CN115791174B - 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 - Google Patents
一种滚动轴承异常诊断方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115791174B CN115791174B CN202211702510.4A CN202211702510A CN115791174B CN 115791174 B CN115791174 B CN 115791174B CN 202211702510 A CN202211702510 A CN 202211702510A CN 115791174 B CN115791174 B CN 115791174B
- Authority
- CN
- China
- Prior art keywords
- domain
- feature extractor
- data set
- trained
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005096 rolling process Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种滚动轴承异常诊断方法、系统、电子设备及存储介质，涉及轴承异常诊断技术领域，通过在无监督域自适应方法的基础上增加进行类级别的特征对齐的步骤，将源域和目标域数据的类间差异纳入对齐步骤的考虑之中，使得源域与目标域数据可以在特征空间中完成域级别以及类级别的对齐，从而提高了分类器在目标域上的分类准确率，可准确确定轴承的故障类型。
Description
技术领域
本发明涉及轴承异常诊断技术领域，特别是涉及一种滚动轴承异常诊断方法、系统、电子设备及存储介质。
背景技术
近些年来，因为机械设备运行故障而引发的事故及灾难时有发生。航空涡轮风扇发动机内部有多级转子，以及高压涡轮与低压涡轮，而滚动轴承是其核心部件之一，其健康状态对于发动机全寿命周期的时间长短起到十分重要的作用。此外滚动轴承还是空间站、人造卫星和风力涡轮机等大型机械设备的关键旋转部件之一。因此有效的轴承故障诊断可避免重大的社会和经济损失。
由于基于传统信号处理方法的故障诊断技术，过度依赖于人工对故障特征的提取，会为故障诊断增加一定的不确定性，当机器运转工况复杂、振动信号中含有高强度噪声时，人工提取特定的故障特征更加困难。因此随着人工智能技术的发展，能把特征学习与故障分类融为一体、使用神经网络特征提取代替了人工特征提取的深度学习方法已然成为滚动轴承的寿命预测与故障诊断(异常诊断)领域的主流。
然而当前大多数基于深度学习的方法的成功是在基于标记的故障样本足够且故障样本取自相同的工作条件的假设下得出的。但是，在实际工业场景中，这些假设很难满足。一方面由于机械设备故障的发生具有随机性和偶然性，某一特定工况下故障数据一般很难获取，且通常情况下获取的可用样本都是未标记的。另一方面负载的突然变化、速度模式的变化、设备和环境噪声将导致分类边界的变化，使得将一种条件训练的方法应用于另一种条件时会导致性能下降。因此数据和故障标签的缺乏已成为制约故障诊断发展的重要问题。
基于域自适应的跨域学习技术能够较理想的解决某一工况下数据的标签缺乏问题，已应用于轴承异常诊断中，其中无监督域自适应方法目前已被广泛研究，无监督域自适应方法可以从源域中的标记振动数据中学习域不变特征，并使其适应不同但相关的目标域。然而尽管相关方法取得了显著的经验结果，但它们仍然存在一个主要局限性，即大多数方法都是在域级别上测量域级差异，忽略了从中提取样本的类间差异，因为仅仅是在特征上对齐了多个源域的数据分布，而忽略了类别层面的对齐，使得数据分布匹配不够充分，导致后面在故障分类时分类结果不准确，即无法准确确定轴承的故障类型。
发明内容
本发明的目的是提供一种滚动轴承异常诊断方法、系统、电子设备及存储介质，以准确确定轴承的故障类型。
为实现上述目的，本发明提供了如下方案：
一种滚动轴承异常诊断方法，所述方法包括：
获取源域数据集；所述源域数据集包括同一工况下的多种带标签的源域数据；所述带标签的源域数据为带故障类型的轴承振动信号；所述故障类型为所述轴承振动信号对应的故障类型；
利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器；
获取目标域数据集；所述目标域数据集包括同一工况下的多种不带标签的目标域数据；所述不带标签的目标域数据为不带故障类型的轴承振动信号；所述源域数据集和所述目标域数据集属于不同的工况；
将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器；所述更新后的特征提取器用于进行域级别的特征对齐；
将所述源域数据集和所述目标域数据集输入所述更新后的特征提取器中，得到所述更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征；
将所述域级别对齐的目标域特征输入所述训练后的分类器中，得到所述训练后的分类器输出的所述域级别对齐的目标域特征属于各故障类型的概率；
根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器；所述优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；所述更新后的分类器用于确定与所述目标域数据集属于同一工况的轴承振动信号对应的故障类型。
