CN115600137A - 面向不完备类别数据的多源域变工况机械故障诊断方法 - Google Patents
面向不完备类别数据的多源域变工况机械故障诊断方法 Download PDFInfo
- Publication number
- CN115600137A CN115600137A CN202211358570.9A CN202211358570A CN115600137A CN 115600137 A CN115600137 A CN 115600137A CN 202211358570 A CN202211358570 A CN 202211358570A CN 115600137 A CN115600137 A CN 115600137A
- Authority
- CN
- China
- Prior art keywords
- source domain
- sample set
- anchor
- domain
- fault
- 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
- 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)
- Complex Calculations (AREA)
Abstract
本发明涉及机械参数模式识别方法,具体涉及一种面向不完备类别数据的多源域变工况机械故障诊断方法,用于解决现有基于迁移学习的故障诊断方法要求源域和目标域之间共享相同的故障类型,但在实际的场景中,在相同的工作条件或设备上很难收集到包含所有故障类别的完整数据集的技术问题。该面向不完备类别数据的多源域变工况机械故障诊断方法,构建并训练循环生成对抗网络以补齐多源域样本集中的缺失样本;本发明进一步针对多个源域与目标域数据分布不一致的问题,采用基于锚适配器集成的多源域适应网络,实现了知识的有效迁移,提高了故障诊断模型的故障诊断精度和鲁棒性。
Description
技术领域
本发明涉及机械参数模式识别方法,具体涉及一种面向不完备类别数据的多源域变工况机械故障诊断方法。
背景技术
目前基于数据驱动的故障诊断方法通常可分为基于传统机器学习的智能诊断方法、基于深度学习的智能诊断方法和基于迁移学习的智能诊断方法。
传统机器学习方法通常基于浅层网络结构,限制了其高维特征学习能力。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:测试数据与训练数据需满足独立同分布,以及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/深度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。但在故障诊断领域,大多数方法都假设源域和目标域之间共享相同的故障类型(标签空间),实际的场景中,在相同的工作条件或设备上很难收集到包含所有故障类别的完整数据集。换句话说,源域数据集通常由来自不同工作条件的数据组成,每个工作条件的数据标签空间是目标域工作条件标签空间的子集。由于每个源域都缺少一些故障类别数据,使用域自适应方法将故障类别信息从单个源域转移到目标域容易导致负转移。
发明内容
本发明的目的是解决现有基于迁移学习的故障诊断方法要求源域和目标域之间共享相同的故障类型,但在实际的场景中,在相同的工作条件或设备上很难收集到包含所有故障类别的完整数据集的技术问题,而提供一种面向不完备类别数据的多源域变工况机械故障诊断方法。
为了解决上述现有技术所存在的不足之处,本发明提供了如下技术解决方案:
面向不完备类别数据的多源域变工况机械故障诊断方法,其特殊之处在于,包括如下步骤:
步骤1、采集M种工况下轴承的振动频域信号数据作为样本组成轴承故障数据集,每个样本包含数据、故障类型标签,每种工况所有样本的故障类型共分为C类;M≥3,C≥2;
通过轴承故障数据集获取目标域样本集和多源域样本集;所述多源域样本集分为N个源域样本集,每个源域样本集中部分样本的数据、故障类型标签均完备,剩余样本的数据、故障类型标签均缺失,多源域样本集中的已知故障类型共有C类;所述目标域样本集中所有样本的数据完备,故障类型标签缺失;将所述目标域样本集分为目标域训练集和目标域测试集;N=M-1;
步骤2、构建循环生成对抗网络,采用多源域样本集训练循环生成对抗网络,利用训练好的循环生成对抗网络生成多源域样本集中数据、故障类型标签均缺失的样本,得到完备的多源域故障样本集;
