种终端，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的故障诊断方法的步骤。
本申请的再一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的故障诊断方法的步骤。
与现有技术相比，本申请实施例提供的一种故障诊断方法、控制装置、终端及存储介质，至少具有以下有益效果：
本申请通过构建包括多级特征提取器、多级故障分类器和多级领域判别器的MDACNN，并根据不同工况下的源域数据集和目标域数据集中的数据对多级故障分类器和多级领域判别器交替进行对抗优化，在通过最小化故障分类损失保证故障分类的精准度的基础上，通过最大化领域判别损失来使多级领域判别器无法准确判断样本属于源域还是目标域，使特征提取器提取到的源域数据和目标域数据的特征越来越相似，进而使得在源域数据基础上训练的MDACNN可以很好的推广到目标域数据的故障分类中。
附图说明
图1为本申请的故障诊断方法的流程示意图；
图2为本申请的MDACNN的结构示意图；
图3为本申请的控制装置的结构示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
参见图1，本申请的一实施例提供了一种故障诊断方法，包括：
步骤S101，获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集。
在一些实施例中，通过信号采集装置对要进行故障诊断的旋转机械结构进行监测，来获取不同工况下能够反映旋转机械机构工作和故障状态的信息，包括但不限于振动信号，并根据工况进行分类，构建该源域数据集和目标域数据集，以便于后续根据该源域数据集和目标域数据集中的数据进行训练和测试。需要说明的是，当采用振动信号作为源域数据和目标域数据时，该源域数据和目标域数据中包括故障特征频率的至少一个周期长度的数据段。
在一些实施例中，源域数据为具有故障标签的数据，目标域数据为没有故障标签的数据。
步骤S102，从所述源域数据集确定第一预设数量的源域训练样本，并从所述目标域数据集中确定第二预设数量的目标域训练样本。需要说明的是，此步骤中的源域训练样本和目标域训练样本的最大值根据对应工况下可支持的检测次数确定，优选为在不进一步影响旋转机械结构使用寿命和损伤程度的前提下确定对应的第一预设数量和第二预设数量，且，第一预设数量和第二预设数量的值可相同。
步骤S103，构建MDACNN，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据。在此步骤中，所构建的MDACNN包括多级特征提取器、多级故障分类器和多级领域判别器(如图2所示)，其中，训练模型时最小化多级故障分类器的分类损失使得模型在源域数据上能够获得出色的诊断性能，最大化多级领域判别器的领域损失使得多级特征提取器提取到的源域和目标域特征越来越相似，以使多级故障分类器和多级领域判别器构成一个对抗。
具体地，多级特征提取器包括：第三预设数量的特征提取单元，以及第四预设数量的特征输出端口，且所述特征提取单元依次堆叠用于提取不同级别的故障特征，从而将故障进行分级，在一具体实施例中，对于滚动轴承的故障根据“轴承状态、故障位置、损伤程度”进行递进的三层分级，且通过特征输出端口将提取的不同等级的故障特征输出至多级故障分类器和多级领域判别器，并分别进行故障诊断和领域对齐。需要说明的是，所述第三预设数量大于或等于所述第四预设数量，即输出的故障特征级别数可少于特征提取单元数，有利于根据不同的被检测结构，输出不同级别的故障特征，进而提高该MDACNN的适用范围，并有利于进行各性化配置。
具体地，所述多级故障分类器包括：所述第四预设数量的分类预测单元，且每个所述分类预测单元通过所述特征输出端口与所述多级特征提取器连接；从而使得多级故障分类器根据所述多级特征提取器输出的每一级别的故障特征进行多级的故障诊断，从而在训练时可对多级故障分类器进行多级的训练，以保证在测试阶段或实际使用阶段进行故障诊断的准确性。
所述多级领域判别器包括：所述第四预设数量的领域判别单元，且每个所述领域判别单元通过所述特征输出端口与所述多级特征提取器连接；从而使得多级领域判别器根据输出的每一级别的故障特征进行属于源域数据集还是目标域数据集的判别，以便于进行多级的领域对齐，从而在训练时可对多级领域判别器进行多级的训练，以多方面地消除目标域数据和源域数据之间的特征分布差异，进而便于对在测试阶段或实际使用阶段将目标域数据识别为源域数据，并对其进行故障分类，提高该MDACNN对不同工况的适用范围。
需要说明的是，在构建MDACNN时，会对应第一工况的故障诊断任务，确定其网络配置，并基于该网络配置对初始化的多级特征提取器、多级故障分类器和多级领域判别器进行配置，其中，该网络配置包括但不限于：故障类别的数量、第三数量、第四数量、以及特征提取单元的具体结构参数等。
在一具体实施例中，所述特征提取单元包括：一个卷积层、一个批量归一化层、一个激活层和一个池化层；
所述分类预测单元和所述领域判别单元均包括：一个全连接层和一个softmax层。
步骤S104，在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化。也就是说，在训练阶段对MDACNN进行训练时，采用交替优化的方式对多级故障分类器和多级领域判别器分别进行优化，即，预先将目标域训练样本和源域训练样本构成训练样本组，在训练时，针对构建的训练样本组交替对多级故障分类器和多级领域判别器进行训练；使得可在一个相对稳健的环境中进行训练，有利于保证每一训练步骤中进行优化的效果，且通过交替的进行对抗优化可以在通过最小化故障分类损失保证故障分类的精准度的基础上，通过最大化领域判别损失来使多级领域判别器无法准确判断样本属于源域还是目标域，使特征提取器提取到的源域数据和目标域数据的特征越来越相似，进而使得在源域数据基础上训练的MDACNN可以很好地推广到目标域数据的故障分类中。