可选地，利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器，具体包括：
将所述源域数据集输入所述特征提取器中，利用所述特征提取器提取所述源域数据集的深层特征；
将所述深层特征输入所述分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
可选地，将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器，具体包括：
将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，计算所述训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；所述源域特征和所述目标域特征格式相同；
将所述源域特征和所述目标域特征输入域鉴别器中，利用所述源域特征和所述目标域特征训练所述域鉴别器，得到训练后的域鉴别器；在训练所述域鉴别器的过程中，利用域混淆损失函数和所述域间差异损失函数更新所述训练后的特征提取器，得到更新后的特征提取器；所述域混淆损失函数用于使所述训练后的特征提取器和所述域鉴别器形成对抗学习。
可选地，根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器，具体包括：
当所述概率超过设定阈值时，得到各故障类型对应的聚类中心；
基于所述聚类中心，使用模糊C均值聚类算法迭代计算得到所述域级别对齐的目标域特征关于故障类型的隶属度；
利用所述隶属度计算所述域级别对齐的目标域特征与所述域级别对齐的源域特征之间的对比域差异损失函数；
利用所述对比域差异损失函数优化所述更新后的特征提取器，得到优化后的特征提取器；
利用所述隶属度对所述训练后的分类器进行更新，得到更新后的分类器。
本发明还提供了如下方案：
一种滚动轴承异常诊断系统，所述系统包括：
源域数据集获取模块，用于获取源域数据集；所述源域数据集包括同一工况下的多种带标签的源域数据；所述带标签的源域数据为带故障类型的轴承振动信号；所述故障类型为所述轴承振动信号对应的故障类型；
训练模块，用于利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器；
目标域数据集获取模块，用于获取目标域数据集；所述目标域数据集包括同一工况下的多种不带标签的目标域数据；所述不带标签的目标域数据为不带故障类型的轴承振动信号；所述源域数据集和所述目标域数据集属于不同的工况；
域对齐模块，用于将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器；所述更新后的特征提取器用于进行域级别的特征对齐；
域对齐特征得到模块，用于将所述源域数据集和所述目标域数据集输入所述更新后的特征提取器中，得到所述更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征；
概率得到模块，用于将所述域级别对齐的目标域特征输入所述训练后的分类器中，得到所述训练后的分类器输出的所述域级别对齐的目标域特征属于各故障类型的概率；
类对齐模块，用于根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器；所述优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；所述更新后的分类器用于确定与所述目标域数据集属于同一工况的轴承振动信号对应的故障类型。
可选地，所述训练模块具体包括：
深层特征提取单元，用于将所述源域数据集输入所述特征提取器中，利用所述特征提取器提取所述源域数据集的深层特征；
训练单元，用于将所述深层特征输入所述分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
可选地，所述域对齐模块具体包括：
最大平均差异计算单元，用于将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，计算所述训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；所述源域特征和所述目标域特征格式相同；
训练和更新单元，用于将所述源域特征和所述目标域特征输入域鉴别器中，利用所述源域特征和所述目标域特征训练所述域鉴别器，得到训练后的域鉴别器；在训练所述域鉴别器的过程中，利用域混淆损失函数和所述域间差异损失函数更新所述训练后的特征提取器，得到更新后的特征提取器；所述域混淆损失函数用于使所述训练后的特征提取器和所述域鉴别器形成对抗学习。
可选地，所述类对齐模块具体包括：
聚类中心得到单元，用于当所述概率超过设定阈值时，得到各故障类型对应的聚类中心；
隶属度计算单元，用于基于所述聚类中心，使用模糊C均值聚类算法迭代计算得到所述域级别对齐的目标域特征关于故障类型的隶属度；
对比域差异损失函数计算单元，用于利用所述隶属度计算所述域级别对齐的目标域特征与所述域级别对齐的源域特征之间的对比域差异损失函数；
优化单元，用于利用所述对比域差异损失函数优化所述更新后的特征提取器，得到优化后的特征提取器；
更新单元，用于利用所述隶属度对所述训练后的分类器进行更新，得到更新后的分类器。
本发明还提供了如下方案：