步骤3、构建基于锚适配器集成的多源域适应网络;
步骤3.1、构建锚适配器矩阵;
从各源域样本集的每种故障类型中随机选择一个样本作为锚点,生成一个由K=N×C个锚点组成的锚集合,其中,K表示锚集合中锚点的总数;分别计算各源域样本集、目标域训练集的锚适配器矩阵,最终得到K个锚点对应的锚适配矩阵集A;
步骤3.2、构建并训练多源域适应网络,利用步骤3.1所得的K个锚点对应的锚适配矩阵集A计算得到K个锚点对应的K个子分类器;
步骤3.3、K个子分类器集成;
步骤3.3.1、将目标域训练集分别输入到K个子分类器中,通过K个锚点对应的子分类器输出预测结果;
步骤3.3.2、对每个子分类器的性能进行评价;
分别计算每个子分类器预测结果的置信度和类别比,利用置信度和类别比的乘积作为每个子分类器综合性能评价指标,并对所有子分类器综合性能评价指标由大到小进行排序;
步骤3.3.3、分类器的集成;
选取所有子分类器综合性能评价指标排序中前L个子分类器,L≤K,计算前L个子分类器中每个子分类器的权重;利用分类器集成计算公式,对前L个子分类器采用加权的方式进行分类器集成,获得故障诊断模型;
步骤4、利用故障诊断模型对目标域测试集进行故障诊断。
进一步地,步骤1中,所述获取目标域样本集和多源域样本集具体为:将M种工况的其中一个工况作为目标域,目标域的振动频域信号数据作为样本组成目标域样本集,目标域样本集的所有样本的数据完备,但所有样本的故障类型标签缺失;将目标域样本集的所有样本按2:1比例分成目标域训练集T、目标域测试集;
将M种工况的剩余工况分别作为第1源域、……、第N源域,第1源域、……、第N源域的振动频域信号数据作为样本分别组成源域样本集S1、……、源域样本集SN,源域样本集S1、……、源域样本集SN的合集组成多源域样本集。
进一步地,所述步骤2.2具体为:
步骤2.2.1、
式中,||·||1表示1范数操作;
总损失函数和训练目标函数如下:
其中,λcyc、λid为平衡因子;
步骤2.2.2、判断多源域故障样本集是否完备,若完备,则执行步骤3,否则将a加1后,返回步骤2.2.1。
进一步地,步骤3.1中,所述分别计算各源域样本集、目标域训练集的锚适配器矩阵,最终得到K个锚点对应的锚适配矩阵集A具体为:
利用相似度计算公式,计算锚集合中每一个锚点与各源域样本集、目标域训练集中每个样本的相似度;
所述的相似度计算公式如下:
式中,a表示锚点集中的锚点,x表示各源域样本集、目标域训练集中的样本,(·)T表示进行转置操作;
按照下式,分别计算各源域样本集、目标域训练集的锚适配器矩阵:
其中,表示锚点集合中第τ个锚点对应的源域样本集S1的锚适配矩阵,cos(·)表示余弦操作,aτ表示锚点集合中第τ个锚点,表示源域样本集S1中的第1个样本,表示源域样本集S1中的第个样本,表示源域样本集S1的补齐后的样本总数;表示锚点集合中第τ个锚点对应的源域样本集SN的锚适配矩阵,表示源域样本集SN中的第1个样本,表示源域样本集SN中的第个样本,表示源域样本集SN的补齐后的样本总数;表示锚点集合中第τ个锚点对应的目标域训练集的锚适配矩阵,表示目标域训练集中的第1个样本,表示目标域训练集中的第nT个样本,nT表示目标域训练集的样本总数;
计算完成后,得到了K个锚点对应的锚适配矩阵集A:
进一步地,所述步骤3.2具体为:
步骤3.2.1、搭建一个4层的多源域适应网络,所述多源域适应网络包括依次设置的输入层、隐藏层、特征输出层及分类层;
将输入层、隐藏层、特征输出层及分类层的神经元个数分别设置为200、100、50、C,输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数,分类层的激活函数为Softmax函数,设置多源域适应网络的学习率为0.02,最大均值惩罚项系数为2;其中多源域适应网络的输入层、隐藏层、特征输出层组成特征提取网络Gy,分类层组成分类网络Gf;
步骤3.2.2、训练多源域适应网络;
步骤3.2.2.1、令τ=1;
所述的总损失函数的表达式如下:
式中,λmmd表示惩罚系数;
步骤3.2.2.3、判断是否获得所有锚点对应的子分类器;
若是,循环结束,得到K个子分类器,并执行步骤3.3;否则,将τ加1后返回步骤3.2.2.2。
进一步地,步骤3.3.2中,所述每个子分类器预测结果的置信度是由下式计算得到的:
所述每个子分类器预测结果的类别比是由下式计算得到的:
其中,表示第τ个锚点对应的子分类器的类别比, 表示目标域训练集第i个样本真实的故障类型,pj′表示目标域训练集中第j′类故障类型的样本所占比例,表示目标域训练集样本在第τ个锚点对应的子分类器预测概率中预测为第j′类故障类型所占的比例, 表示第τ个锚点的子分类器的正则化因子。
