CN115655717A - 一种基于深度领域泛化网络的轴承故障诊断方法 - Google Patents
一种基于深度领域泛化网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115655717A CN115655717A CN202211294528.5A CN202211294528A CN115655717A CN 115655717 A CN115655717 A CN 115655717A CN 202211294528 A CN202211294528 A CN 202211294528A CN 115655717 A CN115655717 A CN 115655717A
- Authority
- CN
- China
- Prior art keywords
- domain
- fault
- fault diagnosis
- data
- bearing
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度领域泛化网络的轴承故障诊断方法,包括以下步骤:S1、获取历史工况数据、新工况数据和随机噪声数据,经过预处理后,分别得到源域、目标域和参考域;S2、建立轴承故障诊断模型的故障分类深度神经网络,构建故障分类深度神经网络中的三个子模块:特征编码器、故障分类器和域尺度计算器;S3、建立轴承故障诊断模型对应的学习任务,并制定相应的学习策略;S4、优化轴承故障诊断模型中的超参数,确定最佳的超参数;S5、将最佳的超参数代入故障分类深度神经网络,训练网络后,得到最佳轴承故障诊断模型;S6、创建需要做故障诊断的轴承监测目标域数据,采用最佳轴承故障诊断模型对目标域数据完成故障分类,确定故障类型。
Description
技术领域
本发明涉及轴承故障诊断技术领域,具体涉及一种基于深度领域泛化网络的轴承故障诊断方法。
背景技术
滚动轴承作为一种精密部件,被广泛运用于各种机械装备的传动机构中,起着支撑运动轴和承受轴上载荷的作用。在长期使用过程中,外部环境和轴承本身的固有缺陷可能会引发轴承出现各类故障,如轴承变色、轴承裂纹、轴承腐蚀、滚珠滚子损坏和滚道损坏等,从而影响装备的正常使用,甚至对装备造成不可逆转的损坏。因此,对重要的机械装备开展定期的轴承健康状态检测,提前发现并更换故障轴承具有重要意义。
随着计算机技术和传感技术的进步,轴承故障诊断技术在数字化和智能化方面有了很大发展。基于数字信号分析的轴承故障技术通过传感器系统感知并采集装备运转过程中发出的与轴承相关的各种信号,然后处理并分析采集到的数字信号,提取其中与轴承相关的特征,最后根据特征判断轴承的健康状态。在上述的数字信号处理和分析方面,很多研究者用特征工程的方法,从时域或频域处理信号,分析信号的组成成分,然后提取出轴承故障特征。
传统的特征工程方法通常需要研究者具有丰富的专业知识和经验,才能得到较好的故障特征表示。机器学习技术能够基于学习算法,拟合复杂的随机数据分布,一些研究者在对信号做简单的预处理后,用机器学习方法实现轴承故障特征的自动提取和故障分类,然而现有的轴承故障诊断网络泛化性能差,较难广泛满足实际的轴承故障诊断需求。
发明内容
本发明的目的在于提供一种基于深度领域泛化网络的轴承故障诊断方法,该方法解决了现有的轴承故障诊断网络泛化性能差的问题,将深度学习和领域泛化方法相结合,实现了多个数据域的轴承故障特征对齐,提高了故障诊断模型的泛化能力。
为实现上述目的,本发明采用以下技术方案:
一种基于深度领域泛化网络的轴承故障诊断方法,包括以下步骤:
S1、获取历史工况数据、新工况数据和随机噪声数据,经过预处理后,分别得到多个源域、目标域和参考域;
S2、建立轴承故障诊断模型的故障分类深度神经网络,构建故障分类深度神经网络中的三个子模块:特征编码器、故障分类器和域尺度计算器;
S3、建立轴承故障诊断模型对应的学习任务,并制定相应的学习策略;
S4、优化轴承故障诊断模型中的超参数,确定最佳的超参数;
S5、将最佳的超参数代入故障分类深度神经网络,训练网络后,得到最佳轴承故障诊断模型;
S6、创建需要做故障诊断的轴承监测目标域数据,采用最佳轴承故障诊断模型对目标域数据完成故障分类,确定故障类型。
优选地,步骤S1中,
所述源域表示为:Ds,i={Xs,i,Ys,i,Ps,i(x,y)},i=1,2,3,...,Nd;
所述目标域表示为:Dt={Xt,Pt(x)};
所述参考域表示为:Dr={Xr,Pr(x)};
其中,s为源域标识字母表示源域;t为目标域标识字母;r为参考域标识字母;i表示工况序号;Nd表示历史工况总数,同时也表示源域的数量;X表示样本空间,域中样本为三维向量;Y表示标签空间,域中样本为标量;P(x)表示样本的概率分布;Ds,i表示第i个源域,由第i种历史工况下的样本构成;
所述历史工况数据大于等于三种,即Nd≥3;每种历史工况下的故障种类大于等于三种,所有历史工况下的故障种类相同;所述目标域是需要做轴承故障诊断的数据域;所述目标域由不同于所有历史工况的一种新工况样本构成,新工况下的故障类型在历史工况下的故障类型范围内;所述参考域由不包含任何故障特征的噪声样本构成,该参考域用于提供一个特征零点。
优选地,步骤S1中历史工况数据和新工况数据的预处理方法相同,其均是对采集到的振动加速度信号做包络处理,提取包络谱,历史工况数据和新工况数据的预处理的具体过程为:
S11、将采集得到的某一时间段的振动加速度信号按设定的样本时长分割为多个样本信号段,再对每个信号段进行多个频段的滤波,得到分段信号在每一个频段单独滤波后的数据;其中,多个频段是先确定轴承的故障特征频率的频段范围,再将该频段分段后得到的;
S12、对多频段滤波得到的滤波信号进行包络处理,得到各个频段的包络信号;
S13、对各个频段的包络信号做傅里叶变换,得到包络频谱;
S14、将每个频段的包络频谱折叠成二维数据,构成一个通道的数据;一个样本信号段的多个通道数据构成一个最终训练神经网络用的三维样本。
优选地,步骤S1中获取随机噪声数据是指随机生成一段在区间(0,1)内均匀分布的随机数,这段随机数的长度与待预处理的振动加速度信号的长度相等;所述随机噪声数据的预处理与历史工况数据的预处理相同。
优选地,步骤S2中,
其中,Z表示深度特征向量空间;P表示预测的样本类概率空间;W表示域尺度空间;
所述特征编码器由多层卷积单元前后连接而成,每一层卷积单元包括一个用于特征提取的卷积运算单元和一个降采样单元,特征编码器用于将样本向量映射为深度特征向量;
所述故障分类器由多层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,故障分类器用于将特征编码器得到的深度特征向量映射为样本类概率向量;所述样本类概率向量的元素是样本属于每种故障的概率;
所述域尺度计算器由多层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,域尺度计算器用于将特征编码器得到的深度特征向量映射为域尺度因子,该域尺度因子用于缩放源域和参考域之间的分布差异。
优选地,步骤S3中所述轴承故障诊断模型的学习任务包括三个子任务,分别为:源域分类任务、全域分布差异最小化任务、全域正则化任务;
所述源域分类任务由步骤S1中所有源域的分类任务组成,多个分类任务共享特征编码器、故障任务分类器和域尺度计算器;所述源域分类任务先使用特征编码器将样本向量映射为深度特征向量,再使用故障分类器将深度特征向量映射为样本类概率向量,源域分类任务的优化目标表示为:
其中,Θe和Θc分别表示特征编码器和故障分类器的参数集,Nb表示一个批次的样本数量,表示第i个源域中的第j个样本,表示第i个源域中的第j个样本对应的one-hot编码标签向量,Lce(·,·)表示多元交叉熵损失函数,fc(·)表示故障分类器,ge(·)表示特征编码器,min表示最小化;
所述全域分布差异最小化任务用于使多个源域的分布对齐,消除工况对故障特征的影响;所述全域分布差异最小化任务先计算各个源域分布和参考域分布之间的最大均值差异,再由域尺度计算器计算域尺度因子,最后根据尺度因子缩放最大均值差异,并计算所有缩放后均值差异的方差;所述全域分布差异最小化任务的优化目标Lmyfn表示为:
S33、根据边缘分布最大均值差异和条件分布最大均值差异,计算源域和参考域的联合分布的最大均值差异,如下式所示:
其中,λj是各类样本的比例系数,μ是联合分布最大均值差异的权重系数;
所述全域正则化任务用于对特征编码器、故障分类器和域尺度计算器的参数集施加全局抗过拟合约束,全域正则化任务的优化目标Lre表示为:
其中,λ表示正则化参数,用于控制正则化程度,ω表示参数集中的参数,n表示参数的序号。
优选地,步骤S3中所述学习策略由模型预训练和和模型泛化训练两部分组成;
所述模型预训练采用已标注的源域样本对轴承故障诊断模型进行预训练,使轴承故障诊断模型具备基本的源域分类能力,优化目标表示为:
所述模型泛化训练用于弥合多个源域在深度特征空间的分布差异,同时维持轴承故障诊断模型在预训练中获得的分类能力,优化目标表示为:
其中,α和β是用于调控学习过程的权重参数,用于平衡轴承故障诊断模型关于三个子任务的注意力。
优选地,步骤S4中超参数是指步骤S3中模型泛化训练目标函数中的权重参数α和β,超参数的优化过程具体为:
S41、为超参数α和超参数β分别指定网格搜索的集合Tα和Tβ,
S42、按照步骤S1中的方法,创建一组优化超参数用源域数据、目标域数据和参考域数据;
S43、在计算机上用计算机编程语言构建所述轴承故障诊断模型;
S44、选择学习率优化器、训练的批次大小和训练轮数,针对超参数α和超参数β的每种组合,按照步骤S3中的学习策略,使用源域数据和参考域数据分别训练模型;
S45、每种超参数组合下的模型训练完成后,使用训练好的轴承故障诊断模型对目标域中的样本数据做故障预测,统计预测准确率,选择准确率最高的超参数组合作为最佳的超参数。
优选地,步骤S5的具体过程为:
S51、按照步骤S1中的方法,创建一组新的源域数据和参考域数据;
S52、将得到的最佳的超参数代入步骤S4中创建的轴承故障诊断模型;
S53、选择学习率优化器、训练的批次大小和训练轮数,使用新建的数据训练轴承故障诊断模型,得到最佳轴承故障诊断模型。
采用上述技术方案后,本发明具有如下有益效果:
1、本发明解决了现有的轴承故障诊断网络泛化性能差的问题,将深度学习和领域泛化方法相结合,实现了多个数据域的轴承故障特征对齐,提高了故障诊断模型的泛化能力,该方法提出了一种面向动态工况的新轴承故障诊断方法,可基于轴承历史工况数据实现对新工况数据的无差别泛化。
2、本发明提出了一种端到端的轴承故障诊断模型结构,该结构将轴承故障分类和领域对齐结合,实现了动态工况下的轴承故障诊断。
3、本发明提出了一种新的领域泛化模型训练目标函数,该目标函数使模型可以提取既定设备的全工况域不变特征。
附图说明
图1为本发明的流程图;
图2为本发明的轴承故障诊断的结构框图;
图3为本发明的轴承故障诊断神经网络的三维训练样本图;
图4为本发明的轴承故障分类深度神经网络的结构示意图;
图5为本发明不同目标函数超参数下的目标域测试准确率的结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
实施例
如图1至图5所示,一种基于深度领域泛化网络的轴承故障诊断方法,包括以下步骤:
S1、获取历史工况数据、新工况数据和随机噪声数据,经过预处理后,分别得到多个源域、目标域和参考域;
步骤S1中,
所述源域表示为:Ds,i={Xs,i,Ys,i,Ps,i(x,y)},i=1,2,3,...,Nd;
所述目标域表示为:Dt={Xt,Pt(x)};
所述参考域表示为:Dr={Xr,Pr(x)};
其中,s为源域标识字母;t为目标域标识字母;r为参考域标识字母;i表示工况序号;Nd表示历史工况总数,同时也表示源域的数量;X表示样本空间,域中样本为三维向量;Y表示标签空间,域中样本为标量;P(x)表示样本的概率分布;Ds,i表示第i个源域,由第i种历史工况下的样本构成;
所述源域数量为3,同时表示历史工况数量为3种。每种历史工况下的故障种类数为3,所有历史工况下的故障类别相同。
所述3种历史工况的工况1为:轴转速1500rpm,轴载荷扭矩0.7Nm,轴承径向力400N;工况2为:轴转速1500rpm,轴载荷扭矩0.1Nm,轴承径向力1000N;工况3为:轴转速900rpm,轴载荷扭矩0.7Nm,轴承径向力1000N;
所述目标域是需要做轴承故障诊断的数据域;所述目标域由不同于所有历史工况的一种新工况样本构成,新工况下的故障类型在历史工况下的故障类型范围内;
所述目标域工况为:轴转速1500rpm,轴载荷扭矩0.7Nm,轴承径向力1000N;
所述参考域由不包含任何故障特征的噪声样本构成,该参考域用于提供一个特征零点;
步骤S1中,获取工况数据是指针对一个轴承寿命试验平台,当其在某种工况下服役时,采用加速度传感器采集系统,在轴承支撑壳体的十二点钟方向的位置采集可以反映轴承状态的振动加速度信号。
所述轴承寿命试验平台由电动机、扭矩测量单元、滚珠轴承模块、飞轮和载荷电机组成;
步骤S1中历史工况数据和新工况数据的预处理方法相同,其均是对采集到的振动加速度信号做包络处理,提取包络谱,历史工况数据和新工况数据的预处理的具体过程为:
S11、将采集得到的时长为4秒的振动加速度信号按2秒的样本时长和0.25秒的窗口滑动分割为9个样本信号段,再对每个信号段进行3个频段的滤波,得到分段信号在每一个频段单独滤波后的数据;其中,多个频段是先确定轴承的故障特征频率的频段范围,再将该频段分段后得到的;所述3个频段分别为0~3000Hz,3000~6000Hz,6000~10000Hz;
S12、对多频段滤波得到的滤波信号进行包络处理,得到各个频段的包络信号;
S13、对各个频段的包络信号做傅里叶变换,得到包络频谱;
S14、将每个频段的包络频谱折叠成形状为(64,64)的二维数据,构成一个通道的数据;一个样本信号段的3个通道数据构成一个最终训练神经网络用的三维样本;
步骤S1中获取随机噪声数据是指随机生成一段在区间(0,1)内均匀分布的随机数,这段随机数的长度与待预处理的振动加速度信号的长度相等;所述随机噪声数据的预处理与历史工况数据的预处理相同;
S2、建立轴承故障诊断模型的故障分类深度神经网络,构建故障分类深度神经网络中的三个子模块:特征编码器、故障分类器和域尺度计算器;
步骤S2中,
其中,Z表示深度特征向量空间;P表示预测的样本类概率空间;W表示域尺度空间;
所述特征编码器由4层卷积单元前后连接而成,每一层卷积单元包括一个用于特征提取的卷积运算单元和一个降采样单元,特征编码器用于将样本向量映射为深度特征向量;从前往后,各层二维卷积运算单元的卷积核数量分别为12,16,20,24。各层二维卷积运算单元的卷积核大小都为(5,5);
所述故障分类器由4层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,从前往后,每层感知机神经网络的感知机数量分别为96,32,8,3;故障分类器用于将特征编码器得到的深度特征向量映射为样本类概率向量;所述样本类概率向量的元素是样本属于每种故障的概率;
所述域尺度计算器由4层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,从前往后,每层感知机神经网络的感知机数量分别为96,32,8,1;域尺度计算器用于将特征编码器得到的深度特征向量映射为域尺度因子,该域尺度因子用于缩放源域和参考域之间的分布差异;
S3、建立轴承故障诊断模型对应的学习任务,并制定相应的学习策略;
步骤S3中所述轴承故障诊断模型的学习任务包括三个子任务,分别为:源域分类任务、全域分布差异最小化任务、全域正则化任务;
所述源域分类任务由步骤S1中3个源域的分类任务组成,3个分类任务共享特征编码器、故障任务分类器和域尺度计算器;所述源域分类任务先使用特征编码器将样本向量映射为深度特征向量,再使用故障分类器将深度特征向量映射为样本类概率向量,源域分类任务的优化目标表示为:
其中,Θe和Θc分别表示特征编码器和故障分类器的参数集;Nb表示一个批次的样本数量,等于300;Nd表示源域数量,等于3;表示第i个源域中的第j个样本,表示第i个源域中的第j个样本对应的one-hot编码标签向量,Lce(·,·)表示多元交叉熵损失函数,fc(·)表示故障分类器,ge(·)表示特征编码器,min表示最小化;
所述全域分布差异最小化任务用于使3个源域的分布对齐,消除工况对故障特征的影响;所述全域分布差异最小化任务先计算各个源域分布和参考域分布之间的最大均值差异,再由域尺度计算器计算域尺度因子,最后根据尺度因子缩放最大均值差异,并计算所有缩放后均值差异的方差;所述全域分布差异最小化任务的优化目标Lmyfn表示为:
S33、根据边缘分布最大均值差异和条件分布最大均值差异,计算源域和参考域的联合分布的最大均值差异,如下式所示:
其中,λj是各类样本的比例系数,μ是联合分布最大均值差异的权重系数;
所述全域正则化任务用于对特征编码器、故障分类器和域尺度计算器的参数集施加全局抗过拟合约束,全域正则化任务的优化目标Lre表示为:
其中,λ表示正则化参数,用于控制正则化程度,ω表示参数集中的参数,n表示参数的序号;
步骤S3中所述学习策略由模型预训练和和模型泛化训练两部分组成;
所述模型预训练采用已标注的源域样本对轴承故障诊断模型进行预训练,使轴承故障诊断模型具备基本的源域分类能力,优化目标表示为:
所述模型泛化训练用于弥合多个源域在深度特征空间的分布差异,同时维持轴承故障诊断模型在预训练中获得的分类能力,优化目标表示为:
其中,α和β是用于调控学习过程的权重参数,用于平衡轴承故障诊断模型关于三个子任务的注意力;
S4、优化轴承故障诊断模型中的超参数,确定最佳的超参数;
步骤S4中超参数是指步骤S3中模型泛化训练目标函数中的权重参数α和β,超参数的优化过程具体为:
S41、为超参数α和超参数β分别指定网格搜索的集合Tα和Tβ,其中,Tα={0,0.05,0.1,0.2,0.4,0.8,1,2,4,8,10}和Tβ={0,0.0001,0.0005,0.001,0.005,0.01,0.05,0.1,0.15,0.2};
S42、按照步骤S1中的方法,创建一组优化超参数用源域数据、目标域数据和参考域数据;
S43、在计算机上用python编程语言构建所述轴承故障诊断模型;
S44、选择学习率优化器为Adam优化器、训练的批次大小为300和训练轮数为200,针对超参数α和超参数β的每种组合,按照步骤S3中的学习策略,使用源域数据和参考域数据分别训练模型;
S45、每种超参数组合下的模型训练完成后,使用训练好的轴承故障诊断模型对目标域中的样本数据做故障预测,统计预测准确率,选择准确率最高的超参数组合作为最佳的超参数;由图5所示,最优超参数组合为:α=0.8,β=0.01,此超参数组合下的目标域测试准确率为92%;
S5、将最佳的超参数代入故障分类深度神经网络,训练网络后,得到最佳轴承故障诊断模型;
步骤S5的具体过程为:
S51、按照步骤S1中的方法,创建一组新的源域数据和参考域数据;
S52、将得到的最佳的超参数代入步骤S4中创建的轴承故障诊断模型;
S53、选择学习率优化器、训练的批次大小和训练轮数,使用新建的数据训练轴承故障诊断模型,得到最佳轴承故障诊断模型;
S6、创建需要做故障诊断的轴承监测目标域数据,采用最佳轴承故障诊断模型对目标域数据完成故障分类,确定故障类型。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于,包括以下步骤:
S1、获取历史工况数据、新工况数据和随机噪声数据,经过预处理后,分别得到多个源域、目标域和参考域;
S2、建立轴承故障诊断模型的故障分类深度神经网络,构建故障分类深度神经网络中的三个子模块:特征编码器、故障分类器和域尺度计算器;
S3、建立轴承故障诊断模型对应的学习任务,并制定相应的学习策略;
S4、优化轴承故障诊断模型中的超参数,确定最佳的超参数;
S5、将最佳的超参数代入故障分类深度神经网络,训练网络后,得到最佳轴承故障诊断模型;
S6、创建需要做故障诊断的轴承监测目标域数据,采用最佳轴承故障诊断模型对目标域数据完成故障分类,确定故障类型。
2.如权利要求1所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S1中,
所述源域表示为:Ds,i={Xs,i,Ys,i,Ps,i(x,y)},i=1,2,3,...,Nd;
所述目标域表示为:Dt={Xt,Pt(x)};
所述参考域表示为:Dr={Xr,Pr(x)};
其中,s为源域标识字母;t为目标域标识字母;r为参考域标识字母;i表示工况序号;Nd表示历史工况总数,同时也表示源域的数量;X表示样本空间,域中样本为三维向量;Y表示标签空间,域中样本为标量;P(x)表示样本的概率分布;Ds,i表示第i个源域,由第i种历史工况下的样本构成;
所述历史工况数据大于等于三种,即Nd≥3;每种历史工况下的故障种类大于等于三种,所有历史工况下的故障种类相同;所述目标域是需要做轴承故障诊断的数据域;所述目标域由不同于所有历史工况的一种新工况样本构成,新工况下的故障类型在历史工况下的故障类型范围内;所述参考域由不包含任何故障特征的噪声样本构成,该参考域用于提供一个特征零点。
3.如权利要求1所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于,步骤S1中历史工况数据和新工况数据的预处理方法相同,其均是对采集到的振动加速度信号做包络处理,提取包络谱,历史工况数据和新工况数据的预处理的具体过程为:
S11、将采集得到的某一时间段的振动加速度信号按设定的样本时长分割为多个样本信号段,再对每个信号段进行多个频段的滤波,得到分段信号在每一个频段单独滤波后的数据;其中,多个频段是先确定轴承的故障特征频率的频段范围,再将该频段分段后得到的;
S12、对多频段滤波得到的滤波信号进行包络处理,得到各个频段的包络信号;
S13、对各个频段的包络信号做傅里叶变换,得到包络频谱;
S14、将每个频段的包络频谱折叠成二维数据,构成一个通道的数据;一个样本信号段的多个通道数据构成一个最终训练神经网络用的三维样本。
4.如权利要求3所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S1中获取随机噪声数据是指随机生成一段在区间(0,1)内均匀分布的随机数,这段随机数的长度与待预处理的振动加速度信号的长度相等;所述随机噪声数据的预处理与历史工况数据的预处理相同。
5.如权利要求2所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S2中,
其中,Z表示深度特征向量空间;P表示预测的样本类概率空间;W表示域尺度空间;
所述特征编码器由多层卷积单元前后连接而成,每一层卷积单元包括一个用于特征提取的卷积运算单元和一个降采样单元,特征编码器用于将样本向量映射为深度特征向量;
所述故障分类器由多层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,故障分类器用于将特征编码器得到的深度特征向量映射为样本类概率向量;所述样本类概率向量的元素是样本属于每种故障的概率;
所述域尺度计算器由多层感知机神经网络单元前后连接而成,每一层感知机神经网络由多个感知机并联组成,域尺度计算器用于将特征编码器得到的深度特征向量映射为域尺度因子,该域尺度因子用于缩放源域和参考域之间的分布差异。
6.如权利要求2所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S3中所述轴承故障诊断模型的学习任务包括三个子任务,分别为:源域分类任务、全域分布差异最小化任务、全域正则化任务;
所述源域分类任务由步骤S1中所有源域的分类任务组成,多个分类任务共享特征编码器、故障任务分类器和域尺度计算器;所述源域分类任务先使用特征编码器将样本向量映射为深度特征向量,再使用故障分类器将深度特征向量映射为样本类概率向量,源域分类任务的优化目标表示为:
其中,Θe和Θc分别表示特征编码器和故障分类器的参数集,Nb表示一个批次的样本数量,表示第i个源域中的第j个样本,表示第i个源域中的第j个样本对应的one-hot编码标签向量,Lce(·,·)表示多元交叉熵损失函数,fc(·)表示故障分类器,ge(·)表示特征编码器,min表示最小化;
所述全域分布差异最小化任务用于使多个源域的分布对齐,消除工况对故障特征的影响;所述全域分布差异最小化任务先计算各个源域分布和参考域分布之间的最大均值差异,再由域尺度计算器计算域尺度因子,最后根据尺度因子缩放最大均值差异,并计算所有缩放后均值差异的方差;所述全域分布差异最小化任务的优化目标Lmyfn表示为:
S33、根据边缘分布最大均值差异和条件分布最大均值差异,计算源域和参考域的联合分布的最大均值差异,如下式所示:
其中,λj是各类样本的比例系数,μ是联合分布最大均值差异的权重系数;
所述全域正则化任务用于对特征编码器、故障分类器和域尺度计算器的参数集施加全局抗过拟合约束,全域正则化任务的优化目标Lre表示为:
其中,λ表示正则化参数,用于控制正则化程度,ω表示参数集中的参数,n表示参数的序号。
8.如权利要求7所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S4中超参数是指步骤S3中模型泛化训练目标函数中的权重参数α和β,超参数的优化过程具体为:
S41、为超参数α和超参数β分别指定网格搜索的集合Tα和Tβ,
S42、按照步骤S1中的方法,创建一组优化超参数用源域数据、目标域数据和参考域数据;
S43、在计算机上用计算机编程语言构建所述轴承故障诊断模型;
S44、选择学习率优化器、训练的批次大小和训练轮数,针对超参数α和超参数β的每种组合,按照步骤S3中的学习策略,使用源域数据和参考域数据分别训练模型;
S45、每种超参数组合下的模型训练完成后,使用训练好的轴承故障诊断模型对目标域中的样本数据做故障预测,统计预测准确率,选择准确率最高的超参数组合作为最佳的超参数。
9.如权利要求8所述的一种基于深度领域泛化网络的轴承故障诊断方法,其特征在于:步骤S5的具体过程为:
S51、按照步骤S1中的方法,创建一组新的源域数据和参考域数据;
S52、将得到的最佳的超参数代入步骤S4中创建的轴承故障诊断模型;
S53、选择学习率优化器、训练的批次大小和训练轮数,使用新建的数据训练轴承故障诊断模型,得到最佳轴承故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294528.5A CN115655717A (zh) | 2022-10-21 | 2022-10-21 | 一种基于深度领域泛化网络的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294528.5A CN115655717A (zh) | 2022-10-21 | 2022-10-21 | 一种基于深度领域泛化网络的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115655717A true CN115655717A (zh) | 2023-01-31 |
Family
ID=84989261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211294528.5A Pending CN115655717A (zh) | 2022-10-21 | 2022-10-21 | 一种基于深度领域泛化网络的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115655717A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738551A (zh) * | 2023-08-09 | 2023-09-12 | 陕西通信规划设计研究院有限公司 | 用于bim模型的采集数据智能处理方法 |
CN117629637A (zh) * | 2024-01-24 | 2024-03-01 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
-
2022
- 2022-10-21 CN CN202211294528.5A patent/CN115655717A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738551A (zh) * | 2023-08-09 | 2023-09-12 | 陕西通信规划设计研究院有限公司 | 用于bim模型的采集数据智能处理方法 |
CN116738551B (zh) * | 2023-08-09 | 2023-10-17 | 陕西通信规划设计研究院有限公司 | 用于bim模型的采集数据智能处理方法 |
CN117629637A (zh) * | 2024-01-24 | 2024-03-01 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
CN117629637B (zh) * | 2024-01-24 | 2024-04-30 | 哈尔滨师范大学 | 一种航空发动机轴承故障诊断方法及诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
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 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN114235415B (zh) | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 | |
CN113340598B (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
Islam et al. | Time–frequency envelope analysis-based sub-band selection and probabilistic support vector machines for multi-fault diagnosis of low-speed bearings | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
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 | |
CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
CN112016471A (zh) | 一种不完备样本条件下的滚动轴承故障诊断方法 | |
CN113486599B (zh) | 一种抽油机有效冲程的计算方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 |
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 |