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的滚动轴承异常诊断方法。
本发明还提供了如下方案：
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的滚动轴承异常诊断方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开的滚动轴承异常诊断方法、系统、电子设备及存储介质，在无监督域自适应方法的基础上增加了进行类级别的特征对齐的步骤，将源域和目标域数据的类间差异纳入了对齐步骤的考虑之中，使得源域与目标域数据可以在特征空间中完成域级别以及类级别的对齐，从而提高了分类器在目标域上的分类准确率，可准确确定轴承的故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明滚动轴承异常诊断方法实施例一的流程图；
图2为训练源域特征提取器与分类器，并进行域级别的特征对齐的网络架构图；
图3为伪标签的获取及类级别的特征对齐的网络架构图；
图4为本发明算法的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种滚动轴承异常诊断方法、系统、电子设备及存储介质，以准确确定轴承的故障类型。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明滚动轴承异常诊断方法实施例一的流程图。如图1所示，本实施例提供了一种滚动轴承异常诊断方法，包括以下步骤：
步骤101：获取源域数据集；源域数据集包括同一工况下的多种带标签的源域数据；带标签的源域数据为带故障类型的轴承振动信号；故障类型为轴承振动信号对应的故障类型。
步骤102：利用源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器。
该步骤102具体包括：
将源域数据集输入特征提取器中，利用特征提取器提取源域数据集的深层特征。
将深层特征输入分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
步骤103：获取目标域数据集；目标域数据集包括同一工况下的多种不带标签的目标域数据；不带标签的目标域数据为不带故障类型的轴承振动信号；源域数据集和目标域数据集属于不同的工况。
步骤104：将源域数据集和目标域数据集输入训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新训练后的特征提取器，得到更新后的特征提取器；更新后的特征提取器用于进行域级别的特征对齐。
该步骤104具体包括：
将源域数据集和目标域数据集输入训练后的特征提取器中，计算训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；源域特征和目标域特征格式相同。
将源域特征和目标域特征输入域鉴别器中，利用源域特征和目标域特征训练域鉴别器，得到训练后的域鉴别器；在训练域鉴别器的过程中，利用域混淆损失函数和域间差异损失函数更新训练后的特征提取器，得到更新后的特征提取器；域混淆损失函数用于使训练后的特征提取器和域鉴别器形成对抗学习。
步骤105：将源域数据集和目标域数据集输入更新后的特征提取器中，得到更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征。
步骤106：将域级别对齐的目标域特征输入训练后的分类器中，得到训练后的分类器输出的域级别对齐的目标域特征属于各故障类型的概率。
步骤107：根据概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化更新后的特征提取器，得到优化后的特征提取器，并对训练后的分类器进行更新，得到更新后的分类器；优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；更新后的分类器用于确定与目标域数据集属于同一工况的轴承振动信号对应的故障类型。
该步骤107具体包括：
当概率超过设定阈值时，得到各故障类型对应的聚类中心。
基于聚类中心，使用模糊C均值聚类算法迭代计算得到域级别对齐的目标域特征关于故障类型的隶属度。
利用隶属度计算域级别对齐的目标域特征与域级别对齐的源域特征之间的对比域差异损失函数。
利用对比域差异损失函数优化更新后的特征提取器，得到优化后的特征提取器。
利用隶属度对训练后的分类器进行更新，得到更新后的分类器。
下面以一个具体实施例说明本发明的技术方案：
本发明滚动轴承异常诊断方法为一种基于对比域自适应的滚动轴承异常诊断方法，该方法利用滚动轴承的振动信号数据，对轴承的健康状况进行异常检测分类，是一种数据驱动的异常检测方法。该方法在无监督域自适应方法的基础上，将源域和目标域数据的类间差异纳入了对齐步骤的考虑之中，提高了在目标域上的分类准确率。通过该方法，技术人员可以及时有效地发现机械设备中滚动轴承的故障隐患，从而可以采取相关措施进行预防，避免或减少轴承损坏导致机械设备故障而造成的损失。
本发明基于对比域自适应的滚动轴承异常诊断方法，其主要包括如下步骤：
1、首先利用小波变换对传感器采集的轴承振动数据进行预处理。
2、将处理后的源域数据输入ResNet-50网络组成的特征提取器中，提取数据的深层特征。然后将特征输入由全连接层与Softmax模块组成的分类器中，利用标签进行训练，得到训练好的源域特征提取器与分类器。
3、将源域数据和目标域数据输入训练好的特征提取器中，然后将得到的特征利用最大平均差异(MMD)计算其域间差异。
4、同时将源域和目标域特征输入域鉴别器，利用域鉴别器的域混淆损失对特征提取器进行训练，同时训练域鉴别器。
5、在域级别的对齐过程中，将目标域数据经过特征提取器得到的特征输入分类器，选取节点输出超过阈值的样本作为初始聚类中心，保证每种故障类型都有聚类中心。
6、使用模糊C均值聚类(FCM)算法，得到所有样本的隶属度。然后利用隶属度计算与源域特征之间的对比域差异(CDD)损失。
7、利用隶属度与分类器的结果计算损失，更新特征提取器及分类器。每轮训练后都对伪标签进行更新。
其中，训练源域特征提取器与分类器，其实现方法包括：
首先将轴承的原始振动信号利用小波变换进行预处理。
处理后带标签的源域数据为其中ns表示源域样本及对应标签的数量。将源域样本/>输入由ResNet-50网络组成的特征提取器G中，得到表示N维实数集合，每条特征都是N维实数；其中N表示提取出的特征的维数，即对于i∈{1，2，…，ns}，将源域样本/>提取成为对应的N维源域特征/>接着将特征输入由全连接层与Softmax模块组成的分类器C中，得到的输出为/>表示M维实数集合，每条概率都是M维0～1小数，且和为1；其中M为故障类型数量，即对于i∈{1，2，...，ns}，/>表示源域样本/>所提取出的N维源域特征/>属于各个故障类型的M维概率。/>为M维实数，表示样本/>提取出的特征/>属于M个故障类型的概率。
利用交叉熵损失来训练特征提取器G与分类器C：
上式中，表示i号样本的标签/>对应故障类型的节点的输出，即分类器判断该样本属于真实故障类型的概率。利用上式所示损失函数进行反向传播，在源域上有监督地训练特征提取器G以及分类器C，直到模型在源域测试集上的准确率达到99％以上。
域级别的特征对齐，其实现方法包括：
首先将经过小波变换预处理后的源域数据与同样方式预处理后目标域数据/>输入在源域上训练好的特征提取器G中，其中nt表示目标域样本的数量，得到提取的N维源域特征/>与目标域特征/>然后计算两类特征之间最大平均差异(MMD)作为损失函数，其相关定义如下式所示：
上式中，φ(·)表示从原始特征空间到希尔伯特空间的一个非线性映射，且内积运算可以转化为核函数运算，即/>其中核函数/>σ为高斯核函数中的平滑程度参数，σ越大，高斯滤波器的频带就越宽，平滑程度就越好。该损失函数将用于更新特征提取器G，以此减小源域和目标域所提取出的特征之间的差异。上式中，i与j分别用作源域与目标域特征的计数，此处公式涉及内积，因此会出现计数交叉。一般而言，在一个batch中，源域数量ns与目标域数量nt是相同的，因此i与j的取值范围相同。
同时将特征输入域鉴别器D中，计算如下式所示的损失函数：
上式中，D(·)表示域鉴别器D的输出，其为0～1的小数，越接近0表示输入的特征有更高概率属于源域，越接近1表示有更高概率属于目标域。利用该损失函数训练域鉴别器D，使其具有更高的鉴别准确率。
同时使用域混淆来让特征提取器欺骗域辨别器，让其分不出特征所属的域，其具体定义如下式所示：
上式所示的域混淆损失将用于更新特征提取器G，其与用于更新域鉴别器D的形成对抗关系。通过对抗学习，在提高域鉴别器D鉴别能力的同时，减小特征提取器G从源域与目标域提取出的特征之间的差异。
利用所示的基于最大平均差异(MMD)的损失函数，以及所示的基于对抗学习的域混淆损失函数更新特征提取器G，使得其在源域和目标域上提取的特征之间的差异尽可能减小，完成在域级别上的对齐，以此提高源域上训练的分类器对于目标域特征的分类准确率。
图2为训练源域特征提取器与分类器，并进行域级别的特征对齐的网络架构图，即预训练特征提取器与分类器及域级别特征对齐网络架构图，其中，黑色箭头表示源域上的数据流，灰色箭头表示目标域上的数据流，深灰色箭头表示域级对齐过程中的数据流，虚线箭头表示损失函数的反向传播。
类级别的特征对齐，其实现方法包括：
在进行域级别的对齐过程中，同时判断并获取目标域上每种故障类型的初始聚类中心，某故障类型c的初始聚类中心定义如下式所示：
从所有目标域特征(目标域特征全体)中选择概率最大的且超过阈值的作为聚类中心。其中表示目标域特征/>经过分类器得到的M维概率中属于故障类型c的概率，θ为决定是否选取为聚类中心的阈值，只有当分类器某一节点的输出高于θ后，才会将其纳入考虑之中。每个训练轮次中对分类器的输出均使用进行运算，直到所有故障类型均可获得聚类中心。
基于上述聚类中心，使用模糊C均值聚类(FCM)算法迭代计算得到目标域上所有样本的隶属度，目标函数如下式所示：
上式中，表示目标域上的j号样本特征关于故障类型c的隶属度的r次方，/>表示第k次迭代时类型c的聚类中心。
利用目标域特征隶属度计算其与源域特征之间的对比域差异(CDD)损失，相关公式如下式所示：
上式中，μcc′(vi,vi′)表示两特征vi,vi′针对故障类型c，c′的对比域系数，这两个特征vi,vi′可来自源域或者目标域，因此不设右上角标(即s或t)，i和i′表示特征序号。uci表示特征vi关于故障类型c的隶属度，uc′i′同理。uwi用于表示特征vi关于某一故障类型w的隶属度，w将遍历所有的故障类型，从中选出最大值，判断其与uci是否相等，uw′i′同理。Dcc表示Dcc′定义公式中的两种故障类型取值种类相同，均为c。Dcc′表示公式中的两种故障类型种类分别取为c和c′，且定义公式中要求两者不为同一故障。
为两样本特征vi，vi′针对故障类型c，c′基于隶属度计算的对比域系数，其中/>表示特征vi关于故障类型c的隶属度uci是其关于所有故障类型的隶属度中最高的。然后利用该系数公式计算故障类型c、c′间的差异，如下式所示：
通过 计算所有的故障类型间的差异。为了减少同类间差异，增大不同类间差异，得到对比域差异(CDD)损失函数如
同时利用隶属度对特征提取器以及分类器进行更新，以增强目标模型的区分能力，损失函数定义如下式所示：
每轮训练之后，都需要对隶属度伪标签进行更新。
图3为伪标签的获取及类级别的特征对齐的网络架构图，其中，黑色箭头表示源域上的数据流，灰色箭头表示目标域上的数据流，浅灰色箭头表示类级对齐过程中的数据流，虚线箭头表示损失函数的反向传播。
总损失函数定义，其实现方法包括：
本发明的网络框架中需要进行训练的模型为特征提取器G、域鉴别器D以及分类器C，训练模型的相关步骤已经在上面给出了详细说明。因为训练过程中，涉及多种损失函数，且其反向传播作用的模型也不相同，因此在下面给出各个模型的总损失函数定义。
特征提取器G：
域鉴别器D：
分类器C：
中的λ是一个权衡函数，用于在训练的早期阶段抑制εCDD与εu的噪声，其具体定义如下式所示：
在所有故障类别未全部获得初始聚类中心Q0前，λ为0；之后λ随着训练轮次的提高而逐渐增加，epoch为当前训练数，num_epochs为总训练轮次。
通过利用上述损失函数，按照所介绍的步骤对模型进行训练，最终得到一个可对滚动轴承进行跨工况异常诊断的模型，图4为本发明算法的整体流程图。借助带标签的源域数据，本发明得到的可对滚动轴承进行跨工况异常诊断的模型可以对不带标签的目标域数据进行异常故障的诊断分类，即返回目标域各条样本属于正常状态或某类异常状态的概率。
简单来说，本发明基于对比域自适应的滚动轴承异常诊断方法，其具体的技术方案包括以下几个步骤：
(1)首先利用小波变换对轴承数据进行预处理。然后将处理后的源域数据输入ResNet-50网络组成的特征提取器中，提取数据的深层特征。然后将特征输入由全连接层与Softmax模块组成的分类器中，利用标签进行训练，得到训练好的源域特征提取器与分类器。
(2)将源域数据和目标域数据输入训练好的特征提取器中，然后将得到的特征利用最大平均差异(MMD)计算其域间差异。同时将源域和目标域特征输入域鉴别器，将源域特征输入分类器，利用由最大平均差异(MMD)得到的损失、域鉴别器的域混淆损失以及分类器的损失对特征提取器进行训练，进行源域和目标域在域级别的对齐。
(3)在域级别的对齐过程中，将目标域数据经过特征提取器得到的特征输入分类器，选取节点输出超过阈值的样本作为初始聚类中心，保证每种故障类型都有聚类中心。使用模糊C均值聚类(FCM)算法，得到所有样本的隶属度。然后利用隶属度计算与源域特征之间的对比域差异(CDD)损失。利用其与步骤(2)中的损失对特征提取器进行训练，此外还利用隶属度与分类器的结果更新特征提取器及分类器。每轮训练后都对伪标签进行更新。
本发明基于对比域自适应的滚动轴承异常诊断方法，一方面通过使用域鉴别器进行对抗学习，可以进行域级别的特征对齐。另一方面通过为目标域数据提供由分类器与模糊C均值聚类(FCM)得到的伪标签，利用对比域差异(CDD)进行了类级别的特征对齐，提高了在目标域上的分类准确率。
本发明提供了一种利用滚动轴承的振动信号数据进行异常诊断的新方法，其是一种基于域自适应的滚动轴承异常诊断方法，涉及工程应用与信息科学的交叉领域，该方法包括：在源域上训练好的特征提取器与故障分类器，使用最大平均差异(MMD)以及域鉴别器来进行域级别的对齐，之后通过分类器确定聚类中心并通过模糊C均值聚类(FCM)算法计算隶属度，为目标域打上伪标签，以此利用对比域差异(CDD)来进行类级别的对齐，最后更新特征提取器、分类器。该方法基于对比域自适应，将在数据充足、标签完整的源域上训练的模型迁移到了标签缺失的目标域上，并仍旧保持较高的分类准确率。比起传统的无监督域自适应方法，本发明将源域和目标域数据的类间差异纳入了对齐步骤的考虑之中，通过利用伪标签和基于最大平均差异改进的对比域差异来进行类级别的对齐，提高了在目标域上的分类准确率。该方法首先使用带标签的源域数据训练特征提取器与分类器，然后使用域鉴别器以及最大平均差异(MMD)来进行域级别的对齐，接着通过使用模糊C均值聚类(FCM)算法为目标域打上伪标签，并利用伪标签和对比域差异(CDD)来进行类级别的对齐，以此更新特征提取器以及伪标签。该方法通过改进无监督域自适应方法，使得源域与目标域数据可以在特征空间中完成域级别以及类级别的对齐，从而提高分类器在目标域上的准确率，通过使用与域鉴别器进行对抗学习，可以进行域级别的特征对齐，通过使用为目标域数据提供的伪标签，以此可以进行类级别的特征对齐。通过该方法，技术人员可以有效地发现机械设备中滚动轴承的故障隐患，及时采取预防措施。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种滚动轴承异常诊断系统，该系统包括：
源域数据集获取模块，用于获取源域数据集；源域数据集包括同一工况下的多种带标签的源域数据；带标签的源域数据为带故障类型的轴承振动信号；故障类型为轴承振动信号对应的故障类型。
训练模块，用于利用源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器。
目标域数据集获取模块，用于获取目标域数据集；目标域数据集包括同一工况下的多种不带标签的目标域数据；不带标签的目标域数据为不带故障类型的轴承振动信号；源域数据集和目标域数据集属于不同的工况。
域对齐模块，用于将源域数据集和目标域数据集输入训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新训练后的特征提取器，得到更新后的特征提取器；更新后的特征提取器用于进行域级别的特征对齐。
域对齐特征得到模块，用于将源域数据集和目标域数据集输入更新后的特征提取器中，得到更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征。
概率得到模块，用于将域级别对齐的目标域特征输入训练后的分类器中，得到训练后的分类器输出的域级别对齐的目标域特征属于各故障类型的概率。
类对齐模块，用于根据概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化更新后的特征提取器，得到优化后的特征提取器，并对训练后的分类器进行更新，得到更新后的分类器；优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；更新后的分类器用于确定与目标域数据集属于同一工况的轴承振动信号对应的故障类型。
其中，训练模块具体包括：
深层特征提取单元，用于将源域数据集输入特征提取器中，利用特征提取器提取源域数据集的深层特征。
训练单元，用于将深层特征输入分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
域对齐模块具体包括：
最大平均差异计算单元，用于将源域数据集和目标域数据集输入训练后的特征提取器中，计算训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；源域特征和目标域特征格式相同。
训练和更新单元，用于将源域特征和目标域特征输入域鉴别器中，利用源域特征和目标域特征训练域鉴别器，得到训练后的域鉴别器；在训练域鉴别器的过程中，利用域混淆损失函数和域间差异损失函数更新训练后的特征提取器，得到更新后的特征提取器；域混淆损失函数用于使训练后的特征提取器和域鉴别器形成对抗学习。
类对齐模块具体包括：
聚类中心得到单元，用于当概率超过设定阈值时，得到各故障类型对应的聚类中心。
隶属度计算单元，用于基于聚类中心，使用模糊C均值聚类算法迭代计算得到域级别对齐的目标域特征关于故障类型的隶属度。
对比域差异损失函数计算单元，用于利用隶属度计算域级别对齐的目标域特征与域级别对齐的源域特征之间的对比域差异损失函数。
优化单元，用于利用对比域差异损失函数优化更新后的特征提取器，得到优化后的特征提取器。
更新单元，用于利用隶属度对训练后的分类器进行更新，得到更新后的分类器。
实施例三
本发明实施例三提供了一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的滚动轴承异常诊断方法。
上述电子设备可以是服务器。
实施例四
本发明实施例四提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的滚动轴承异常诊断方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种滚动轴承异常诊断方法，其特征在于，所述方法包括：
获取源域数据集；所述源域数据集包括同一工况下的多种带标签的源域数据；所述带标签的源域数据为带故障类型的轴承振动信号；所述故障类型为所述轴承振动信号对应的故障类型；
利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器；
获取目标域数据集；所述目标域数据集包括同一工况下的多种不带标签的目标域数据；所述不带标签的目标域数据为不带故障类型的轴承振动信号；所述源域数据集和所述目标域数据集属于不同的工况；
将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器；所述更新后的特征提取器用于进行域级别的特征对齐；
将所述源域数据集和所述目标域数据集输入所述更新后的特征提取器中，得到所述更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征；
将所述域级别对齐的目标域特征输入所述训练后的分类器中，得到所述训练后的分类器输出的所述域级别对齐的目标域特征属于各故障类型的概率；
根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器；所述优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；所述更新后的分类器用于确定与所述目标域数据集属于同一工况的轴承振动信号对应的故障类型。
2.根据权利要求1所述的滚动轴承异常诊断方法，其特征在于，利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器，具体包括：
将所述源域数据集输入所述特征提取器中，利用所述特征提取器提取所述源域数据集的深层特征；
将所述深层特征输入所述分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
3.根据权利要求1所述的滚动轴承异常诊断方法，其特征在于，将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器，具体包括：
