CN115659224B - 概率引导的域对抗轴承故障诊断方法及系统 - Google Patents
概率引导的域对抗轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115659224B CN115659224B CN202211406175.3A CN202211406175A CN115659224B CN 115659224 B CN115659224 B CN 115659224B CN 202211406175 A CN202211406175 A CN 202211406175A CN 115659224 B CN115659224 B CN 115659224B
- Authority
- CN
- China
- Prior art keywords
- domain
- representing
- discriminator
- classifier
- source domain
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
Description
技术领域
本发明涉及机械故障诊断技术领域，尤其涉及一种概率引导的域对抗轴承故障诊断方法及系统。
背景技术
旋转机械在现代工业生产中普遍存在，滚动轴承作为工业生产设备中的关键零部件，被广泛应用于机械、电力、化工、航空等各个重要领域。作为旋转机械的核心部件，滚动轴承长期工作在高速旋转、负载和振动的状态下，因此，容易发生故障。轴承一旦发生故障，可能会造成重大的经济损失和人员伤亡。轴承状态监测与故障诊断技术不仅可以了解轴承的性能，及时发现可能出现的故障，还可以有效提高机械设备的维修效率。因此，及时检测轴承故障对工业生产具有重要意义。
如今，工业生产趋于智能化和信息化，智能诊断技术也逐渐成熟。很多深度学习技术(如深度神经网络、图形神经网络和卷积神经网络)被用于故障诊断，这类方法利用大量原始数据进行深度特征表示，实现了故障类型的准确识别。然而，这种方法存在共有的局限性。由于域漂移的影响，单独使用深度神经网络无法实现不同工况下故障的诊断。这些方法要求训练集和测试集必须遵循相似的特征分布。此外，这些方法需要大量的标记数据来训练诊断模型，成本较高，训练后的模型不能用于其他工况，成本与收益不成比例。
为了实现跨域诊断，大量研究人员开展领域适应研究，并将其引入故障诊断。无监督领域适应是当下的研究热点，可以很好的解决源域和目标域特征分布不一致的问题。现有的无监督领域适应范式主要通过两方面来实现，一种是通过特征分布距离显示的减小源域和目标域之间的特征差异。另一种是通过对抗性学习的方式来实现的。目前，域对抗神经网络(DANN)是最流行的对抗性领域适应方法。它是由生成对抗网络(GAN)演变而来的。DANN期望通过特征生成器和域鉴别器之间的相互对抗，使得特征生成器生成的特征足以混淆域鉴别器，从而隐式地减小源域和目标域之间的特征分布差异。
尽管上述方法已经取得了不错的进展，但是仍然存在着不可忽视的局限性。目前大部分领域适应方法都是基于对齐任务实现的，然而，对齐任务与分类任务是相互独立的，换句话说，模型在执行对齐任务时，可能会对语义特征造成污染，导致通过对齐任务训练出来的特征分类能力不足。虽然目前有一部分研究利用类别信息引导对齐任务，但是受限于模糊预测的影响，生成特征的质量受到了极大的限制。
发明内容
为此，本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，用于解决现有技术轴承故障诊断网络特征分类能力不足的问题。
为解决上述技术问题，本发明提供了一种概率引导的域对抗轴承故障诊断方法，该方法包括：
S1：采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
S2：对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
S3：将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
S4：计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；
S5：计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二目标函数，实现分类器参数的更新，神经网络模型训练完成；
S6：将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
在本发明的一个实施例中，步骤S1中，构建源域数据集和目标域数据集包括以下步骤：
通过加速度传感器采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，各可迁移数据集服从不同的条件分布与边缘分布；
对各可迁移数据集中的数据进行切割处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集。
在本发明的一个实施例中，步骤S1中，所述源域数据集表示为 所述源域数据集中的样本带有标签，其所包含的故障类型是已知的；所述目标域数据集表示为/>所述目标域数据集中的样本无标签，其所包含的故障类型的未知的；
其中，Ns和Nt分别表示源域和目标域所包含样本的数量，和/>分别表示第i个源域样本和它所对应的标签，/>表示第i个目标域样本。
在本发明的一个实施例中，步骤S2中，对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片包括以下步骤：
使用快速傅里叶变换对所述源域数据集和所述目标域数据集中的轴承信号样本进行处理，获取轴承频域信号样本；
将所述轴承频域信号样本通过无重叠的窗口处理成灰度图片，将其作为源域样本图片和目标域样本图片。
在本发明的一个实施例中，步骤S3中，所述特征生成器由三个卷积层和一个全连接层组成，用于提取数据特征，所述分类器和所述鉴别器均由两个全连接层组成，用于预测目标标签。
在本发明的一个实施例中，步骤S3中，将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失包括以下步骤:
S31:将源域样本图片和目标域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器和鉴别器分别获得分类器输出和鉴别器输出；
S32：计算源域样本图片的鉴别器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，CD(·)表示鉴别器的输出，G(·)表示特征生成器的输出；
S33：使用softmax函数对于鉴别器的输出求概率表示，分别获得源域的鉴别器预测输出和目标域的鉴别器预测输出/>然后使用源域和目标域的鉴别器预测输出求得源域和目标域的鉴别器预测差异损失，鉴别器差异损失公式表示如下：
其中，表示第i个源域样本，/>表示第i个目标域样本，/>表示期望，G(·)表示特征生成器的输出，CD(·)表示鉴别器的输出，/>表示源域数据集，/>表示目标域数据集。
