CN115358259A - 一种基于自学习的无监督跨工况轴承故障诊断方法 - Google Patents
一种基于自学习的无监督跨工况轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115358259A CN115358259A CN202210890389.6A CN202210890389A CN115358259A CN 115358259 A CN115358259 A CN 115358259A CN 202210890389 A CN202210890389 A CN 202210890389A CN 115358259 A CN115358259 A CN 115358259A
- Authority
- CN
- China
- Prior art keywords
- loss
- self
- data
- signal
- task
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于自学习的无监督跨工况轴承故障诊断方法，属于滚动轴承故障诊断技术领域，包括构建无监督跨工况轴承故障诊断模型，构建实际任务训练样本集，对实际任务训练样本集中的数据进行相应的自学习变换，生自监督任务数据集，将自监督任务数据集输入到模型中，通过最小化特征差异损失、最大化第一域鉴别器损失及最小化第一标签预测损失对模型进行自监督预训练；冻结自监督预训练任务中特征提取器的浅层参数，将实际任务数据集输入到模型中，通过最小化特征差异损失、最大化第二域鉴别器损失及最小化第二标签预测损失，对模型进行实际任务训练。本发明解决了由于难以获取大量有标签的优质数据而导致的轴承故障诊断准确率较低的技术难题。
Description
技术领域
本发明涉及一种基于自学习的无监督跨工况轴承故障诊断方法，属于滚动轴承故障诊断技术领域。
背景技术
在当今的工业生产中，滚动轴承作为旋转机械的关键零部件之一，被广泛应用于各行各业中。滚动轴承在工业上的使用场景往往是多变的、复杂的，而不同负载不同转速还会导致轴承振动的特征发生变换。因此解决跨工况下的轴承故障诊断，对于保证含有滚动轴承的大型机器设备健康运行具有重要意义。
传统的数据驱动故障诊断研究倾向于从大量标记的故障数据中学习分类模型以具有足够的泛化能力。研究人员特别关注用于特征提取的高级信号处理方法和用于自动诊断的机器学习算法。多种流行方法如经验模态分解(EMD)、时频分析、人工神经网络(ANN)、支持向量机(SVM)、深度学习等已在该领域得到广泛研究和应用。尽管有许多成功案例，但这些工作中的大多数案例都是基于训练和测试数据遵循相同分布的假设。这意味着训练有素的模型的部署场景应该与收集训练数据的场景相同。
然而，工业任务中要诊断的数据通常是从不同的工作条件甚至不同类型的机器上监测的。因此，在大多数实际诊断场景中，训练集和测试集的数据分布并不一致，分布不一致很容易导致训练好的模型泛化能力下降。此外，从头开始为部署场景重新训练诊断模型是难以实现的，因为收集和注释足够大的数据需要耗费大量的人力物力。
迁移学习在故障诊断中的应用是利用从现有的学习任务中学习到故障诊断知识，然后促进新的但相似的任务的诊断。近两年，迁移学习大致可分为两种方法，分别是基于参数传输的微调和基于特征的域适应。基于参数传输的微调是通过新任务中的数据微调已经确立的参数。这些方法表明，深度迁移学习在故障诊断中的具有有效性，但仍存在一些问题需要我们进一步研究：1)大部分无监督迁移学习仅仅是对齐边际分布，对域内分布考虑不充分。2)不同工况下样本可能存在较大差异，对源域样本的正确分类不一定有助于目标域样本的分类，在创新的迁移学习算法中如何解决域间差距过大导致负迁移的问题值得深思。
发明内容
本发明的目的是提供一种基于自学习的无监督跨工况轴承故障诊断方法，从信号本身的特征出发根据条件任务自学习自身特征，然后与预训练网络用于到实际任务当中，解决不同工况差异分布过大时诊断效果不佳的问题。
为了实现上述目的，本发明采用的技术方案是：
一种基于自学习的无监督跨工况轴承故障诊断方法，包括以下步骤：
步骤S1、构建自学习的无监督跨工况轴承故障诊断模型；所述自学习的无监督跨工况轴承故障诊断模型包括：特征提取模块、域鉴别模块以及标签分类器；
所述特征提取模块用以提取输入时序信号数据的特征；所述域鉴别模块用以将输入的时序信号映射为源域工况或目标域工况；所述标签分类器用以将输入的时序特征映射为对应的故障类别标签；
步骤S2、将现有工况下的有真实故障类别标签的轴承振动数据作为源域数据，新工况下无真实故障类别的标签的轴承振动信号作为目标域数据，构成实际任务训练样本集；
步骤S3、对实际任务训练样本集中的数据进行相应的自学习变换，根据变化内容一一对应其变换标签，生成源域的自监督任务数据集和目标域的自监督任务数据集，两个数据集都是有自监督任务分类标签的；
