CN115356105A - 轴承故障诊断方法、装置、电子设备及可读存储介质 - Google Patents
轴承故障诊断方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115356105A CN115356105A CN202211053321.9A CN202211053321A CN115356105A CN 115356105 A CN115356105 A CN 115356105A CN 202211053321 A CN202211053321 A CN 202211053321A CN 115356105 A CN115356105 A CN 115356105A
- Authority
- CN
- China
- Prior art keywords
- bearing
- diagnosis
- fault diagnosis
- fault
- classification
- 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 299
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 135
- 238000000605 extraction Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种轴承故障诊断方法、装置、电子设备及可读存储介质。该轴承故障诊断方法包括：将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出待诊断轴承的故障诊断结果；其中，故障诊断结果包括在多个诊断级别上的诊断结果；轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；领域分布损失是基于源域样本和目标域样本之间在多个诊断级别上的分布距离确定的；源域样本和目标域样本均是根据轴承的振动数据获得的，源域样本包括标签。本发明的方案，在多个诊断级别上训练模型，提高轴承故障诊断精度。
Description
技术领域
本发明涉及故障诊断技术领域，特别涉及一种轴承故障诊断方法、装置、电子设备及可读存储介质。
背景技术
轴承是旋转机械的关键部件，其运行状态会直接影响整个机械系统的安全。在实际生产过程中，轴承故障不仅会影响生产效率，造成重大经济损失，甚至会威胁人身安全，因此对轴承故障进行自动、精确的诊断至关重要。近年来在智能制造、工业大数据的推动下，基于深度学习的故障诊断方法受到了广泛关注。
通常当训练数据和测试数据的特征分布一致时，基于深度学习的诊断模型可以提供良好的诊断结果。然而在实践中，考虑到机器工况的变化，传感器采集的振动信号不可避免地会出现分布偏差，很难确保训练数据和测试数据服从相同的分布。如果将一种工况下训练的诊断模型应用在不同的测试工况下，诊断性能可能会急剧恶化。
发明内容
本发明的目的是提供一种轴承故障诊断方法、装置、电子设备及可读存储介质，用以解决现有技术工况发生变化时轴承故障诊断精度较低的问题。
为达到上述目的，本发明采用如下技术方案：
本发明实施例提供一种轴承故障诊断方法，包括：
将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
可选地，所述的轴承故障诊断方法，其中，所述多个诊断级别包括轴承状态诊断级别、故障位置诊断级别和损伤程度诊断级别。
可选地，所述的轴承故障诊断方法，其中，所述将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果，包括：
将所述待诊断轴承的振动数据输入完成训练的故障诊断模型的第一特征提取模块，依次输出与每一诊断级别对应的特征向量；
将与每一诊断级别对应的特征向量输入所述故障诊断模型的故障分类模块中，获取与每一诊断级别对应的诊断结果。
可选地，所述的轴承故障诊断方法，其中，在所述将待诊断轴承的测试样本输入已完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果之前，所述方法还包括：
将所述源域样本输入所述轴承故障诊断模型的第一特征提取模块依次输出多个第一特征向量，以及将所述目标域样本输入所述轴承故障诊断模型的第二特征提取模块依次输出多个第二特征向量；
将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，以及将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离；
根据所述分类结果和分类损失权重确定所述故障分类损失，以及根据所述分布距离和分布损失权重确定所述领域分布损失；
根据所述故障分类损失、所述领域分布损失和所述领域分布损失的权衡参数，构建目标函数；
以所述目标函数最小化为训练目标，训练所述轴承故障诊断模型。
可选地，所述的轴承故障诊断方法，其中，所述第一特征提取模块和所述第二特征提取模块均包括依次连接的多个特征提取子模块；
其中，所述特征提取子模块包括卷积层、批量归一化层、激活层和池化层。
可选地，所述的轴承故障诊断方法，其中，所述将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，包括：
将所述多个第一特征向量输入所述故障分类模块的分支结构中，获得与每一诊断级别对应的第一目标特征向量；