在本发明的一个实施例中，步骤S4中，计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新包括以下步骤：
S41:使用源域样本的分类器预测输出和真实标签计算源域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>和/>分别表别源域样本和它所对应的标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S42：使用目标域样本的分类器预测输出和其对应的伪标签来计算目标域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，表示第i个目标域样本，/>表示第i个目标域样本对应的伪标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S43：计算源域和目标域之间的分类器梯度差异损失，差异公式定义如下：
其中，gs表示源域分类损失反馈给分类器的梯度信息，gt表示目标域分类损失反馈给分类器的梯度信息。
S44：将所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失组成第一阶段的目标函数，并通过随机梯度下降法对鉴别器和特征生成器的参数进行更新，第一阶段的目标函数表示如下：
其中，表示源域样本图片的鉴别器输出与真实标签的交叉熵损失，/>表示源域和目标域的鉴别器预测差异，/>表示源域和目标域之间的分类器梯度差异损失，G表示特征生成器，CD表示鉴别器。
在本发明的一个实施例中，步骤S5中，计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，包括以下步骤；
S51：将源域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器获得分类器输出；
S52：固定鉴别器和特征生成器，计算分类器输出与真实标签的交叉熵损失，交叉熵损失表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，C(·)表示分类器的输出，G(·)表示特征生成器的输出。
本发明提供了一种概率引导的域对抗轴承故障诊断系统，该系统包括：
数据采集模块，用于采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
数据预处理模块，用于对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
损失计算模块，用于将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
目标函数构建模块，用于计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶目标函数，实现鉴别器和特征生成器参数的更新；计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；
轴承故障预测模块，用于将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
本发明提供了一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利上述所述的概率引导的域对抗轴承故障诊断方法。
本发明的上述技术方案相比现有技术具有以下优点：
本发明提供了一种概率引导的域对抗轴承故障诊断方法及系统，本发明通过加速度传感器采集不同工况下轴承运行时的振动信号，构建源域数据集和目标域数据集，构建神经网络模型，采集不同工况下的轴承运行时的振动信号，可以为目标域提供更多的知识，使模型能够更好的用于多种工况下的故障诊断；通过将源域样本图片的鉴别器输出与真实标签求交叉熵损失，以确保鉴别器对于源域的分类能力，同时通过最大-最小化源域和目标域的鉴别器预测差异，来缩小域差异；通过计算源域和目标域之间的分类器梯度差异损失，并结合鉴别器差异损失和交叉熵损失进行梯度更新训练，更新特征生成器和鉴别器的参数；固定特征生成器和鉴别器，在源域上训练分类器，完成神经网络模型训练。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断，可广泛的应用于机械、电工、化工、航空等复杂系统在多变工况下的故障诊断任务。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单介绍，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1为本发明实施例中滚动轴承数据生成试验台示意图；
图2为根据实施例中提供的一种概率引导的域对抗轴承故障诊断方法的流程图；
图3为根据实施例中提供的一种概率引导的域对抗轴承故障诊断方法的原理框图；
图4为实施例中本发明方法与其他几种方法的轴承故障诊断精度的比较；
图5为根据实施例中提供的一种概率引导的域对抗轴承故障诊断系统的框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本案例中使用的轴承振动数据是从苏州大学的故障诊断实验室收集的。测试系统包括一个电动机(额定转速：1450RMP；额定频率：50Hz)，一个梅花联轴器和一个带有正常轴承的主轴，以及一个连接有测试轴承的加载装置，此外该测试系统还有一个加速度传感器(型号：PCBM621B40；灵敏度：10mv/g)，一个信号采集仪(型号：INV3018C)和一台计算机，如图1所示。
参照图2所示，本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法，该方法包括：
S1：采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
S2：对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
S3：将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
S4：计算源域和目标域之间的分类器梯度差异损失，并利用所述、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；
S5：计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；
S6：将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
本发明通过加速度传感器采集不同工况下轴承运行时的振动信号，构建源域数据集和目标域数据集，构建神经网络模型，采集不同工况下的轴承运行时的振动信号，可以为目标域提供更多的知识，使模型能够更好的用于多种工况下的故障诊断；通过将源域样本图片的鉴别器输出与真实标签求交叉熵损失，以确保鉴别器对于源域的分类能力，同时通过最大-最小化源域和目标域的鉴别器预测差异，来缩小域差异；通过计算源域和目标域之间的分类器梯度差异损失，并结合鉴别器差异损失和交叉熵损失进行梯度更新训练，更新特征生成器和鉴别器的参数；固定特征生成器和鉴别器，在源域上训练分类器，完成神经网络模型训练。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断，可广泛的应用于机械、电工、化工、航空等复杂系统在多变工况下的故障诊断任务。