进一步地,步骤3.3.3中,所述每个子分类器的权重由下式计算得到的:
进一步地,所述步骤4具体为:根据故障诊断模型,依据下式对目标域测试集进行故障诊断:
选择预测概率最大的故障类型作为目标域测试集第i个样本的故障诊断预测结果。
与现有技术相比,本发明的有益效果是:
(1)本发明面向不完备类别数据的多源域变工况机械故障诊断方法,构建并训练循环生成对抗网络以补齐多源域样本集中的缺失样本,完备的多源域样本集可减少在域适应过程中由于类别缺失带来的负迁移问题,并放宽了常见无监督迁移学习任务对源域故障类别和目标域故障类别必须一致的要求,更加符合工程实际;本发明进一步针对多个源域与目标域数据分布不一致的问题,采用基于锚适配器集成的多源域适应网络,实现了知识的有效迁移,提高了故障诊断模型的故障诊断精度和鲁棒性。
(2)本发明面向不完备类别数据的多源域变工况机械故障诊断方法,通过多源域间两两源域样本集互相映射训练生成循环对抗网络,可以有效的实现样本的跨域映射。
(3)本发明面向不完备类别数据的多源域变工况机械故障诊断方法,通过构建锚适配器矩阵类扩充原始数据集,得到以每类故障类型为中心的增强数据集。
(4)本发明面向不完备类别数据的多源域变工况机械故障诊断方法,利用基于最小熵原理的置信度准则和类别比准则,以有效全面的评估各子分类器的性能,给予分类性能好的子分类器更大权重,使得集成后的故障诊断模型有更强的诊断精度和鲁棒性。
附图说明
图1为本发明面向不完备类别数据的多源域变工况机械故障诊断方法的流程示意图;
图2为本发明实施例一循环生成对抗网络的训练过程示意图;
图3为本发明实施例一利用循环生成对抗网络实现缺失样本补齐过程的示意图;
图4为本发明实施例一对目标域样本集T的1200个测试样本进行分类的结果示意图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步地说明。
下列实施例的仿真实验的硬件平台为:中央处理器为Intel(R)Core(TM)i5-7500CPU,主频为3.40GHZ,内存16G。
下列实施例的仿真实验的软件平台为:WINDOWS 7操作系统和Python 3.7。
下列实施例的样本采用轴承加速寿命试验台PRONOSTIA采集。
实施例一
参照图1,面向不完备类别数据的多源域变工况机械故障诊断方法,包括如下步骤:
步骤1、获取目标域样本集和多源域样本集;
采集M种工况下轴承的振动频域信号数据作为样本组成轴承故障数据集,每个样本包含数据、故障类型标签,每种工况所有样本的故障类型共分为C类;M=3;每种工况下每类故障类型含有300个样本;
本实施例中,C=12,12种故障类型如表1所示:
表1
如表2所示,将3种工况的其中一个工况作为目标域,目标域的振动频域信号数据作为样本组成目标域样本集,目标域样本集T的所有样本的数据完备,但所有样本的故障类型标签缺失;将目标域样本集T的所有样本按2:1比例分成目标域训练集T、目标域测试集;
将剩余工况分别作为第1源域、第2源域,第1源域、第2源域的振动频域信号数据作为样本分别组成源域样本集S1、源域样本集S2;源域样本集S1中9-12类故障类型样本的数据、故障类型标签均缺失,源域样本集S2中1-4类故障类型样本的数据、故障类型标签均缺失;源域样本集S1、源域样本集S2的合集组成多源域样本集;
表2
步骤2、构建循环生成对抗网络,采用多源域样本集训练循环生成对抗网络,利用训练好的循环生成对抗网络生成多源域样本集中数据、故障类型标签均缺失的样本,得到完备的多源域故障样本集;
步骤2.1、构建循环生成对抗网络,循环生成对抗网络由两组对抗性学习网络组成,分别是生成器Gab和判别器Db、生成器Fba和判别器Da,其中生成器Gab和生成器Fba有相同的网络结构,判别器Db和判别器Da有相同的网络结构,如表3所示;学习率设置为0.0002,迭代次数设置为100;
表3
步骤2.2、通过对抗博弈训练使生成器Gab和生成器Fba学习将样本在源域样本集Sa、源域样本集Sb之间互相映射,直至得到完备的多源域故障样本;源域样本集Sa、源域样本集Sb分别为第a源域、第b源域对应的样本集;
生成器Gab用于完成源域样本集Sa向源域样本集Sb的映射,以生成新源域样本集Sb′,判别器Db用于判别新源域样本集Sb′与原源域样本集Sb的区别;生成器Fba用于完成源域样本集Sb向源域样本集Sa的映射,以生成新源域样本集Sa′,判别器Da用于判别新源域样本集Sa′与原源域样本集Sa的区别。