将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，计算所述训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；所述源域特征和所述目标域特征格式相同；
将所述源域特征和所述目标域特征输入域鉴别器中，利用所述源域特征和所述目标域特征训练所述域鉴别器，得到训练后的域鉴别器；在训练所述域鉴别器的过程中，利用域混淆损失函数和所述域间差异损失函数更新所述训练后的特征提取器，得到更新后的特征提取器；所述域混淆损失函数用于使所述训练后的特征提取器和所述域鉴别器形成对抗学习。
4.根据权利要求1所述的滚动轴承异常诊断方法，其特征在于，根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器，具体包括：
当所述概率超过设定阈值时，得到各故障类型对应的聚类中心；
基于所述聚类中心，使用模糊C均值聚类算法迭代计算得到所述域级别对齐的目标域特征关于故障类型的隶属度；
利用所述隶属度计算所述域级别对齐的目标域特征与所述域级别对齐的源域特征之间的对比域差异损失函数；
利用所述对比域差异损失函数优化所述更新后的特征提取器，得到优化后的特征提取器；
利用所述隶属度对所述训练后的分类器进行更新，得到更新后的分类器。
5.一种滚动轴承异常诊断系统，其特征在于，所述系统包括：
源域数据集获取模块，用于获取源域数据集；所述源域数据集包括同一工况下的多种带标签的源域数据；所述带标签的源域数据为带故障类型的轴承振动信号；所述故障类型为所述轴承振动信号对应的故障类型；
训练模块，用于利用所述源域数据集训练特征提取器和分类器，得到训练后的特征提取器和训练后的分类器；
目标域数据集获取模块，用于获取目标域数据集；所述目标域数据集包括同一工况下的多种不带标签的目标域数据；所述不带标签的目标域数据为不带故障类型的轴承振动信号；所述源域数据集和所述目标域数据集属于不同的工况；
域对齐模块，用于将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，基于无监督域自适应方法进行域级别的特征对齐，更新所述训练后的特征提取器，得到更新后的特征提取器；所述更新后的特征提取器用于进行域级别的特征对齐；
域对齐特征得到模块，用于将所述源域数据集和所述目标域数据集输入所述更新后的特征提取器中，得到所述更新后的特征提取器输出的域级别对齐的源域特征和域级别对齐的目标域特征；
概率得到模块，用于将所述域级别对齐的目标域特征输入所述训练后的分类器中，得到所述训练后的分类器输出的所述域级别对齐的目标域特征属于各故障类型的概率；
类对齐模块，用于根据所述概率，基于模糊C均值聚类算法进行类级别的特征对齐，优化所述更新后的特征提取器，得到优化后的特征提取器，并对所述训练后的分类器进行更新，得到更新后的分类器；所述优化后的特征提取器用于进行域级别的特征对齐和类级别的特征对齐；所述更新后的分类器用于确定与所述目标域数据集属于同一工况的轴承振动信号对应的故障类型。
6.根据权利要求5所述的滚动轴承异常诊断系统，其特征在于，所述训练模块具体包括：
深层特征提取单元，用于将所述源域数据集输入所述特征提取器中，利用所述特征提取器提取所述源域数据集的深层特征；
训练单元，用于将所述深层特征输入所述分类器中，利用标签进行训练，得到训练后的特征提取器和训练后的分类器。
7.根据权利要求5所述的滚动轴承异常诊断系统，其特征在于，所述域对齐模块具体包括：
最大平均差异计算单元，用于将所述源域数据集和所述目标域数据集输入所述训练后的特征提取器中，计算所述训练后的特征提取器输出的源域特征和目标域特征之间最大平均差异作为域间差异损失函数；所述源域特征和所述目标域特征格式相同；
训练和更新单元，用于将所述源域特征和所述目标域特征输入域鉴别器中，利用所述源域特征和所述目标域特征训练所述域鉴别器，得到训练后的域鉴别器；在训练所述域鉴别器的过程中，利用域混淆损失函数和所述域间差异损失函数更新所述训练后的特征提取器，得到更新后的特征提取器；所述域混淆损失函数用于使所述训练后的特征提取器和所述域鉴别器形成对抗学习。
8.根据权利要求5所述的滚动轴承异常诊断系统，其特征在于，所述类对齐模块具体包括：
聚类中心得到单元，用于当所述概率超过设定阈值时，得到各故障类型对应的聚类中心；
隶属度计算单元，用于基于所述聚类中心，使用模糊C均值聚类算法迭代计算得到所述域级别对齐的目标域特征关于故障类型的隶属度；
对比域差异损失函数计算单元，用于利用所述隶属度计算所述域级别对齐的目标域特征与所述域级别对齐的源域特征之间的对比域差异损失函数；
优化单元，用于利用所述对比域差异损失函数优化所述更新后的特征提取器，得到优化后的特征提取器；
更新单元，用于利用所述隶属度对所述训练后的分类器进行更新，得到更新后的分类器。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4中任一项所述的滚动轴承异常诊断方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的滚动轴承异常诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211702510.4A CN115791174B (zh) | 2022-12-29 | 2022-12-29 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211702510.4A CN115791174B (zh) | 2022-12-29 | 2022-12-29 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115791174A CN115791174A (zh) | 2023-03-14 |