下面结合原理框图具体说明本发明的技术方案，如图3所示。
进一步地，在步骤S1中：
使用加速度传感器分别采集在不同工况下运行的轴承的振动信号，利用采集的信号构建一个包含七种健康状态的轴承在四种不同工作负载下的可迁移数据集，各可迁移数据集服从不同的条件分布和边缘分布。
其中，测试轴承被设置为七种基本健康状态(内圈故障、滚子故障、外圈故障、内圈滚子故障、外圈滚子故障、内圈外圈故障和内圈外圈滚子故障)，因此，得到7个健康状态，如表1所示，每个健康状态有200个训练样本和200个测试样本，每个样本由1024个采样点组成。
表1
根据四个不同工作负载条件(A：800r/min、0KN；B：800r/min、1KN；C：800r/min、2KN；D：800r/min、3KN；)，建立了四个域，此外，设置了十二个迁移任务，在这里源域表示有样本有标签的域，目标域表示有样本无标签的域。为了清楚地描述，提供了迁移任务及其缩写，如表2所示。
表2
对各可迁移数据集中的数据进行切割处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集，源域数据集表示为 所述源域数据集中的样本带有标签，其所包含的故障类型是已知的；目标域数据集表示为所述目标域数据集中的样本无标签，其所包含的故障类型的未知的；
其中，Ns和Nt分别表示源域和目标域所包含样本的数量，和/>分别表示第i个源域样本和它所对应的标签，/>表示第i个目标域样本。
进一步地，在步骤S2中：
使用快速傅里叶变换对所述源域数据集和所述目标域数据集中的轴承信号样本进行处理，获取轴承频域信号样本；
具体地，所述轴承频域振动信号样本的形状为1×1024，帮助特征学习器更容易提取特征，将所述轴承频域振动信号样本从1×1024重塑为1×32×32，每个通道上的1024个点被分成32份，每份有32个点，并在新的维度上进行重建，以获得1×32×32的理想形状；
将所述轴承频域信号样本通过无重叠的窗口处理成灰度图片，将其作为源域样本图片和目标域样本图片。
进一步地，在步骤S3中：
将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
其中，所述特征生成器由三个卷积层和一个全连接层组成，用于提取数据特征，所述分类器和所述鉴别器均由两个全连接层组成，用于预测目标标签，分类器和鉴别器采用相同的网络结构，特征学习器、分类器和鉴别器的结构化参数，如表3、表4所示。
表3
表4
将源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失包括以下步骤:
S31:将源域样本图片和目标域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器和鉴别器分别获得分类器输出和鉴别器输出；
S32：计算源域样本图片的鉴别器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，CD(·)表示鉴别器的输出，G(·)表示特征生成器的输出；
S33：使用softmax函数对于鉴别器的输出求概率表示，分别获得源域的鉴别器预测输出和目标域的鉴别器预测输出/>然后使用源域和目标域的鉴别器预测输出求得源域和目标域的鉴别器预测差异损失，鉴别器差异损失公式表示如下：
其中，表示第i个源域样本，/>表示第i个目标域样本，/>表示期望，G(·)表示特征生成器的输出，CD(·)表示鉴别器的输出，/>表示源域数据集，/>表示目标域数据集。
通过将源域样本图片的鉴别器输出与真实标签求交叉熵损失，以确保鉴别器对于源域的分类能力，同时通过最大-最小化源域和目标域的鉴别器预测差异，来缩小域差异。
进一步地，在步骤S4中：
计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新包括以下步骤：
S41:使用源域样本的分类器预测输出和真实标签计算源域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>和/>分别表别源域样本和它所对应的标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S42：使用目标域样本的分类器预测输出和其对应的伪标签来计算目标域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，表示第i个目标域样本，/>表示第i个目标域样本对应的伪标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S43：计算源域和目标域之间的分类器梯度差异损失，差异公式定义如下：
其中，gs表示源域分类损失反馈给分类器的梯度信息，gt表示目标域分类损失反馈给分类器的梯度信息。
S44：将所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失组成第一阶段的目标函数，并通过随机梯度下降法对鉴别器和特征生成器的参数进行更新，第一阶段的目标函数表示如下：
其中，表示源域样本图片的鉴别器输出与真实标签的交叉熵损失，/>表示源域和目标域的鉴别器预测差异，/>表示源域和目标域之间的分类器梯度差异损失，G表示特征生成器，CD表示鉴别器。
进一步地，在步骤S5中，计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新包括以下步骤：
S51：将源域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器获得分类器输出；
S52：固定鉴别器和特征生成器，计算分类器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，C(·)表示分类器的输出，G(·)表示特征生成器的输出。
进一步地，在步骤S6中：
将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
如表5所示，12个不同迁移任务下的诊断结果，由诊断结果可知，12个变工况下的诊断任务平均精度达到了98.14％，说明本发明能很好地处理变工况下域漂移对基于传统深度学习的故障诊断方法的影响。
表5
综上所述，本发明公开了一种概率引导的域对抗轴承故障诊断方法，采用一种新的域对抗损失，利用预测信息作为域差异的度量，提高了目标域样本的预测置信度。通过实验验证和与几种方法的比较，如图4所示，证实了该方法的优越性和鲁棒性。并且本发明通过使用新的对抗损失进行训练，实现了在不同工作环境下的可靠诊断；与未使用梯度监督模块的消融方法相比，本方法的误分类率更低，诊断精度更高；因此，所提方法是实现故障诊断的一个前瞻性方向。