步骤2.2.1、令a=1,b=2;
其中,nSb表示源域样本集Sb的样本总数,表示源域样本集Sb的第i个样本,nSa表示源域样本集Sa的样本总数,表示源域样本集Sa的第i个样本;生成器Gab用于完成源域样本集Sa向源域样本集Sb的映射,以生成新源域样本集Sb,判别器Db用于判别新源域样本集Sb与原源域样本集Sb的区别;
其中,生成器Fba用于完成源域样本集Sb向源域样本集Sa的映射,以生成新源域样本集Sa,判别器Da用于判别新源域样本集Sa与原源域样本集Sa的区别;
式中,||·||1表示1范数操作。
总损失函数和训练目标函数如下:
其中,λcyc、λid为平衡因子,取值分别为2、1;
图2为循环生成对抗网络的训练过程,方框中各形状的图形表示不同故障类型的样本,虚线空心表示该源域样本集中缺失的故障类型,实线实心表示该源域样本集中拥有的故障类别,XS1、XS2分别表示源域样本集S1、源域样本集S2,X′S1表示源域样本集S1通过生成器F21映射得到的生成样本集,X′S2表示源域样本集S2通过生成器G12映射得到的生成样本集;图3为利用循环生成对抗网络实现缺失样本补齐过程,分别表示已补齐缺失样本的源域样本集S1、源域样本集S2;
步骤2.2.2、判断多源域故障样本集是否完备,若完备,则执行步骤3,否则将a加1后,返回步骤2.2.1;
步骤3、构建基于锚适配器集成的多源域适应网络;
步骤3.1、构建锚适配器矩阵;
从各源域样本集的每种故障类型中随机选择一个样本作为锚点,生成一个由K=N×C=24个锚点组成的锚集合,其中,K表示锚集合中锚点的总数;
利用相似度计算公式,计算锚集合中每一个锚点与各源域样本集、目标域训练集中每个样本的相似度;
所述的相似度计算公式如下:
式中,a表示锚点集中的锚点,x表示各源域样本集、目标域训练集中的样本,(·)T表示进行转置操作;
按照下式,分别计算各源域样本集、目标域训练集的锚适配器矩阵:
其中,表示锚点集合中第τ个锚点对应的源域样本集S1的锚适配矩阵,cos(·)表示余弦操作,aτ表示锚点集合中第τ个锚点,表示源域样本集S1中的第1个样本,表示源域样本集S1中的第个样本,表示源域样本集S1的补齐后的样本总数;表示锚点集合中第τ个锚点对应的源域样本集SN的锚适配矩阵,表示源域样本集SN中的第1个样本,表示源域样本集SN中的第个样本,表示源域样本集SN的补齐后的样本总数;表示锚点集合中第τ个锚点对应的目标域训练集的锚适配矩阵,表示目标域训练集中的第1个样本,表示目标域训练集中的第nT个样本,nT表示目标域训练集的样本总数;
计算完成后,得到了K个锚点对应的锚适配矩阵集A:
步骤3.2、构建多源域适应网络;
步骤3.2.1、搭建一个4层的多源域适应网络,所述多源域适应网络包括依次设置的输入层、隐藏层、特征输出层及分类层;
将输入层、隐藏层、特征输出层及分类层的神经元个数分别设置为200、100、50、12,输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数,分类层的激活函数为Softmax函数,设置多源域适应网络的学习率为0.02,最大均值惩罚项系数为2,迭代次数为200;其中多源域适应网络的输入层、隐藏层、特征输出层组成特征提取网络Gy,分类层组成分类网络Gf;
步骤3.2.2、训练多源域适应网络;
步骤3.2.2.1、令τ=1;
所述的总损失函数的表达式如下:
式中,λmmd表示惩罚系数;
步骤3.2.2.3、判断是否获得所有锚点对应的子分类器;
若是,循环结束,得到K个子分类器,并执行步骤3.3;否则,将τ加1后返回步骤3.2.2.2;
步骤3.3、K个子分类器集成;
步骤3.3.1、将目标域训练集分别输入到K个子分类器中,通过K个锚点对应的子分类器输出预测结果;
步骤3.3.2、对每个子分类器的性能进行评价;
分别计算每个子分类器预测结果的置信度和类别比,利用置信度和类别比的乘积作为每个子分类器综合性能评价指标,并对所有子分类器综合性能评价指标由大到小进行排序;
所述每个子分类器预测结果的置信度是由下式计算得到的:
所述每个子分类器预测结果的类别比是由下式计算得到的:
其中,表示第τ个锚点对应的子分类器的类别比,p=(p1,p2,…,pj′,…,pC), 表示目标域训练集第i个样本真实的故障类型,pj′表示目标域训练集中第j′类故障类型的样本所占比例,表示目标域训练集样本在第τ个锚点对应的子分类器预测概率中预测为第j′类故障类型所占的比例, 表示第τ个锚点的子分类器的正则化因子;