| CN115791174B true CN115791174B (zh) | 2023-11-21 |
Family
ID=85427180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211702510.4A Active CN115791174B (zh) | 2022-12-29 | 2022-12-29 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115791174B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401597B (zh) * | 2023-06-09 | 2023-08-22 | 中国科学技术大学先进技术研究院 | 地震解释模型构建方法、电子设备及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
| CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308158B (zh) * | 2020-11-05 | 2021-09-24 | 电子科技大学 | 一种基于部分特征对齐的多源领域自适应模型及方法 |
-
2022
- 2022-12-29 CN CN202211702510.4A patent/CN115791174B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
| CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于EMD的滚动轴承故障特征提取方法;夏均忠 等;噪声与振动控制(第02期);第123-126页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115791174A (zh) | 2023-03-14 |
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 | |
| CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
| Surucu et al. | Condition monitoring using machine learning: A review of theory, applications, and recent advances | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
| Han et al. | Cross‐machine intelligent fault diagnosis of gearbox based on deep learning and parameter transfer | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| Li et al. | Source-free domain adaptation framework for fault diagnosis of rotation machinery under data privacy | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
| Zhou et al. | An improved extension neural network methodology for fault diagnosis of complex electromechanical system | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN114118146A (zh) | 一种基于信念规则库的滚动轴承故障诊断方法及系统 | |
| Zhuang et al. | Remaining useful life estimation under variable failure behaviors via transferable metric learning | |
| CN113310689A (zh) | 基于域自适应图卷积网络的航发传动系统故障诊断方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Xu et al. | A Dense ResNet Model with RGB Input Mapping for Cross-Domain Mechanical Fault Diagnosis |
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 |