对所述第一目标特征向量进行预测，获取与每一诊断级别对应的分类结果。
可选地，所述的轴承故障诊断方法，其中，所述将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离，包括：
将所述多个第二特征向量输入所述领域自适应模块的分支结构中，获得与每一诊断级别对应的第二目标特征向量；
在所述领域自适应模块的领域自适应层，计算与每一诊断级别对应的所述第一目标特征向量和所述第二目标特征向量之间的最大均值差异；
根据所述最大均值差异，获取与每一诊断级别对应的分布距离。
可选地，所述的轴承故障诊断方法，其中，所述根据所述分类结果和分类损失权重确定所述故障分类损失，包括：
根据所述分类结果和所述源域样本包括的标签，获取与所述分类结果对应的分类损失值；
根据所述分类损失值和所述分类损失权重，确定所述故障分类损失。
本发明实施例还提供一种电子设备，包括处理器和收发机；
所述处理器用于，将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
本发明实施例还提供一种轴承故障诊断装置，包括：
诊断模块，用于将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
本发明实施例还提供一种电子设备，包括：收发机、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程序或指令；所述处理器执行所述程序或指令时实现如上所述的轴承故障诊断方法中的步骤。
本发明实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上任一项所述的轴承故障诊断方法中的步骤。
本发明的上述技术方案的有益效果如下：
采用本发明实施例所述轴承故障诊断方法，轴承故障诊断模型从多个诊断级别上度量并减少不同领域之间的分布差异，在工况发生改变时仍能够提供良好的诊断性能，并在轴承故障预测时实现了分层诊断，提高轴承故障诊断精度。
附图说明
图1为本发明实施例所述轴承故障诊断方法的流程示意图之一；
图2为本发明实施例所述轴承故障诊断模型的结构示意图；
图3为本发明实施例所述轴承故障诊断方法的流程示意图之二；
图4为本发明实施例所述电子设备的结构示意图；
图5为本发明实施例所述轴承故障诊断装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、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。
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发明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。
在本发明的各种实施例中，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，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。
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。
本发明其中一实施例，如图1所示，提供一种轴承故障诊断方法，包括：
S110，将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，该振动数据能够反映轴承工作和故障状态；所述源域样本包括标签。
本发明实施例，轴承故障诊断模型从多个诊断级别上度量并减少不同领域之间的分布差异，在工况发生改变时仍能够提供良好的诊断性能，并在轴承故障预测时实现了分层诊断，提高轴承故障诊断精度。
需要说明的是，该轴承故障诊断模型是基于自适应层的自适应诊断模型，是一种多级自适应分支卷积神经网络模型(Multi-level Adaptation Branch ConvolutionNeural Network，简称MABCNN)。其中，自适应层即领域自适应层用于通过度量准则测量源域样本和目标域样本在多个诊断级别上的分布距离，通过最小化分布距离，即减小领域间的分布差异，从而使得模型在工况改变时仍然可以保持良好的诊断性能，提高轴承的诊断结果精度。为了进一步提高轴承故障诊断模型的诊断精度，采集多种工况下轴承运行的振动数据，形成源域样本和目标域样本，并对源域样本进行标记，包括在多个诊断级别上的标签，示例性地，标签可以是轴承状态诊断级别-标记结果；故障位置诊断级别- 标记结果；损伤程度诊断级别-标记结果。
本发明实施例中，可选地，所述多个诊断级别包括轴承状态诊断级别、故障位置诊断级别和损伤程度诊断级别。
示例性地，在轴承状态诊断级别上的诊断结果包括0和1，其中0表示轴承状态为正常，1表示轴承状态为故障。
在故障位置诊断级别上的诊断结果包括0、1、2…，各数字对应轴承不同的故障的位置。
在损伤程度诊断级别上的诊断结果包括0、1、2…，各数字对应轴承不同的损伤程度。
需要说明的是，本发明实施例还可以根据轴承的诊断需求，设定其他诊断级别，具体不作限制。
本发明实施例中，可选地，如图2所示，在S110之前，所述方法还包括：
将所述源域样本输入所述轴承故障诊断模型的第一特征提取模块依次输出多个第一特征向量，以及将所述目标域样本输入所述轴承故障诊断模型的第二特征提取模块依次输出多个第二特征向量；