需要说明的是，源域训练样本和/或目标域训练样本较少时，可通过重叠采样等方式对样本数据进行扩充。
需要说明的是，在交替对多级领域判别器和多级故障分类器优化的过程中均会对多级特征提取器进行优化。
步骤S105，在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。在此步骤中，当MDACNN经过训练阶段的训练后，可确定该MDACNN已经可以对第一工况和第二工况下的故障情况进行故障诊断，此时为保证MDACNN对第二工况进行故障诊断的准确性，还可通过输出来自目标域数据集的测试样本至MDACNN进行测试，当测试结果的准确性达到要求时再用于实际；或者，直接将该测试阶段作为实际应用，进行实际的故障诊断。综上所述，本申请通过构建包括多级特征提取器、多级故障分类器和多级领域判别器的MDACNN，并根据不同工况下的源域数据集和目标域数据集中的数据对多级故障分类器和多级领域判别器交替进行对抗优化，在通过最小化故障分类损失保证故障分类的精准度的基础上，通过最大化领域判别损失来使多级领域判别器无法准确判断样本属于源域还是目标域，使特征提取器提取到的源域数据和目标域数据的特征越来越相似，进而使得在源域数据基础上训练的MDACNN可以很好地推广到目标域数据的故障分类中。
还需要说明的是，如上所述的故障诊断方法，所述多级领域判别器和所述特征提取器之间设置有梯度反转层。
具体地，如上所述的故障诊断方法，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化，其中，对所述多级领域判别器进行优化，包括：
固定所述多级故障分类器的参数，通过一组所述源域训练样本和所述目标域训练样本对所述多级领域判别器进行训练，并更新所述多级领域判别器和所述特征提取器的参数，其中，由于领域判别损失目标函数是所有领域判别单元损失值的加权总和，定义为：
Figure BDA0003824048330000091
其中，Bk表示第k个领域损失权重，其介于0和1之间，包括0和1，且所有领域判别单元的权重总和为1；
Figure BDA0003824048330000092
表示第k个领域判别单元的损失值，优选采用交叉熵函数，即
Figure BDA0003824048330000093
n+m表示源域训练样本和目标域训练样本的总数量；
di是第i个训练样本的领域标签；
Figure BDA0003824048330000094
为第k个领域判别单元对第i个训练样本的领域预测值。
具体地，如上所述的故障诊断方法，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化，其中，对所述多级故障分类器进行优化，包括：
固定所述多级领域判别器的参数，通过一组所述源域训练样本对所述多级故障分类器进行训练，并更新所述多级故障分类器和所述特征提取器的参数，其中，由于故障分类损失目标函数是所有分类预测单元损失值的加权总和，定义为：
Figure BDA0003824048330000095
其中，Ak表示第k个分类预测单元的分类损失权重，其介于0和1之间，包括0和1，且所有分类预测单元的权重总和为1；
Figure BDA0003824048330000096
表示第k个分类预测单元的损失值，优选采用交叉熵函数，即
Figure BDA0003824048330000097
n表示源域训练样本的数量；
Figure BDA0003824048330000098
是第i个源域训练样本在第k个分类级别的分类标签；
Figure BDA0003824048330000101
为模型对第i个源域训练样本在第k个分类级别的分类预测值。
进一步地，如上所述的故障诊断方法，还包括：
在所述训练阶段，当训练次数达到预设次数时，确定训练结束。
在本申请的一具体实施例中，确定训练结束的判断条件为训练次数，即通过预先确定需要进行训练的预设次数，当训练次数达到该预设次数时，确定训练结束，需要说明的是，多级领域判别器一次训练为执行一次多级领域判别器优化和一次故障分类器优化。
可选地，训练结束的判断条件还可以为判断故障分类损失目标函数的值达到第一阈值和/或领域判别损失目标函数的值达到第二阈值。
参见图3，本申请的另一实施例还提供了一种控制装置，包括：
第一处理模块301，用于获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集；
第二处理模块302，用于从所述源域数据集确定第一预设数量的源域训练样本，从所述目标域数据集中确定第二预设数量的目标域训练样本；
第三处理模块303，用于构建MDACNN，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据；
第四处理模块304，用于在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化；
第五处理模块305，用于在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。
具体地，如上所述的控制装置，所述多级特征提取器包括：第三预设数量的特征提取单元以及第四预设数量的特征输出端口，所述特征提取单元依次堆叠用于提取不同级别的故障特征，所述第三预设数量大于或等于所述第四预设数量；
所述多级故障分类器，包括：所述第四预设数量的分类预测单元，且每个所述分类预测单元通过所述特征输出端口与所述多级特征提取器连接；
所述多级领域判别器包括：所述第四预设数量的领域判别单元，且每个所述领域判别单元通过所述特征输出端口与所述多级特征提取器连接。
进一步地，如上所述的控制装置，所述特征提取单元包括：一个卷积层、一个批量归一化层、一个激活层和一个池化层；
所述分类预测单元和所述领域判别单元均包括：一个全连接层和一个softmax层。
优选地，如上所述的控制装置，所述多级领域判别器和所述特征提取器之间设置有梯度反转层。
具体地，如上所述的控制装置，所述第四处理模块中，对所述多级领域判别器进行优化，包括：