如图5所示，本发明实施例还提供了一种概率引导的域对抗轴承故障诊断系统，该系统包括：
数据采集模块510，用于采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
数据预处理模块520，用于对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
损失计算模块530，用于将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
目标函数构建模块540，用于计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶目标函数，实现鉴别器和特征生成器参数的更新；计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；
轴承故障预测模块550，用于将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
所述系统，用以实现上述所述的一种概率引导的域对抗轴承故障诊断方法，为了避免冗余，在此不再赘述。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的概率引导的域对抗轴承故障诊断方法，为了避免冗余，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种概率引导的域对抗轴承故障诊断方法，其特征在于，包括：
S1：采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
S2：对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
S3：将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
步骤S3具体包括：
S31:将源域样本图片和目标域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器和鉴别器分别获得源域分类器输出、源域鉴别器输出、目标域分类器输出、目标域鉴别器输出；
S32：计算源域样本图片的鉴别器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，CD(·)表示鉴别器的输出，G(·)表示特征生成器的输出；
S33：使用softmax函数对于鉴别器的输出求概率表示，分别获得源域的鉴别器预测输出和目标域的鉴别器预测输出/>然后使用源域和目标域的鉴别器预测输出求得源域和目标域的鉴别器预测差异损失，鉴别器差异损失公式表示如下：
其中，表示第i个源域样本，/>表示第i个目标域样本，/>表示期望，G(·)表示特征生成器的输出，CD(·)表示鉴别器的输出，/>表示源域数据集，/>表示目标域数据集；S4：计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；
步骤S4具体包括：
S41:使用源域样本的分类器预测输出和真实标签计算源域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>和/>分别表示源域样本和它所对应的标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S42：使用目标域样本的分类器预测输出和其对应的伪标签来计算目标域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，表示第i个目标域样本，/>表示第i个目标域样本对应的伪标签，/>表示期望，表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
S43：计算源域和目标域之间的分类器梯度差异损失，差异公式定义如下：
其中，gs表示源域分类损失反馈给分类器的梯度信息，gt表示目标域分类损失反馈给分类器的梯度信息；
S44：将所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失组成第一阶段的目标函数，并通过随机梯度下降法对鉴别器和特征生成器的参数进行更新，第一阶段的目标函数表示如下：
其中，表示源域样本图片的鉴别器输出与真实标签的交叉熵损失，/>表示源域和目标域的鉴别器预测差异，/>表示源域和目标域之间的分类器梯度差异损失，G表示特征生成器，CD表示鉴别器；
S5：计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；
S6：将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
2.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法，其特征在于，步骤S1中，构建源域数据集和目标域数据集包括以下步骤：
通过加速度传感器采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，各可迁移数据集服从不同的条件分布与边缘分布；
对各可迁移数据集中的数据进行切割处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集。
3.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法，其特征在于，步骤S1中，所述源域数据集表示为所述源域数据集中的样本带有标签，其所包含的故障类型是已知的；所述目标域数据集表示为/>所述目标域数据集中的样本无标签，其所包含的故障类型是未知的；
其中，Ns和Nt分别表示源域和目标域所包含样本的数量，和/>分别表示第i个源域样本和它所对应的标签，/>表示第i个目标域样本。
4.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法，其特征在于，步骤S2中，对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片包括以下步骤：
使用快速傅里叶变换对所述源域数据集和所述目标域数据集中的轴承信号样本进行处理，获取轴承频域信号样本；
将所述轴承频域信号样本通过无重叠的窗口处理成灰度图片，将其作为源域样本图片和目标域样本图片。
5.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法，其特征在于，步骤S3中，所述特征生成器由三个卷积层和一个全连接层组成，用于提取数据特征，所述分类器和所述鉴别器均由两个全连接层组成，用于预测目标标签。
6.根据权利要求1所述的概率引导的域对抗轴承故障诊断方法，其特征在于，步骤S5中，计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新包括以下步骤：
S51：将源域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器获得分类器输出；