步骤S4、将自监督任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第一域鉴别器损失以及最小化第一标签预测损失，对模型进行自监督预训练；
步骤S5、冻结自监督预训练任务中特征提取器的浅层参数，作为实际任务特征提取器的初始化网络；
步骤S6、将实际任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第二域鉴别器损失以及最小化第二标签预测损失，对模型进行实际任务训练。
本发明技术方案的进一步改进在于，所述自监督任务数据集的构建方法包括以下步骤：
随机置零：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为0，85％的元素值为1，在信号中随机选取值为零的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1，x2y2，…，xtyt]；
随机增加：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为2-8之间，85％的元素值为1，在信号中随机选取值大于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1,x2y2,…，xtyt]；
随机缩小：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为0.125-0.5之间，85％的元素值为1，在信号中随机选取值小于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1，x2y2，…，xtyt]；
信号倒序：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，将X(t)反转成X(t)＝[xt，xt-1，…，x1]，得到新的信号X(t)；
信号乱序：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，将信号随机分成N段后随机组合得到新的信号X(t)；
上述信号变换方法可以通过程序代码实现自动处理，无需人工标注；在自监督学习任务时，每个未标注的信号随机选择一种信号变换方法变换，然后赋予其对应的非目标标签P＝1、2、3、4、5、6。
本发明技术方案的进一步改进在于，所述步骤S4具体包括以下步骤：
步骤S41、采用特征提取模块提取输入时序信号样本的时序特征；
步骤S42、采用特征差异损失度量源域数据特征和目标域数据特征之间的差异，得到特征差异损失；
步骤S43、采用第一域鉴别器计算源域数据和目标域数据所对应的预测工况类别和真实工况类别之间的损失差异，得到域鉴别器损失；
步骤S44、采用第一标签预测损失度量源域数据和目标域数据的时序特征对应的预测自监督任务标签与真实自监督任务标签之间的差异；
步骤S45、通过同时最小化所述特征差异损失、最大化所述第一域鉴别器损失以及最小化所述第一标签预测损失对跨工况轴承故障诊断模型进行预训练参数进行更新。
本发明技术方案的进一步改进在于，所述步骤S6具体包括以下步骤：
步骤S61、采用特征提取模块提取输入时序信号样本的时序特征；
步骤S62、采用特征差异损失度量源域数据特征和目标域数据特征之间的差异，得到特征差异损失；
步骤S63、采用第二域鉴别器计算源域数据和目标域数据所对应的预测工况类别和真实工况类别之间的损失差异，得到域鉴别器损失；
步骤S64、采用第二标签预测损失度量源域数据和目标域数据的时序特征对应的预测实际任务标签与真实实际任务标签之间的差异；
步骤S65、通过同时最小化所述特征差异损失、最大化所述第二域鉴别器损失以及最小化所述第二标签预测损失对所述变工况轴承故障诊断模型中的参数进行更新。
本发明技术方案的进一步改进在于，所述特征提取模块为改进的Resnet-18，所述改进的Resnet-18网络包括两个初始化卷积层、一个池化层、一个长短时记忆网络层和四个改进的残差块。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明首先引入了长短时记忆网络，长短时记忆网络可以有效的捕捉轴承诊断信号当中有用的时序信息，从而使网络能够提取不同工况下的有相关性的特征。
本发明利用特征距离度量和对抗学习策略，缩小源域和目标域之间的特征分布差异；相比于传统的最大均值差异衡量源域和目标域之间的差异，通过最大均值差异和对抗学习策略的联合，使模型充分学习到数据域相关特征，从而增强特征提取器提取域不变特征的能力。
本发明解决了变工况下轴承诊断中目标域标签稀疏及模型的泛化问题，使其模型诊断准确率高于其他滚动轴承模型。
附图说明
图1是本发明的流程图；