将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，以及将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离；
根据所述分类结果和分类损失权重确定所述故障分类损失，以及根据所述分布距离和分布损失权重确定所述领域分布损失；
根据所述故障分类损失、所述领域分布损失和所述领域分布损失的权衡参数，构建目标函数；
以所述目标函数最小化为训练目标，训练所述轴承故障诊断模型。
在开始训练轴承故障诊断模型之前，需要根据具体的轴承故障诊断任务，设置轴承故障诊断模型的网络配置参数，该网络配置参数包括故障层数、特征提取子模块数量和卷积层参数。
开始训练轴承故障诊断模型，将源域样本和目标域样本输入该轴承故障诊断模型的特征提取模块，该特征提取模块用于从源域样本和目标域样本中提取有效的故障特征，即特征向量。该特征提取模块由共享权重的两流卷积神经网络组成，图2中的右流卷积神经网络用于学习源域样本，左流卷积神经网络用于处理目标域样本，可以理解为，该特征提取模块包括第一特征提取模块和第二特征提取模块，第一特征提取模块用于提取源域样本的第一特征向量，第二特征提取模块提取目标域样本的第二特征向量。
其中，每个源域样本输出多个第一特征向量，每个目标域样本输出多个第二特征向量，第一特征向量和第二特征向量的数量与诊断级别的数量相关联，一诊断级别对应一个特征向量。
然后，将第一特征提取模块输出的多个第一特征向量输入故障分类模块，该故障分类模块可以理解为是通过监督学习训练一个基于源域样本的高效分类器。在该故障分类模块中进行分类预测，按照轴承状态诊断级别-故障位置诊断级别-损伤程度诊断级别的层次结构依次输出三个诊断级别对应的分类结果，再利用损失函数，计算三个分类结果的故障分类损失。
将第一特征提取模块输出的多个第一特征向量，以及多个第二特征提取模块输出的第二特征向量一起输入领域自适应模块。在领域自适应模块的领域自适应层，利用MMD(最大均值差异)度量在同一诊断级别上的第一特征向量和第二特征向量之间的分布距离，显示分布差异，然后基于分布损失权重，将每一诊断级别上的分布距离进行加权求和得到领域分布损失。
进一步，基于故障分类损失和领域分布损失构建目标函数，目标函数LMAB采用如下公式表示：
LMAB＝LC(XS,y)+λLMMD(XS,XT)
其中，LC(XS,y)表示故障分类损失；LMMD(XS,XT)表示领域分布损失；λ表示领域分布损失的权衡参数。
在该轴承故障诊断模型的训练过程中，以目标函数最小化，即最小化总损失为训练目标。与目标函数相对应，共有两个优化目标：最小化故障分类损失和最小化领域分布损失。故障分类损失的最小化使轴承故障诊断模型通过监督学习训练一个在源域样本上表现良好的分类器，领域分布损失的最小化通过关注域不变特征来对齐源域样本和目标域样本之间的特征分布，减小源域样本和目标域样本之间的分布差异。通过结合上述两个优化目标，确保轴承故障诊断模型在变工况下能够表现出良好的诊断性能，提供轴承故障诊断精度。
本发明实施例，可选地，所述第一特征提取模块和所述第二特征提取模块均包括依次连接的多个特征提取子模块；
其中，所述特征提取子模块包括卷积层、批量归一化层、激活层和池化层。
如图2所示，示例性地，第一特征提取模块和第二特征提取模块均包括五个特征提取子模块，分别表示为特征提取子模块1、特征提取子模块2、特征提取子模块3、特征提取子模块4和特征提取子模块5。这五个特征提取子模块依次连接，源域样本或目标域样本输入特征提取子模块1，输出特征向量，该特征向量输入特征提取子模块2，依次如此，前一个特征提取子模块的输出向量是后一个特征提取子模块的输入向量，实现连接。
需要说明的是，特征提取子模块的数量和诊断级别的数量相关联，该特征提取子模块的数量大于或等于诊断级别的数量，如图2所示，特征提取子模块 1提取的特征向量用于预测在轴承状态诊断级别的分类结果，特征提取子模块 3提取的特征向量用于预测在故障位置诊断级别的分类结果，特征提取子模块 5提取的特征向量用于预测在损伤程度诊断级别的分类结果。
本发明实施例中，可选地，所述将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，包括：
将所述多个第一特征向量输入所述故障分类模块的分支结构中，获得与每一诊断级别对应的第一目标特征向量；
对所述第一目标特征向量进行预测，获取与每一诊断级别对应的分类结果。
需要说明的是，将第一特征提取模块输出的第一特征向量输入分支结构中进行处理，得到与每一诊断级别对应的第一目标特征向量，然后基于该第一目标特征向量进行分类预测，获得与每一诊断级别对应的分类结果。
本发明实施例中，可选地，所述将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离，包括：
将所述多个第二特征向量输入所述领域自适应模块的分支结构中，获得与每一诊断级别对应的第二目标特征向量；
在所述领域自适应模块的领域自适应层，计算与每一诊断级别对应的所述第一目标特征向量和所述第二目标特征向量之间的最大均值差异；
根据所述最大均值差异，获取与每一诊断级别对应的分布距离。
需要说明的是，源域样本和目标域样本之间的分布距离由MMD(最大均值差异)度量，领域分布损失LMMD(XS,XT)采用如下公式表示：
其中，S表示源域；T表示目标域；n表示源域样本数量；m表示目标域样本数量；k表示诊断级别数量；Dk表示分布损失权重；MMD2表示源域样本提取的特征向量(第一目标特征向量)和目标域样本提取的特征向量(第二目标特征向量)在第k个诊断级别上的分布距离；