步骤3.3.3、分类器的集成;
选取所有子分类器综合性能评价指标排序中前L个子分类器,L≤K,计算前L个子分类器中每个子分类器的权重。
所述每个子分类器的权重由下式计算得到的:
利用分类器集成计算公式,对前L个子分类器采用加权的方式进行分类器集成,获得故障诊断模型;
步骤4、对轴承故障进行诊断;
根据故障诊断模型,依据下式对目标域测试集进行故障诊断:
选择预测概率最大的故障类型作为目标域测试集第i个样本的故障诊断预测结果。
图4为本发明实施例对目标域样本集T的1200个测试样本进行分类的结果图,以故障诊断预测结果为横坐标,真实故障类别为纵坐标,数字表示预测结果的准确率,图4显示只有第2,3,4类故障类型预测出现少量误分类,准确率分别为0.98,0.98,0.99,其他9类的故障诊断精度都为1。
实施例二
面向不完备类别数据的多源域变工况机械故障诊断方法,包括如下步骤:
步骤1、获取目标域样本集和多源域样本集;
采集M种工况下轴承的振动频域信号数据作为样本组成轴承故障数据集,每个样本包含数据、故障类型标签,每种工况所有样本的故障类型共分为C类;M=4;
本实施例中,4种工况分别为转速1797rpm、转速1772rpm、转速1750rpm、转速1730rpm,并分别标记为A、B、C、D;C=12,12种故障类型与实施例一设置相同;
依据4种工况设置12类迁移故障诊断任务,如表4所示:
表4
对各多源域迁移故障诊断任务,依次执行步骤2至步骤4,获取对各多源域迁移故障诊断任务的故障诊断结果;
本实施例步骤2至步骤4与实施例一的方法相同。
为对本实施例的效果做进一步的说明,采用两类现有方法执行表4中12类不同迁移任务,并将本实施例的故障诊断精度与各方法的故障诊断精度进行对比,如表5所示;所述两类现有方法分别为源域最佳方法和源域组合方法,其中源域最佳方法分为基于DCNN的迁移学习方法、基于DANN的迁移学习方法,源域组合方法分为基于DANN的迁移学习方法,基于TCA的迁移学习方法,基于CORAL的迁移学习方法;
表5
基于DCNN的迁移学习方法是指Z.Chai等人在“Enhanced random forest withconcurrent analysis of static and dynamic nodes for industrial faultclassification,Ieee T Ind Inform,16(2020)54-66”中提出的迁移学习方法;基于DANN的迁移学习方法是指Y.Ganin等人在“Domain-adversarial training of neuralnetworks,J Mach Learn Res,17(2016)”中提出的迁移学习方法;基于TCA的迁移学习方法是指Sinno Jialin Pan等人在“Domain Adaptation via Transfer Component Analysis,IEEE Trans,vol.22,no.2,February 2011”中提出的迁移学习方法;基于CORAL的迁移学习方法是指Baochen Sun等人在“Deep CORAL:Correlation Alignment for Deep DomainAdaptation,ECCV 2016:Computer Vision-ECCV 2016Workshops,pp 443-450”中提出的迁移学习方法。
从表5可以看出,本发明中提出的方法故障诊断精度相比于于其他现有方法,在不同的迁移学习任务上准确率波动较小,具有良好的鲁棒性,而且其故障诊断精度有显著提高。
综上所述,本发明能够筛选出集成多源域的不同数据分布信息,筛选出综合性能较好的分类器,并克服单源域迁移学习由于源域个性差异而造成的分类精度不高和泛化能力差的不足,提高了轴承智能故障诊断的精度。
以上实施例仅用以说明本发明的技术方案,而非对其限制,对于本领域的普通专业技术人员来说,可以对前述各实施例所记载的具体技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明所保护技术方案的范围。
Claims (9)
1.面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于,包括如下步骤:
步骤1、采集M种工况下轴承的振动频域信号数据作为样本组成轴承故障数据集,每个样本包含数据、故障类型标签,每种工况所有样本的故障类型共分为C类;M≥3,C≥2;