图2是本发明的基于自学习的无监督跨工况轴承故障诊断网络结构图；
图3是本发明特征提取模块网络结构参数图；
图4是本发明的方法在自监督任务创建示意图；
图5是本发明的域适应原理示意图和传统学习原理示意图；
图6是本发明的方法与经典深度迁移学习方法在帕德博恩大学数据集的对比结果图；
图7是本发明的方法在帕德博恩大学数据集的诊断结果混淆矩阵示意图；
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方法中所涉及到的技术特征只要彼此之间为构成冲突就可以相互组合。
一种基于自学习的无监督跨工况轴承故障诊断方法，以传感器采集到的原始时序数据作为输入，使用基于改进的Resnet-18网络的特征提取器进行自动特征提取，再使用深度对抗策略增强特征提取器提取特征的能力，不断训练从而获得准确的标签分类器，进而建立跨工况故障诊断模型。实验所用的轴承数据集为帕德博恩大学轴承数据集中的故障数据，结合轴承的实际运行条件，对于不同转速和不同负载的组合工况，获得工况A、工况B和工况C的数据，如下表1所示。每个工况中具有多个类别的故障类别，具体包括不同损伤直径的内圈故障、复合故障、外圈故障和正常状态，如下表2所示。通过滑动时间窗对信号进行截取，将长时间序列分段为等长时间序列片段，并将其作为模型的输入，在本实例中时间窗长度为1024。
表1 PU负载状态分类标签
| 转速(rpm) | 负载扭矩(Nm) | 径向力(N) | 工况 |
| 1500 | 0.7 | 400 | A |
| 1500 | 0.7 | 1000 | B |
| 1500 | 0.1 | 1000 | C |
表2 PU状态分类标签
具体诊断方法如图1所示，包括以下步骤：
步骤S1、构建自学习的无监督跨工况轴承故障诊断模型
所述自学习的无监督跨工况轴承故障诊断模型如图2所示，包括：特征提取模块、域鉴别器及标签分类器；
其中，特征提取模块用以提取输入数据的时序特征；
域鉴别器用来判断输入数据来自源域还是目标域，由三层全连接层和一层softmax层组成。
标签分类器用于将输入的时序特征映射为对应的预测标签；
特征提取模块为改进的Resnet-18网络，网络结构如图3所示，考虑到模型各具优势，不同模型之间可以相互取长补短，卷积神经网络具有较大的特征提取能力，可以提取更深层次的故障特征，能够捕捉故障发生的属性信息，长短时记忆网络(LSTM)可以有效的捕捉故障的时序信息。因此本特征提取模块将融合改进残差快和LSTM层进行融合组成改进Resnet-18网络。
所述改进的Resnet-18网络包括两个初始化卷积层、一个池化层、一个长短时记忆网络层和四个改进的残差块。信号经过改进的Resnet-18网络后，将输出结果传送给全连接层和故障分类层进行故障分类。以初始卷积层为例描述参数，(Conv1D,32,3)表示模型是一维卷积神经网络，滤波器尺寸为32，卷积核大小为3；(MaxPooling,3)表示最大池化操作，池化块尺寸为3；(LSTM,32)表示模型是长短时记忆网络，神经元个数为32；(Dropout,0.25)表示丢弃层，丢弃率为0.25；(Dense,64)表示全连接层，神经元个数为64；Flatten表示展开层；ReLU表示整流后的线性单元激活函数；Softmax表示分类层激活函数。
改进的Resnet-18网络使用交叉熵损失项来判断模型在源域样本上的表现，其计算公式为：
步骤S2、将现有工况下的有真实故障类别标签的轴承振动数据作为源域数据，新工况下无真实故障类别的标签的轴承振动信号作为目标域数据，构成实际任务训练样本集
具体地，通过轴承上安装的传感器获得不同现有工况下的振动信号数据，作为源域数据；通过传感器获得新工况下的轴承振动信号作为目标域数据。
步骤S3、对实际任务训练样本集中的数据进行相应的自学习变换，根据变化内容一一对应其变换标签，生成源域的自监督任务数据集和目标域的自监督任务数据集，两个数据集都是有自监督任务分类标签的
具体地，对实际任务训练集中的数据进行相应的自学习变换，根据变化内容一一对应其变换标签，生成源域自监督任务数据集和目标域自监督任务数据集，两个数据集都是有自监督任务分类标签的。
具体的变换如下所示：
随机置零：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为0，85％的元素值为1，在信号中随机选取值为零的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1，x2y2，…，xtyt]。
随机增加：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为2-8之间，85％的元素值为1，在信号中随机选取值大于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1，x2y2，…，xtyt]。