第一处理子模块，用于固定所述多级故障分类器的参数，通过一组所述源域训练样本和所述目标域训练样本对所述多级领域判别器进行训练，并更新所述多级领域判别器和所述特征提取器的参数，其中，领域判别损失目标函数为：
Figure BDA0003824048330000111
其中，Bk表示第k个领域损失权重；
Figure BDA0003824048330000112
表示第k个领域判别单元的损失值；
n+m表示源域训练样本和目标域训练样本的总数量；
di是第i个训练样本的领域标签；
Figure BDA0003824048330000113
为第k个领域判别单元对第i个训练样本的领域预测值。
具体地，如上所述的控制装置，所述第四处理模块中，对所述多级故障分类器进行优化，包括：
第二处理子模块，用于固定所述多级领域判别器的参数，通过一组所述源域训练样本对所述多级故障分类器进行训练，并更新所述多级故障分类器和所述特征提取器的参数，其中，故障分类损失目标函数为：
Figure BDA0003824048330000114
其中，Ak表示第k个分类预测单元的分类损失权重；
Figure BDA0003824048330000121
表示第k个分类预测单元的损失值；
n表示源域训练样本的数量；
Figure BDA0003824048330000122
是第i个源域训练样本在第k个分类级别的分类标签；
Figure BDA0003824048330000123
为模型对第i个源域训练样本在第k个分类级别的分类预测值。
进一步的，如上所述的控制装置，还包括：
第五处理模块，用于在所述训练阶段，当训练次数达到预设次数时，确定训练结束。
本申请的控制装置的实施例是与上述方法的实施例对应的控制装置，上述方法实施例中的所有实现手段均适用于该控制装置的实施例中，也能达到相同的技术效果。
本申请的又一实施例还提供了一种终端，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的故障诊断方法的步骤。
本申请的再一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的故障诊断方法的步骤。
此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种故障诊断方法，其特征在于，包括：
获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集；
从所述源域数据集确定第一预设数量的源域训练样本，并从所述目标域数据集中确定第二预设数量的目标域训练样本；
构建多级领域对抗卷积神经网络模型MDACNN，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据；
在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化；
在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述多级特征提取器包括：第三预设数量的特征提取单元以及第四预设数量的特征输出端口，所述特征提取单元依次堆叠用于提取不同级别的故障特征，所述第三预设数量大于或等于所述第四预设数量；
所述多级故障分类器包括：所述第四预设数量的分类预测单元，且每个所述分类预测单元通过所述特征输出端口与所述多级特征提取器连接；
所述多级领域判别器包括：所述第四预设数量的领域判别单元，且每个所述领域判别单元通过所述特征输出端口与所述多级特征提取器连接。
3.根据权利要求2所述的故障诊断方法，其特征在于，所述特征提取单元包括：一个卷积层、一个批量归一化层、一个激活层和一个池化层；
所述分类预测单元和所述领域判别单元均包括：一个全连接层和一个softmax层。
4.根据权利要求2所述的故障诊断方法，其特征在于，所述多级领域判别器和所述特征提取器之间设置有梯度反转层。
5.根据权利要求1所述的故障诊断方法，其特征在于，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器交替进行对抗优化，其中，对所述多级领域判别器进行优化，包括：
固定所述多级故障分类器的参数，通过一组所述源域训练样本和所述目标域训练样本对所述多级领域判别器进行训练，并更新所述多级领域判别器和所述特征提取器的参数，其中，领域判别损失目标函数为：
Figure FDA0003824048320000021
其中，Bk表示第k个领域损失权重；
Figure FDA0003824048320000022
表示第k个领域判别单元的损失值；
n+m表示源域训练样本和目标域训练样本的总数量；
di是第i个训练样本的领域标签；
Figure FDA0003824048320000023
为第k个领域判别单元对第i个训练样本的领域预测值。
6.根据权利要求1所述的故障诊断方法，其特征在于，所述在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化，其中，对所述多级故障分类器进行优化，包括：
固定所述多级领域判别器的参数，通过一组所述源域训练样本对所述多级故障分类器进行训练，并更新所述多级故障分类器和所述特征提取器的参数，其中，故障分类损失目标函数为：
Figure FDA0003824048320000024
其中，Ak表示第k个分类预测单元的分类损失权重；
Figure FDA0003824048320000025
表示第k个分类预测单元的损失值；
n表示源域训练样本的数量；
Figure FDA0003824048320000026
是第i个源域训练样本在第k个分类级别的分类标签；
Figure FDA0003824048320000027
为模型对第i个源域训练样本在第k个分类级别的分类预测值。
7.根据权利要求1所述的故障诊断方法，其特征在于，还包括：
在所述训练阶段，当训练次数达到预设次数时，确定训练结束。