通过轴承故障数据集获取目标域样本集和多源域样本集;所述多源域样本集分为N个源域样本集,每个源域样本集中部分样本的数据、故障类型标签均完备,剩余样本的数据、故障类型标签均缺失,多源域样本集中的已知故障类型共有C类;所述目标域样本集中所有样本的数据完备,故障类型标签缺失;将所述目标域样本集分为目标域训练集和目标域测试集;N=M-1;
步骤2、构建循环生成对抗网络,采用多源域样本集训练循环生成对抗网络,利用训练好的循环生成对抗网络生成多源域样本集中数据、故障类型标签均缺失的样本,得到完备的多源域故障样本集;
步骤3、构建基于锚适配器集成的多源域适应网络;
步骤3.1、构建锚适配器矩阵;
从各源域样本集的每种故障类型中随机选择一个样本作为锚点,生成一个由K=N×C个锚点组成的锚集合,其中,K表示锚集合中锚点的总数;分别计算各源域样本集、目标域训练集的锚适配器矩阵,最终得到K个锚点对应的锚适配矩阵集A;
步骤3.2、构建并训练多源域适应网络,利用步骤3.1所得的K个锚点对应的锚适配矩阵集A计算得到K个锚点对应的K个子分类器;
步骤3.3、K个子分类器集成;
步骤3.3.1、将目标域训练集分别输入到K个子分类器中,通过K个锚点对应的子分类器输出预测结果;
步骤3.3.2、对每个子分类器的性能进行评价;
分别计算每个子分类器预测结果的置信度和类别比,利用置信度和类别比的乘积作为每个子分类器综合性能评价指标,并对所有子分类器综合性能评价指标由大到小进行排序;
步骤3.3.3、分类器的集成;
选取所有子分类器综合性能评价指标排序中前L个子分类器,L≤K,计算前L个子分类器中每个子分类器的权重;利用分类器集成计算公式,对前L个子分类器采用加权的方式进行分类器集成,获得故障诊断模型;
步骤4、利用故障诊断模型对目标域测试集进行故障诊断。
2.根据权利要求1所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于:步骤1中,所述获取目标域样本集和多源域样本集具体为:将M种工况的其中一个工况作为目标域,目标域的振动频域信号数据作为样本组成目标域样本集,目标域样本集的所有样本的数据完备,但所有样本的故障类型标签缺失;将目标域样本集的所有样本按2∶1比例分成目标域训练集T、目标域测试集;
将M种工况的剩余工况分别作为第1源域、……、第N源域,第1源域、……、第N源域的振动频域信号数据作为样本分别组成源域样本集S1、……、源域样本集SN,源域样本集S1、……、源域样本集SN的合集组成多源域样本集。
3.根据权利要求2所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于,所述步骤2具体为:
步骤2.1、构建循环生成对抗网络,循环生成对抗网络由两组对抗性学习网络组成,分别是生成器Gab和判别器Db、生成器Fba和判别器Da,其中生成器Gab和生成器Fba有相同的网络结构,判别器Db和判别器Da有相同的网络结构;
步骤2.2、通过对抗博弈训练使生成器Gab和生成器Fba学习将样本在源域样本集Sa、源域样本集Sb之间互相映射,直至得到完备的多源域故障样本;源域样本集Sa、源域样本集Sb分别为第a源域、第b源域对应的样本集,a<b,1≤a≤N-1,b≤N;
生成器Gab用于完成源域样本集Sa向源域样本集Sb的映射,以生成新源域样本集Sb′,判别器Db用于判别新源域样本集Sb′与原源域样本集Sb的区别;生成器Fba用于完成源域样本集Sb向源域样本集Sa的映射,以生成新源域样本集Sa′,判别器Da用于判别新源域样本集Sa′与原源域样本集Sa的区别。
4.根据权利要求3所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于,所述步骤2.2具体为:
步骤2.2.1、
式中,||·||1表示1范数操作;
总损失函数和训练目标函数如下:
其中,λcyc、λid为平衡因子;
步骤2.2.2、判断多源域故障样本集是否完备,若完备,则执行步骤3,否则将a加1后,返回步骤2.2.1。
5.根据权利要求2至4任一所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于:步骤3.1中,所述分别计算各源域样本集、目标域训练集的锚适配器矩阵,最终得到K个锚点对应的锚适配矩阵集A具体为:
利用相似度计算公式,计算锚集合中每一个锚点与各源域样本集、目标域训练集中每个样本的相似度;
所述的相似度计算公式如下:
式中,a表示锚点集中的锚点,x表示各源域样本集、目标域训练集中的样本,(·)T表示进行转置操作;
按照下式,分别计算各源域样本集、目标域训练集的锚适配器矩阵:
其中,表示锚点集合中第τ个锚点对应的源域样本集S1的锚适配矩阵,cos(·)表示余弦操作,aτ表示锚点集合中第τ个锚点,表示源域样本集S1中的第1个样本,表示源域样本集S1中的第个样本,表示源域样本集S1的补齐后的样本总数;表示锚点集合中第τ个锚点对应的源域样本集SN的锚适配矩阵,表示源域样本集SN中的第1个样本,表示源域样本集SN中的第个样本,表示源域样本集SN的补齐后的样本总数;表示锚点集合中第τ个锚点对应的目标域训练集的锚适配矩阵,表示目标域训练集中的第1个样本,表示目标域训练集中的第nT个样本,nT表示目标域训练集的样本总数;
计算完成后,得到了K个锚点对应的锚适配矩阵集A:
6.根据权利要求5所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于,所述步骤3.2具体为:
步骤3.2.1、搭建一个4层的多源域适应网络,所述多源域适应网络包括依次设置的输入层、隐藏层、特征输出层及分类层;
将输入层、隐藏层、特征输出层及分类层的神经元个数分别设置为200、100、50、C,输入层、隐藏层、特征输出层的神经元激活函数均为Sigmoid函数,分类层的激活函数为Softmax函数,设置多源域适应网络的学习率为0.02,最大均值惩罚项系数为2;其中多源域适应网络的输入层、隐藏层、特征输出层组成特征提取网络Gy,分类层组成分类网络Gf;
步骤3.2.2、训练多源域适应网络;
步骤3.2.2.1、令τ=1;
所述的总损失函数的表达式如下:
式中,λmmd表示惩罚系数;
步骤3.2.2.3、判断是否获得所有锚点对应的子分类器;
若是,循环结束,得到K个子分类器,并执行步骤3.3;否则,将τ加1后返回步骤3.2.2.2。
7.根据权利要求6所述的面向不完备类别数据的多源域变工况机械故障诊断方法,其特征在于:步骤3.3.2中,所述每个子分类器预测结果的置信度是由下式计算得到的:
所述每个子分类器预测结果的类别比是由下式计算得到的:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358570.9A CN115600137A (zh) | 2022-11-01 | 2022-11-01 | 面向不完备类别数据的多源域变工况机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358570.9A CN115600137A (zh) | 2022-11-01 | 2022-11-01 | 面向不完备类别数据的多源域变工况机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600137A true CN115600137A (zh) | 2023-01-13 |
Family
ID=84850852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211358570.9A Pending CN115600137A (zh) | 2022-11-01 | 2022-11-01 | 面向不完备类别数据的多源域变工况机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600137A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
CN117961976A (zh) * | 2024-03-29 | 2024-05-03 | 湖南大学 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
-
2022
- 2022-11-01 CN CN202211358570.9A patent/CN115600137A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
CN117407784B (zh) * | 2023-12-13 | 2024-03-12 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
CN117961976A (zh) * | 2024-03-29 | 2024-05-03 | 湖南大学 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