表示与第k个诊断级别对应的源域样本提取的特征向量(第一目标特征向量)从原始空间到再生希尔伯特空间的映射；
表示与第k个诊断级别对应的目标域样本提取的特征向量(第二目标特征向量)从原始空间到再生希尔伯特空间的映射。
还需要说明的是，故障分类模块和领域自适应模块中均包括分支结构，该分支结构可以理解为是全连接层，对特征提取模块输出的特征向量进行处理综合，得到综合后的多个目标特征向量，从而基于多个目标特征向量实现轴承的分层诊断。
本发明实施例中，可选地，所述根据所述分类结果和分类损失权重确定所述故障分类损失，包括：
根据所述分类结果和所述源域样本包括的标签，获取与所述分类结果对应的分类损失值；
根据所述分类损失值和所述分类损失权重，确定所述故障分类损失。
需要说明的是，故障分类损失LC(XS,y)是故障分类模块中所有分类损失值的加权总和，采用交叉熵函数，采用如下公式表示：
其中，S表示源域；n表示源域样本数量；k表示诊断级别数量；
表示第i个源域样本在第k个诊断级别上的分类结果；
表示第i个源域样本在第k 个诊断级别上的标签；Lk表示第k个诊断级别的分类损失值；Ak表示与第k个诊断级别对应的分类损失权重，介于0和1之间，且包括0和1，k个诊断级别对应的分类损失权重总和为1。
本发明实施例中，可选地，S110，包括：
将所述待诊断轴承的振动数据输入完成训练的轴承故障诊断模型的第一特征提取模块，依次输出与每一诊断级别对应的特征向量；
将与每一诊断级别对应的特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的诊断结果。
需要说明的是，在目标函数最小化时，轴承故障诊断模型达到训练目标，然后将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，振动数据经过第一特征提取模块，提取对应每一诊断级别的目标特征向量，然后基于每一诊断级别的目标特征向量进行分类预测，获得每一诊断级别的诊断结果，实现轴承故障诊断。
如图3为本发明实施例所述轴承故障诊断方法的流程示意图。采用该实施例，所述轴承故障诊断方法包括以下步骤：
S310，在不同工况下，采集反映轴承工作和故障状态的振动数据。
S320，根据振动数据，形成源域样本和目标域样本。
S330，从标记的样本和未标记的目标域样本中准备训练样本。
S340，从未标记的目标域样本中准备测试样本。
S350，根据诊断任务，确定轴承故障诊断模型的网络配置参数，然后利用训练样本训练轴承故障诊断模型，并构建目标函数。以最小化目标函数为训练目标。
S360，一定的训练轮次后，获得完成训练的轴承故障诊断模型，将测试样本输入完成训练的轴承故障诊断模型。
S370，输出在多个诊断级别上的诊断结果。
综上，本发明实施例所述轴承故障诊断方法能够利用MMD(最大均值差异)度量准则将源域样本和目标域样本之间的分布距离表示出来，通过最小化领域间的分布距离使得在一种工况下训练的模型在其他工况下也能够表现良好，提高了轴承故障诊断模型的自适应性能以及变工况下的故障诊断精度。
本发明其中一实施例还提供一种电子设备，如图4所示，该电子设备400 包括处理器410和收发机420；
所述处理器410用于，将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
可选地，所述的电子设备，其中，所述多个诊断级别包括轴承状态诊断级别、故障位置诊断级别和损伤程度诊断级别。
可选地，所述的电子设备，其中，所述处理器410具体用于：
将所述待诊断轴承的振动数据输入完成训练的故障诊断模型的第一特征提取模块，依次输出与每一诊断级别对应的特征向量；
将与每一诊断级别对应的特征向量输入所述故障诊断模型的故障分类模块中，获取与每一诊断级别对应的诊断结果。
可选地，所述的电子设备，其中，所述处理器410还用于：
将所述源域样本输入所述轴承故障诊断模型的第一特征提取模块依次输出多个第一特征向量，以及将所述目标域样本输入所述轴承故障诊断模型的第二特征提取模块依次输出多个第二特征向量；
将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，以及将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离；
根据所述分类结果和分类损失权重确定所述故障分类损失，以及根据所述分布距离和分布损失权重确定所述领域分布损失；
根据所述故障分类损失、所述领域分布损失和所述领域分布损失的权衡参数，构建目标函数；
以所述目标函数最小化为训练目标，训练所述轴承故障诊断模型。
可选地，所述的电子设备，其中，所述第一特征提取模块和所述第二特征提取模块均包括依次连接的多个特征提取子模块；
其中，所述特征提取子模块包括卷积层、批量归一化层、激活层和池化层。
可选地，所述的电子设备，其中，所述处理器410具体用于：
将所述多个第一特征向量输入所述故障分类模块的分支结构中，获得与每一诊断级别对应的第一目标特征向量；
对所述第一目标特征向量进行预测，获取与每一诊断级别对应的分类结果。
可选地，所述的电子设备，其中，所述处理器410具体用于：
将所述多个第二特征向量输入所述领域自适应模块的分支结构中，获得与每一诊断级别对应的第二目标特征向量；
在所述领域自适应模块的领域自适应层，计算与每一诊断级别对应的所述第一目标特征向量和所述第二目标特征向量之间的最大均值差异；
根据所述最大均值差异，获取与每一诊断级别对应的分布距离。
可选地，所述的电子设备，其中，所述处理器410具体用于：
根据所述分类结果和所述源域样本包括的标签，获取与所述分类结果对应的分类损失值；
根据所述分类损失值和所述分类损失权重，确定所述故障分类损失。
如图5所示，本发明其中一实施例还提供一种轴承故障诊断装置，包括：
诊断模块510，用于将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
本发明实施例，轴承故障诊断模型从多个诊断级别上度量并减少不同领域之间的分布差异，在工况发生改变时仍能够提供良好的诊断性能，并在轴承故障预测时实现了分层诊断，提高轴承故障诊断精度。
可选地，所述的故障诊断装置，其中，所述多个诊断级别包括轴承状态诊断级别、故障位置诊断级别和损伤程度诊断级别。
可选地，所述的故障诊断装置，其中，所述诊断模块510具体用于：
将所述待诊断轴承的振动数据输入完成训练的故障诊断模型的第一特征提取模块，依次输出与每一诊断级别对应的特征向量；
将与每一诊断级别对应的特征向量输入所述故障诊断模型的故障分类模块中，获取与每一诊断级别对应的诊断结果。
可选地，所述的故障诊断装置，其中，还包括：
提取模块，用于将所述源域样本输入所述轴承故障诊断模型的第一特征提取模块依次输出多个第一特征向量，以及将所述目标域样本输入所述轴承故障诊断模型的第二特征提取模块依次输出多个第二特征向量；
输入模块，用于将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，以及将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离；
确定模块，用于根据所述分类结果和分类损失权重确定所述故障分类损失，以及根据所述分布距离和分布损失权重确定所述领域分布损失；
构建模块，用于根据所述故障分类损失、所述领域分布损失和所述领域分布损失的权衡参数，构建目标函数；
训练模块，用于以所述目标函数最小化为训练目标，训练所述轴承故障诊断模型。
可选地，所述的故障诊断装置，其中，所述第一特征提取模块和所述第二特征提取模块均包括依次连接的多个特征提取子模块；
其中，所述特征提取子模块包括卷积层、批量归一化层、激活层和池化层。
可选地，所述的故障诊断装置，其中，所述输入模块具体用于：
将所述多个第一特征向量输入所述故障分类模块的分支结构中，获得与每一诊断级别对应的第一目标特征向量；
对所述第一目标特征向量进行预测，获取与每一诊断级别对应的分类结果。
可选地，所述的故障诊断装置，其中，所述输入模块具体用于：
将所述多个第二特征向量输入所述领域自适应模块的分支结构中，获得与每一诊断级别对应的第二目标特征向量；
在所述领域自适应模块的领域自适应层，计算与每一诊断级别对应的所述第一目标特征向量和所述第二目标特征向量之间的最大均值差异；
根据所述最大均值差异，获取与每一诊断级别对应的分布距离。
可选地，所述的故障诊断装置，其中，所述确定模块具体用于：
根据所述分类结果和所述源域样本包括的标签，获取与所述分类结果对应的分类损失值；
根据所述分类损失值和所述分类损失权重，确定所述故障分类损失。
需要说明的是，本发明实施例提供的上述装置，能够实现上述轴承故障诊断方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本发明另一实施例还提供一种电子设备，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程序，所述程序被所述处理器执行时实现如上任一项所述的轴承故障诊断方法。
其中，所述电子设备的处理器执行所述随机接入方法的具体实施方式，可以参阅以上对应轴承故障诊断方法中具体实施方式的详细说明，在此不再赘述。
另外，本发明具体实施例还提供一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的轴承故障诊断方法中的步骤。
具体地，该计算机可读存储介质应用于上述电子设备，在应用于电子设备时，对应轴承故障诊断方法中的执行步骤如上的详细描述，在此不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI) 电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种轴承故障诊断方法，其特征在于，包括：
将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述多个诊断级别包括轴承状态诊断级别、故障位置诊断级别和损伤程度诊断级别。
3.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果，包括：
将所述待诊断轴承的振动数据输入完成训练的故障诊断模型的第一特征提取模块，依次输出与每一诊断级别对应的特征向量；
将与每一诊断级别对应的特征向量输入所述故障诊断模型的故障分类模块中，获取与每一诊断级别对应的诊断结果。
4.根据权利要求1所述的轴承故障诊断方法，其特征在于，在所述将待诊断轴承的测试样本输入已完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果之前，所述方法还包括：
将所述源域样本输入所述轴承故障诊断模型的第一特征提取模块依次输出多个第一特征向量，以及将所述目标域样本输入所述轴承故障诊断模型的第二特征提取模块依次输出多个第二特征向量；