8.一种控制装置，其特征在于，包括：
第一处理模块，用于获取第一工况下关于已知故障的源域数据集，以及第二工况下关于未知故障的目标域数据集；
第二处理模块，用于从所述源域数据集确定第一预设数量的源域训练样本，从所述目标域数据集中确定第二预设数量的目标域训练样本；
第三处理模块，用于构建MDACNN，所述MDACNN包括：多级特征提取器、多级故障分类器和多级领域判别器，其中，所述多级特征提取器用于从所述目标域数据和所述源域数据中提取有效的故障特征，所述多级故障分类器用于对所述源域数据进行分级诊断，所述多级领域判别器用于分级判断输入的样本为所述源域数据还是所述目标域数据；
第四处理模块，用于在训练阶段，根据所述源域训练样本和所述目标域训练样本对所述MDACNN中的所述多级故障分类器和所述多级领域判别器进行交替优化；
第五处理模块，用于在测试阶段，输入测试样本至所述MDACNN，得到所述测试样本的诊断结果，所述测试样本为所述目标域数据集中未进行训练的数据。
9.一种终端，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的故障诊断方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的故障诊断方法的步骤。
CN202211053005.1A 2022-08-31 2022-08-31 一种故障诊断方法、控制装置、终端及存储介质 Pending CN115345255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211053005.1A CN115345255A (zh) 2022-08-31 2022-08-31 一种故障诊断方法、控制装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211053005.1A CN115345255A (zh) 2022-08-31 2022-08-31 一种故障诊断方法、控制装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN115345255A true CN115345255A (zh) 2022-11-15

Family

ID=83956492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211053005.1A Pending CN115345255A (zh) 2022-08-31 2022-08-31 一种故障诊断方法、控制装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN115345255A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统
CN117372416A (zh) * 2023-11-13 2024-01-09 北京透彻未来科技有限公司 一种对抗训练的高鲁棒性数字病理切片诊断系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统
CN117372416A (zh) * 2023-11-13 2024-01-09 北京透彻未来科技有限公司 一种对抗训练的高鲁棒性数字病理切片诊断系统及方法

Similar Documents

Publication Publication Date Title
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN115345255A (zh) 一种故障诊断方法、控制装置、终端及存储介质
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN110298235B (zh) 基于流形约束自编码网络的高光谱异常检测方法及系统
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
CN113935406A (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN113542241B (zh) 一种基于CNN-BiGRU混合模型的入侵检测方法及装置
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN112767106B (zh) 自动化审计方法、系统、计算机可读存储介质及审计设备
CN113159126B (zh) 基于通用域适应的工业物联网设备故障诊断方法
CN113375941A (zh) 高速动车组轴承的开集故障诊断方法
CN114358124A (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
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN114358125A (zh) 一种基于多源信息深度融合的旋转机械故障自动识别方法
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
CN113126489A (zh) 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法
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
CN116881841A (zh) 一种基于F1-score多级决策分析的混合模型故障诊断方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN110631827B (zh) 一种基于改进协同表示分类的齿轮箱故障诊断方法

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