随机缩小：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，选取Y(t)＝[y1，y2，…，yL]，Y(t)中有15％的元素值为0.125-0.5之间，85％的元素值为1，在信号中随机选取值小于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1，x2y2，…，xtyt]。
信号倒序：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，将X(t)反转成X(t)＝[xt，xt-1，…，x1]，得到新的信号X(t)。
信号乱序：给定一个原始的振动信号X(t)＝[x1，x2，…，xt]，其中t代表数据的长度，将信号随机分成N段后随机组合得到新的信号X(t)。
自学习根据信号本身的特点创建自监督学习任务，无需人工标注。在自监督学习任务时，每个未标注的信号随机选择一种信号变换方法变换，然后赋予其对应的非目标标签P＝1、2、3、4、5、6。通过识别输入信号的信号变换类型，可以很好地学习有用的信号特征，并将学习到的特征转移到目标任务中。由图4所示可以看出，经过随机归零、随机增加、随机缩小处理的样本具有较高的相似度。虽然这三种方法非常相似，但它们本质上是不同的，通过上述的自监督任务来提前预训练迁移网络，这将迫使网络获得更好的信号特征提取能力。
步骤S4、将自监督任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第一域鉴别器损失以及最小化第一标签预测损失，对模型进行自监督预训练；所述特征差异损失用于度量训练样本中源域数据与目标域数据对应标签数据特征的差异；所述第一域鉴别器用于度量源域数据和目标域数据的工况类别，以对抗的思想提高特征提取器的提取能力；所述第一标签预测损失用于度量源域数据和目标域数据对应的预测自监督任务标签与真实自监督任务标签之间的差异。
具体的，在模型预训练阶段中，第一标签分类损失函数表示如下
其中，N为样本训练数量；
为训练样本中第i个样本的自监督任务类别，
为训练样本中第i个样本的预测自监督任务类别，即标签分类器的输出。D1(·)为
和
的差异度量函数，再此使用交叉熵损失函数。
第一域鉴别器的损失函数差异特征如下表示：
其中，N为训练样本集中的样本数量；
为第i个样本的真实域分类，
为训练样本第i个样本的域标签预测类别，即域鉴别器的输出。Df(·)为
和
的差异度量函数，再此使用交叉熵损失函数。
模型度量特征差异损失的表达式如下：
其中，Xs和Xt分别代表源域和目标域样本；p和q分别代表源域和目标域样本服从的分布；H是一种具有特征核的再生希尔伯特空间，
表示一种可以将原始的样本数据映射带H的特征映射，
代表服从p分布的源域样本Xs映射到RKHS后的数学期望。
综上，第一阶段诊断模型的损失函数如下所示：
L1＝loss1+lossf1+lossMMD
通过最小化L1即完成模型的自监督预训练，预训练迭代次数为20次。
步骤S5、冻结自监督预训练任务中特征提取器的浅层参数，作为实际任务特征提取器的初始化网络。
步骤S6、将实际任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第二域鉴别器损失以及最小化第二标签预测损失，对模型进行实际任务训练；所述特征差异损失用于度量训练样本中源域数据与目标域数据对应标签数据特征的差异；所述第二域鉴别器用于度量源域数据和目标域数据的工况类别，以对抗的思想提高特征提取器的提取能力；所述第二标签预测损失用于度量源域数据和目标域数据对应的预测实际任务标签与真实实际任务标签之间的差异。
具体地，在实际任务训练阶段中，采用冻结部分参数的预训练好的特征提取器核随机初始化的域鉴别器核标签分类器，在源域有标签数据和目标域无标签数据集下进行跨工况模型的训练。
在模型预训练阶段中，第二标签分类损失函数表示如下
其中，N为样本训练数量；
为训练样本中第i个样本的真实任务类别，
为训练样本中第i个样本的预测任务类别，即标签分类器的输出；D1(·)为
和
的差异度量函数，再此使用交叉熵损失函数。
第二域鉴别器的损失函数差异特征如下表示：
其中，N为训练样本集中的样本数量；
为第i个样本的真实域分类，
为训练样本第i个样本的域标签预测类别，即域鉴别器的输出；Df(·)为
和
的差异度量函数，再此使用交叉熵损失函数。
模型度量特征差异损失的表达式如下：
其中，Xs和Xt分别代表源域和目标域样本；p和q分别代表源域和目标域样本服从的分布；H是一种具有特征核的再生希尔伯特空间，
表示一种可以将原始的样本数据映射带H的特征映射，
代表服从p分布的源域样本Xs映射到RKHS后的数学期望。
综上，第二阶段诊断模型的损失函数如下所示：