将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，以及将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离；
根据所述分类结果和分类损失权重确定所述故障分类损失，以及根据所述分布距离和分布损失权重确定所述领域分布损失；
根据所述故障分类损失、所述领域分布损失和所述领域分布损失的权衡参数，构建目标函数；
以所述目标函数最小化为训练目标，训练所述轴承故障诊断模型。
5.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述第一特征提取模块和所述第二特征提取模块均包括依次连接的多个特征提取子模块；
其中，所述特征提取子模块包括卷积层、批量归一化层、激活层和池化层。
6.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述将所述多个第一特征向量输入所述轴承故障诊断模型的故障分类模块中，获取与每一诊断级别对应的第一特征向量的分类结果，包括：
将所述多个第一特征向量输入所述故障分类模块的分支结构中，获得与每一诊断级别对应的第一目标特征向量；
对所述第一目标特征向量进行预测，获取与每一诊断级别对应的分类结果。
7.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述将所述多个第一特征向量和所述多个第二特征向量输入所述轴承故障诊断模型的领域自适应模块，获取与每一诊断级别对应的第一特征向量和第二特征向量之间的分布距离，包括：
将所述多个第二特征向量输入所述领域自适应模块的分支结构中，获得与每一诊断级别对应的第二目标特征向量；
在所述领域自适应模块的领域自适应层，计算与每一诊断级别对应的第一目标特征向量和所述第二目标特征向量之间的最大均值差异；
根据所述最大均值差异，获取与每一诊断级别对应的分布距离。
8.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述根据所述分类结果和分类损失权重确定所述故障分类损失，包括：
根据所述分类结果和所述源域样本包括的标签，获取与所述分类结果对应的分类损失值；
根据所述分类损失值和所述分类损失权重，确定所述故障分类损失。
9.一种电子设备，其特征在于，包括处理器和收发机；
所述处理器用于，将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
10.一种轴承故障诊断装置，其特征在于，包括：
诊断模块，用于将待诊断轴承的振动数据输入完成训练的轴承故障诊断模型中，输出所述待诊断轴承的故障诊断结果；
其中，所述故障诊断结果包括在多个诊断级别上的诊断结果；
所述轴承故障诊断模型是在故障分类损失和领域分布损失均最小化时完成训练的；所述故障分类损失是基于源域样本在多个诊断级别上的分类结果确定的；所述领域分布损失是基于所述源域样本和目标域样本之间在所述多个诊断级别上的分布距离确定的；所述源域样本和所述目标域样本均是根据轴承的振动数据获得的，所述源域样本包括标签。
11.一种电子设备，其特征在于，包括：收发机、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程序或指令；所述处理器执行所述程序或指令时实现如权利要求1至8任一项所述的轴承故障诊断方法中的步骤。
12.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至8任一项所述的轴承故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211053321.9A CN115356105A (zh) | 2022-08-31 | 2022-08-31 | 轴承故障诊断方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211053321.9A CN115356105A (zh) | 2022-08-31 | 2022-08-31 | 轴承故障诊断方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115356105A true CN115356105A (zh) | 2022-11-18 |
Family
ID=84005453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211053321.9A Pending CN115356105A (zh) | 2022-08-31 | 2022-08-31 | 轴承故障诊断方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115356105A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194983A (zh) * | 2023-09-08 | 2023-12-08 | 北京理工大学 | 一种基于渐进式条件域对抗网络的轴承故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114429152A (zh) * | 2021-12-31 | 2022-05-03 | 苏州大学 | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 |
-
2022
- 2022-08-31 CN CN202211053321.9A patent/CN115356105A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
| CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114429152A (zh) * | 2021-12-31 | 2022-05-03 | 苏州大学 | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 金余丰 等: "基于域对抗迁移的变工况滚动轴承故障诊断模型", 《自动化仪表》, vol. 40, no. 12, 31 December 2019 (2019-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194983A (zh) * | 2023-09-08 | 2023-12-08 | 北京理工大学 | 一种基于渐进式条件域对抗网络的轴承故障诊断方法 |
| CN117194983B (zh) * | 2023-09-08 | 2024-04-19 | 北京理工大学 | 一种基于渐进式条件域对抗网络的轴承故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels | |
| Wang et al. | Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| 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 | |
| CN113255882B (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN112926641A (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
| CN114429150A (zh) | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 | |
| CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
| Wang et al. | One-stage self-supervised momentum contrastive learning network for open-set cross-domain fault diagnosis | |
| CN116028876A (zh) | 一种基于迁移学习的滚动轴承故障诊断方法 | |
| CN115356105A (zh) | 轴承故障诊断方法、装置、电子设备及可读存储介质 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| Gao et al. | Semi-supervised small sample fault diagnosis under a wide range of speed variation conditions based on uncertainty analysis | |
| CN118094218A (zh) | 一种自适应深度迁移故障诊断方法、系统、装置及介质 | |
| Li et al. | Unsupervised continual source-free network for fault diagnosis of machines under multiple diagnostic domains | |
| Lu et al. | Rotating Machinery Fault Diagnosis Under Multiple Working Conditions via A Time Series Transformer Enhanced by Convolutional Neural Network | |
| Liang et al. | Intelligent fault diagnosis of rotating machinery using lightweight network with modified tree‐structured parzen estimators | |
| CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
| Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
| CN117932390A (zh) | 一种基于注意力机制与dcgan融合的振动信号分析诊断方法 | |
| US20230161653A1 (en) | Method of managing system health | |
| CN116304617A (zh) | 基于神经网络的机电设备故障诊断方法及系统 | |
| CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
| CN117871101B (zh) | 多分类器细粒度的轴承故障诊断领域自适应方法及系统 |
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 |