Zhao et al. | Intrusion detection using deep belief network and probabilistic neural network | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN115600137A (zh) | 面向不完备类别数据的多源域变工况机械故障诊断方法 | |
Karimi-Bidhendi et al. | Scalable classification of univariate and multivariate time series | |
Islam et al. | InceptB: a CNN based classification approach for recognizing traditional bengali games | |
Ma et al. | An unsupervised domain adaptation approach with enhanced transferability and discriminability for bearing fault diagnosis under few-shot samples | |
Yeganejou et al. | Classification via deep fuzzy c-means clustering | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
Pezeshkpour et al. | On the utility of active instance selection for few-shot learning | |
CN115964258A (zh) | 基于多时序分析的物联网卡异常行为分级监测方法及系统 | |
CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
Tao et al. | Efficient incremental training for deep convolutional neural networks | |
CN114821218A (zh) | 基于改进的通道注意力机制的目标检测模型搜索方法 | |
Dionysiou et al. | Exploring model inversion attacks in the black-box setting | |
CN113239949A (zh) | 一种基于1d分组卷积神经网络的数据重构方法 | |
Renström et al. | Fraud Detection on Unlabeled Data with Unsupervised Machine Learning | |
CN115049852B (zh) | 一种轴承故障诊断方法、装置、存储介质及电子设备 | |
Zhang et al. | IA-CNN: A generalised interpretable convolutional neural network with attention mechanism | |
CN112598119B (zh) | 一种面向液体状态机的神经形态处理器片上存储压缩方法 | |
CN115392434A (zh) | 一种基于图结构变异测试的深度模型加固方法 | |
CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
Xue et al. | Fast and unsupervised neural architecture evolution for visual representation learning | |
Binu et al. | Support vector neural network and principal component analysis for fault diagnosis of analog circuits | |
Giampaolo et al. | Investigating random variations of the forward-forward algorithm for training neural networks |
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 |