S52：固定鉴别器和特征生成器，计算分类器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，C(·)表示分类器的输出，G(·)表示特征生成器的输出。
7.一种概率引导的域对抗轴承故障诊断系统，其特征在于，包括：
数据采集模块，用于采集不同工况下轴承运行时的振动信号，将每种工况下采集的数据作为一个可迁移域，建立不同轴承工作负载下的可迁移数据集，对各可迁移数据集中的数据进行处理形成样本，对各样本添加轴承各种故障类型标签，构建源域数据集和目标域数据集；
数据预处理模块，用于对所述源域数据集和所述目标域数据集中的轴承信号样本进行频域处理，得到源域样本图片和目标域样本图片；
损失计算模块，用于将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练，计算源域样本图片的鉴别器输出与真实标签的交叉熵损失和源域和目标域的鉴别器差异损失,所述神经网络模型包括特征生成器、分类器和鉴别器；
所述损失计算模块具体包括：
源域样本图片和目标域样本图片输入特征生成器提取样本特征，将所提取的样本特征输入分类器和鉴别器分别获得源域分类器输出、源域鉴别器输出、目标域分类器输出、目标域鉴别器输出；
计算源域样本图片的鉴别器输出与真实标签的交叉熵损失，损失公式表示如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>表示期望，/>表示源域数据集，/>表示交叉熵损失，CD(·)表示鉴别器的输出，G(·)表示特征生成器的输出；
使用softmax函数对于鉴别器的输出求概率表示，分别获得源域的鉴别器预测输出和目标域的鉴别器预测输出/>然后使用源域和目标域的鉴别器预测输出求得源域和目标域的鉴别器预测差异损失，鉴别器差异损失公式表示如下：
其中，表示第i个源域样本，/>表示第i个目标域样本，/>表示期望，G(·)表示特征生成器的输出，CD(·)表示鉴别器的输出，/>表示源域数据集，/>表示目标域数据集；
目标函数构建模块，用于计算源域和目标域之间的分类器梯度差异损失，并利用所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失构建第一阶目标函数，实现鉴别器和特征生成器参数的更新；计算源域样本图片的分类器输出与真实标签的交叉熵损失，构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；
所述目标函数构建模块具体包括：
使用源域样本的分类器预测输出和真实标签计算源域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，和/>分别表示第i个源域样本和它所对应的标签，/>和/>分别表示源域样本和它所对应的标签，/>表示期望，/>表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
使用目标域样本的分类器预测输出和其对应的伪标签来计算目标域分类损失反馈给分类器的梯度信息，具体计算公式如下：
其中，表示第i个目标域样本，/>表示第i个目标域样本对应的伪标签，/>表示期望，表示分类器C接收到的梯度信息，C(·)表示分类器的输出，/>表示交叉熵损失，G(·)表示特征生成器的输出；
计算源域和目标域之间的分类器梯度差异损失，差异公式定义如下：
其中，gs表示源域分类损失反馈给分类器的梯度信息，gt表示目标域分类损失反馈给分类器的梯度信息；
将所述交叉熵损失、所述鉴别器差异损失和所述梯度差异损失组成第一阶段的目标函数，并通过随机梯度下降法对鉴别器和特征生成器的参数进行更新，第一阶段的目标函数表示如下：
其中，表示源域样本图片的鉴别器输出与真实标签的交叉熵损失，/>表示源域和目标域的鉴别器预测差异，/>表示源域和目标域之间的分类器梯度差异损失，G表示特征生成器，CD表示鉴别器；
轴承故障预测模块，用于将目标域数据集输入训练好的神经网络模型，所述训练好的神经网络模型输出预测结果，实现轴承故障诊断。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至6任意一项所述的概率引导的域对抗轴承故障诊断方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022113909869 | 2022-11-07 | ||
| CN202211390986 | 2022-11-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115659224A CN115659224A (zh) | 2023-01-31 |
| CN115659224B true CN115659224B (zh) | 2023-08-25 |
Family
ID=85021768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211406175.3A Active CN115659224B (zh) | 2022-11-07 | 2022-11-10 | 概率引导的域对抗轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659224B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| AU2021101433A4 (en) * | 2020-10-28 | 2021-05-13 | Beihang University | LSTM Method For Fault Detection Of The High-Speed Train Steering System Based On Generative Adversarial Network |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN113935406A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| 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 |
| CN114186602A (zh) * | 2021-09-14 | 2022-03-15 | 山东理工大学 | 一种基于稀疏滤波域对抗神经网络的机械故障诊断方法 |
| CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10540578B2 (en) * | 2017-12-21 | 2020-01-21 | International Business Machines Corporation | Adapting a generative adversarial network to new data sources for image classification |
-
2022