L2＝loss2+lossf2+lossMMD
通过最小化L2即完成模型的实际训练，实际任务训练迭代次数为100次。
本发明提出了一种基于自学习的无监督跨工况轴承故障诊断方法，首先，通过传感器采集到的时序信号作为输入，通过特征提取模块提取进行对时序特征的提取后，引入对抗学习和距离度量的思想，基于域鉴别器，标签分类器来对增强特征提取器提取域不变特征的能力，减小域差异。将模型进行自监督训练，提高模型的特征提取能力，使模型在有较大工况差距下也能实现变工况的故障诊断，示意图如图5所示。
为了证明本发明提出的方法在滚动轴承跨工况故障诊断技术领域的有效性，选择无迁移策略的CNN网络和有迁移策略的DeepMMD网络和DANN网络这三种经典的学习方法进行对比实验，实验中使用相同的数据集。以工况A到工况B的迁移过程为例，各方法的可视化对比图如图6所示。
为了更加直观的观察到本发明方法在变工况故障诊断中的有效性，引入多分类混淆矩阵对诊断结果进行查看，以工况A到工况B的迁移过程为例，本发明所提方法混淆矩阵如图7所示。
Claims (5)
1.一种基于自学习的无监督跨工况轴承故障诊断方法，其特征在于，包括以下步骤：
步骤S1、构建自学习的无监督跨工况轴承故障诊断模型；所述自学习的无监督跨工况轴承故障诊断模型包括：特征提取模块、域鉴别模块以及标签分类器；
所述特征提取模块用以提取输入时序信号数据的特征；所述域鉴别模块用以将输入的时序信号映射为源域工况或目标域工况；所述标签分类器用以将输入的时序特征映射为对应的故障类别标签；
步骤S2、将现有工况下的有真实故障类别标签的轴承振动数据作为源域数据，新工况下无真实故障类别的标签的轴承振动信号作为目标域数据，构成实际任务训练样本集；
步骤S3、对实际任务训练样本集中的数据进行相应的自学习变换，根据变化内容一一对应其变换标签，生成源域的自监督任务数据集和目标域的自监督任务数据集，两个数据集都是有自监督任务分类标签的；
步骤S4、将自监督任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第一域鉴别器损失以及最小化第一标签预测损失，对模型进行自监督预训练；
步骤S5、冻结自监督预训练任务中特征提取器的浅层参数，作为实际任务特征提取器的初始化网络；
步骤S6、将实际任务数据集输入到无监督跨工况轴承故障诊断模型中，通过最小化特征差异损失、最大化第二域鉴别器损失以及最小化第二标签预测损失，对模型进行实际任务训练。
2.根据权利要求1所述的一种基于自学习的无监督跨工况轴承故障诊断方法，其特征在于，所述自监督任务数据集的构建方法包括以下步骤：
随机置零：给定一个原始的振动信号X(t)＝[x1,x2,…,xt]，其中t代表数据的长度，选取Y(t)＝[y1,y2,…,yL]，Y(t)中有15％的元素值为0，85％的元素值为1，在信号中随机选取值为零的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1,x2y2,…,xtyt]；
随机增加：给定一个原始的振动信号X(t)＝[x1,x2,…,xt]，其中t代表数据的长度，选取Y(t)＝[y1,y2,…,yL]，Y(t)中有15％的元素值为2-8之间，85％的元素值为1，在信号中随机选取值大于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1,x2y2,…,xtyt]；
随机缩小：给定一个原始的振动信号X(t)＝[x1,x2,…,xt]，其中t代表数据的长度，选取Y(t)＝[y1,y2,…,yL]，Y(t)中有15％的元素值为0.125-0.5之间，85％的元素值为1，在信号中随机选取值小于1的元素位置，然后对X(t)和Y(t)进行Hadamard乘积运算，得到新的信号X(t)＝[x1y1,x2y2,…,xtyt]；
信号倒序：给定一个原始的振动信号X(t)＝[x1,x2,…,xt]，其中t代表数据的长度，将X(t)反转成X(t)＝[xt,xt-1,…,x1]，得到新的信号X(t)；
信号乱序：给定一个原始的振动信号X(t)＝[x1,x2,…,xt]，其中t代表数据的长度，将信号随机分成N段后随机组合得到新的信号X(t)；
上述信号变换方法可以通过程序代码实现自动处理，无需人工标注；在自监督学习任务时，每个未标注的信号随机选择一种信号变换方法变换，然后赋予其对应的非目标标签P＝1、2、3、4、5、6。
3.根据权利要求1所述一种基于自学习的无监督跨工况轴承故障诊断方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S41、采用特征提取模块提取输入时序信号样本的时序特征；
步骤S42、采用特征差异损失度量源域数据特征和目标域数据特征之间的差异，得到特征差异损失；
步骤S43、采用第一域鉴别器计算源域数据和目标域数据所对应的预测工况类别和真实工况类别之间的损失差异，得到域鉴别器损失；
步骤S44、采用第一标签预测损失度量源域数据和目标域数据的时序特征对应的预测自监督任务标签与真实自监督任务标签之间的差异；
步骤S45、通过同时最小化所述特征差异损失、最大化所述第一域鉴别器损失以及最小化所述第一标签预测损失对跨工况轴承故障诊断模型进行预训练参数进行更新。
4.根据权利要求1所述一种基于自学习的无监督跨工况轴承故障诊断方法，其特征在于，所述步骤S6具体包括以下步骤：
步骤S61、采用特征提取模块提取输入时序信号样本的时序特征；
步骤S62、采用特征差异损失度量源域数据特征和目标域数据特征之间的差异，得到特征差异损失；
步骤S63、采用第二域鉴别器计算源域数据和目标域数据所对应的预测工况类别和真实工况类别之间的损失差异，得到域鉴别器损失；
步骤S64、采用第二标签预测损失度量源域数据和目标域数据的时序特征对应的预测实际任务标签与真实实际任务标签之间的差异；
步骤S65、通过同时最小化所述特征差异损失、最大化所述第二域鉴别器损失以及最小化所述第二标签预测损失对所述变工况轴承故障诊断模型中的参数进行更新。
5.根据权利要求3～4任意一项所述的一种基于自学习的无监督跨工况轴承故障诊断方法，其特征在于，所述特征提取模块为改进的Resnet-18，所述改进的Resnet-18网络包括两个初始化卷积层、一个池化层、一个长短时记忆网络层和四个改进的残差块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210890389.6A CN115358259A (zh) | 2022-07-27 | 2022-07-27 | 一种基于自学习的无监督跨工况轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210890389.6A CN115358259A (zh) | 2022-07-27 | 2022-07-27 | 一种基于自学习的无监督跨工况轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358259A true CN115358259A (zh) | 2022-11-18 |
Family
ID=84031758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210890389.6A Pending CN115358259A (zh) | 2022-07-27 | 2022-07-27 | 一种基于自学习的无监督跨工况轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358259A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952408A (zh) * | 2023-01-05 | 2023-04-11 | 东北大学 | 多通道跨域少样本的冲压生产线轴承故障诊断方法 |
| CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
| CN116541713A (zh) * | 2023-06-27 | 2023-08-04 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
| CN117290742A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
-
2022
- 2022-07-27 CN CN202210890389.6A patent/CN115358259A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952408A (zh) * | 2023-01-05 | 2023-04-11 | 东北大学 | 多通道跨域少样本的冲压生产线轴承故障诊断方法 |
| CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
| CN116150635B (zh) * | 2023-04-18 | 2023-07-25 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
| CN116541713A (zh) * | 2023-06-27 | 2023-08-04 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
| CN116541713B (zh) * | 2023-06-27 | 2023-12-12 | 清华大学 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
| CN117290742A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
| CN117290742B (zh) * | 2023-11-27 | 2024-03-29 | 北京航空航天大学 | 一种基于动态聚类的信号时序数据故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
| 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 | |
| Kaplan et al. | An improved feature extraction method using texture analysis with LBP for bearing fault diagnosis | |
| Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
| Zhang et al. | Federated learning for machinery fault diagnosis with dynamic validation and self-supervision | |
| 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 | |
| Zhang et al. | Machinery fault diagnosis with imbalanced data using deep generative adversarial networks | |
| Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
| Wang et al. | Application of multiscale learning neural network based on CNN in bearing fault diagnosis | |
| Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN105910827B (zh) | 基于判别性卷积特征学习的感应电机故障诊断方法 | |
| Li et al. | Unsupervised rotating machinery fault diagnosis method based on integrated SAE–DBN and a binary processor | |
| CN106874957A (zh) | 一种滚动轴承故障诊断方法 | |
| Liang et al. | A deep learning method for motor fault diagnosis based on a capsule network with gate-structure dilated convolutions | |
| CN114048568A (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 | |
| Su et al. | A multi-level adaptation scheme for hierarchical bearing fault diagnosis under variable working conditions | |
| CN112763214A (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| Li et al. | Maximum margin Riemannian manifold-based hyperdisk for fault diagnosis of roller bearing with multi-channel fusion covariance matrix | |
| 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 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
| Aljemely et al. | Wise-local response convolutional neural network based on Naïve Bayes theorem for rotating machinery fault classification |
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 |