- 2022-11-10 CN CN202211406175.3A patent/CN115659224B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| AU2021101433A4 (en) * | 2020-10-28 | 2021-05-13 | Beihang University | LSTM Method For Fault Detection Of The High-Speed Train Steering System Based On Generative Adversarial Network |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN114186602A (zh) * | 2021-09-14 | 2022-03-15 | 山东理工大学 | 一种基于稀疏滤波域对抗神经网络的机械故障诊断方法 |
| CN113935406A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| 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 |
| CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115659224A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network | |
| Zhang et al. | Transfer learning with neural networks for bearing fault diagnosis in changing working conditions | |
| Long et al. | A novel self-training semi-supervised deep learning approach for machinery fault diagnosis | |
| Liang et al. | Fault transfer diagnosis of rolling bearings across multiple working conditions via subdomain adaptation and improved vision transformer network | |
| CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
| CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
| Rao et al. | A deep bi-directional long short-term memory model for automatic rotating speed extraction from raw vibration signals | |
| Du et al. | Fault diagnosis under variable working conditions based on STFT and transfer deep residual network | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
| Zhou et al. | Automated model generation for machinery fault diagnosis based on reinforcement learning and neural architecture search | |
| Wen et al. | A novel deep clustering network using multi-representation autoencoder and adversarial learning for large cross-domain fault diagnosis of rolling bearings | |
| Liang et al. | Semisupervised subdomain adaptation graph convolutional network for fault transfer diagnosis of rotating machinery under time-varying speeds | |
| 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 | |
| CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
| Oh et al. | Fault detection for lubricant bearing with cnn | |
| Ren et al. | Domain fuzzy generalization networks for semi-supervised intelligent fault diagnosis under unseen working conditions | |
| Luo et al. | Rotating machinery fault diagnosis using dimension expansion and AntisymNet lightweight convolutional neural network | |
| CN115659224B (zh) | 概率引导的域对抗轴承故障诊断方法及系统 | |
| Hu et al. | Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances | |
| Li et al. | Joint threshold learning convolutional networks for intelligent fault diagnosis under nonstationary conditions | |
| Chen et al. | Transfer learning with unsupervised domain adaptation method for bearing fault diagnosis | |
| Guan et al. | Fault diagnosis of rolling bearing with imbalanced small sample scenarios | |
| Wang et al. | Contrastive learning via swapped cluster assignments for bearing fault diagnosis | |
| CN115773883A (zh) | 双生成器协同域对抗轴承故障诊断方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |