CN115902620A - 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 - Google Patents
一种基于循环生成对抗网络的电机故障增强诊断方法及装置 Download PDFInfo
- Publication number
- CN115902620A CN115902620A CN202211434136.4A CN202211434136A CN115902620A CN 115902620 A CN115902620 A CN 115902620A CN 202211434136 A CN202211434136 A CN 202211434136A CN 115902620 A CN115902620 A CN 115902620A
- Authority
- CN
- China
- Prior art keywords
- sample
- motor
- motor fault
- target
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 54
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 20
- 238000013508 migration Methods 0.000 claims description 87
- 230000005012 migration Effects 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 80
- 238000013527 convolutional neural network Methods 0.000 claims description 55
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 53
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 15
- 230000003416 augmentation Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 14
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 11
- 230000004913 activation Effects 0.000 description 11
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 230000003190 augmentative effect Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method 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
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于循环生成对抗网络的电机故障增强诊断方法及装置，其方法包括构建基于循环生成对抗网络的电机故障样本迁移生成模型，实现由相似样本域到目标样本域的迁移，增广目标样本，进而实现电机故障的增强诊断，其中目标样本域为需要进行故障诊断的工况条件下的电机故障样本域，相似样本域即相同故障模式其他工况条件下该电机的故障样本域。
Description
技术领域
本发明涉及故障预测与健康管理(Prognostics and Health Management，PHM)技术领域，特别涉及一种基于循环生成对抗网络(Cycle-consistent GenerativeAdversarial Network，CycleGAN)的电机故障增强诊断方法及装置。
背景技术
电机在电路中用M表示，一般为机械装置提供扭矩，将电能转换为装置所需要的机械能，在工业生产各个方面的应用非常广泛。电机发生故障，轻则造成财产损失，重则危害人身安全，因此电机的故障诊断非常重要。电机故障诊断技术可以发现电机的早期故障，在电机故障还未产生严重后果时让技术人员了解当前电机的运行情况，以便于及时有针对性地进行检修。因此，在电机的日常使用中进行故障诊断是非常有效而且有必要的，具有重要的工程意义。
电机一般由磁极、转子、轴承、壳体等部分组成，不同部位发生故障时电机输出的振动信号具有不同的特征，因此常常利用振动信号特征不同的特点进行电机故障模式的检测，实现故障诊断。为了实现高准确率的电机故障诊断，传统方法往往需要以大量的电机故障样本为支撑，然而在实际的工业生产中，获取有效的电机故障样本难度较大、成本高昂，导致很多情况下用来实现故障诊断的目标样本以小样本的情况存在，使用传统的故障诊断方法诊断效果不佳，因此如何在有限的目标样本条件下实现尽可能好的故障诊断效果是当前需要解决的重要问题。当前，基于生成对抗网络(Generative Adversarial Network，GAN)实现故障样本增广的方法是解决样本不足问题的主要手段。然而传统的GAN只能利用目标样本本身的信息实现样本增广，在目标样本数目较少时具有生成样本质量不高的问题，难以有效实现电机故障的增强诊断。考虑到每类故障模式往往存在多种工况条件的故障样本，相同故障模式下不同工况的电机故障样本之间具有相似的特征，利用这些相似样本的特征可以提高故障诊断的效果。当前方法的主要思路是是通过迁移学习，使用相似样本预训练诊断模型，再使用目标样本对模型微调。但是传统的迁移学习方法对样本的相似程度以及所使用的迁移方法比较敏感，在相似样本和目标样本相似程度不够高或迁移学习方法不合适时，迁移效果不好，甚至有时候会出现负迁移的现象，反而会降低诊断效果。因此，在目标样本为小样本且有相似样本辅助诊断的情况下，开展如何有效利用相似样本信息进行电机故障增强诊断的研究就尤为重要。
发明内容
根据本发明实施例提供的方案解决的技术问题是在目标样本为小样本且有相似样本辅助诊断的情况下，如何有效利用相似样本信息进行电机故障增强诊断。
根据本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断方法，包括：
获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
优选地，所述从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本包括：
通过分别计算每种电机故障模式下每个相似电机故障样本与所述目标电机故障样本之间的最大均值差异MMD值，得到多个MMD值；
从所述多个MMD值中选取最小MMD值，并将所述最小MMD值对应的相似电机故障样本作为最相似电机故障样本。
优选地，所述预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
基于所述目标电机故障样本和所述最相似电机故障样本，构建包含循环生成对抗网络结构和总损失函数的基于循环生成对抗网络的电机目标样本迁移生成模型；
其中，所述循环生成对抗网络结构包括：包含第一生成器G和第一判别器Dy的第一生成对抗网络；包含第二生成器F和第二判别器Dx的第二生成对抗网络；
所述总损失函数包括：第一生成对抗网络损失函数、第二生成对抗网络损失函数以及循环一致性损失函数。
优选地，所述利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
通过对所述目标电机故障样本和所述最相似电机故障样本分别进行转化处理，得到二维灰度图形式的目标电机故障样本和二维灰度图形式的最相似电机故障样本；
以所述二维灰度图形式的目标电机故障样本和所述二维灰度图形式的最相似电机故障样本作为所述基于循环生成对抗网络的电机目标样本迁移生成模型的输入进行若干次训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型。
优选地，所述预先构建的基于卷积神经网络的电机故障增强诊断模型包括：
基于所述目标电机故障样本和所述生成目标电机故障样本，构建包含卷积神经网络结构和损失函数的基于卷积神经网络的电机故障增强诊断模型。
优选地，所述利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型包括：
以所述目标电机故障样本和所述生成目标电机故障样本作为所述基于卷积神经网络的电机故障增强诊断模型的输入进行若干次训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型。
根据本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断装置，包括：
获取样本模块，用于获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
第一构建及训练模块，用于利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
生成样本模块，用于通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
第二构建及训练模块，用于利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
故障诊断模块，用于获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
根据本发明实施例提供的方案，具有以下有益效果：
(1)使用相似样本迁移生成目标样本，在有效学习了目标样本特征信息的同时还保留了相似样本中的有效特征信息，提高了生成电机故障样本的质量；
(2)对进行迁移的样本之间的相似程度不敏感，不会出现迁移学习中由于相似程度不够导致的负迁移现象，具有更强的实用性；
(3)能够在极小目标样本条件下，利用相似样本信息增广目标样本，有效减轻了目标样本量不足对数据驱动类电机故障诊断方法的不利影响，很好地提升了极小目标样本下电机故障诊断的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种基于CycleGAN的电机故障增强诊断方法的总体流程图；
图2是本发明实施例提供的基于CycleGAN的电机目标样本迁移生成模型示意图；
图3是本发明实施例提供的各故障模式下目标样本的灰度图；
图4是本发明实施例提供的各故障模式下最相似样本的灰度图；
图5是本发明实施例提供的正常模式目标样本与生成样本MMD随训练轮数的变化趋势示意图；
图6是本发明实施例提供的转子轴弯曲模式目标样本与生成样本MMD随训练轮数的变化趋势示意图；
图7是本发明实施例提供的轴承故障模式目标样本与生成样本MMD随训练轮数的变化趋势示意图；
图8是本发明实施例提供的转子不平衡模式目标样本与生成样本MMD随训练轮数的变化趋势示意图；
图9是本发明实施例提供的转子断条模式目标样本与生成样本MMD随训练轮数的变化趋势示意图；
图10是本发明实施例提供的正常模式目标样本与生成样本功率谱图对比示意图；
图11是本发明实施例提供的转子轴弯曲模式目标样本与生成样本功率谱图对比示意图；
图12是本发明实施例提供的轴承故障模式目标样本与生成样本功率谱图对比示意图；
图13是本发明实施例提供的转子不平衡模式目标样本与生成样本功率谱图对比示意图；
图14是本发明实施例提供的转子断条模式目标样本与生成样本功率谱图对比示意图；
图15是本发明实施例提供的目标样本增广前故障诊断训练损失变化示意图；
图16是本发明实施例提供的目标样本增广后故障诊断训练损失变化示意图；
图17是本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断方法的流程图；
图18是本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断装置的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图17是本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断方法的流程图，如图17所示，包括：
步骤S101：获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
步骤S102：利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
步骤S103：通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
步骤S104：利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
步骤S105：获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
具体地说，所述从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本包括：通过分别计算每种电机故障模式下每个相似电机故障样本与所述目标电机故障样本之间的最大均值差异MMD值，得到多个MMD值；从所述多个MMD值中选取最小MMD值，并将所述最小MMD值对应的相似电机故障样本作为最相似电机故障样本。
进一步地，所述预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型包括：基于所述目标电机故障样本和所述最相似电机故障样本，构建包含循环生成对抗网络结构和总损失函数的基于循环生成对抗网络的电机目标样本迁移生成模型；其中，所述循环生成对抗网络结构包括：包含第一生成器G和第一判别器Dy的第一生成对抗网络；包含第二生成器F和第二判别器Dx的第二生成对抗网络；所述总损失函数包括：第一生成对抗网络损失函数、第二生成对抗网络损失函数以及循环一致性损失函数。
进一步地，所述利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型包括：通过对所述目标电机故障样本和所述最相似电机故障样本分别进行转化处理，得到二维灰度图形式的目标电机故障样本和二维灰度图形式的最相似电机故障样本；以所述二维灰度图形式的目标电机故障样本和所述二维灰度图形式的最相似电机故障样本作为所述基于循环生成对抗网络的电机目标样本迁移生成模型的输入进行若干次训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型。
其中，所述预先构建的基于卷积神经网络的电机故障增强诊断模型包括：基于所述目标电机故障样本和所述生成目标电机故障样本，构建包含卷积神经网络结构和损失函数的基于卷积神经网络的电机故障增强诊断模型。
进一步地，所述利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型包括：以所述目标电机故障样本和所述生成目标电机故障样本作为所述基于卷积神经网络的电机故障增强诊断模型的输入进行若干次训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型。
图18是本发明实施例提供的一种基于循环生成对抗网络的电机故障增强诊断装置的示意图，如图18所示，包括：获取样本模块201，用于获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；第一构建及训练模块202，用于利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；生成样本模块203，用于通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；第二构建及训练模块204，用于利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；故障诊断模块205，用于获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
需要指出的是，目标电机故障样本简称目标样本，生成目标电机故障样本简称生成样本。
本发明为了在用来进行电机故障诊断的目标样本为小样本且存在其他工况的相似样本的条件下，更好地利用相似样本信息，实现更高准确率的故障诊断，提出了一种基于循环生成对抗网络的电机故障增强诊断方法及装置。循环生成对抗网络的优势在于不要求训练样本成对出现，只需要提供两域样本即可进行迁移。本方法构建基于循环生成对抗网络的电机故障样本迁移生成模型，实现由相似样本域到目标样本域的迁移，增广目标样本，进而实现电机故障的增强诊断，其中目标样本域为需要进行故障诊断的工况条件下的电机故障样本域，相似样本域即相同故障模式其他工况条件下该电机的故障样本域。
本发明提出的一种基于循环生成对抗网络的电机故障增强诊断方法，如图1所示，包括：
步骤1：针对目标电机的小样本数据条件，以及多种工况下的相似样本数据条件，开展目标样本(目标电机故障样本)和相似样本(相似电机故障样本)的可迁移性度量，筛选出最相似样本(最相似电机故障样本)，保证选取的相似样本和目标样本相似程度足够高，保证迁移质量；
假设共有n种电机故障模式，每类故障模式下的目标样本有m种不同工况下的相似样本。对于每一类电机故障模式下的目标样本，其自身数量为k0，需要生成的样本数量为k1，与其对应的每种相似样本的数量都为k2，与其同源的作为测试样本的样本数量为k。
进一步的，可迁移性度量即针对实际工业生产中往往电机每类故障模式下存在多种相似样本的情况，基于最大均值差异(Maximum Mean Discrepancy，MMD)的方法筛选出最相似样本。对于m种相似样本，分别和目标样本进行MMD分析，得到m个MMD值，选取和目标样本间MMD值最小的相似样本作为迁移使用的最相似样本。也就是说，可迁移性度量基于MMD实现，使用MMD衡量相似样本域、目标样本域的相似程度，MMD值越小表明两域样本相似程度越高，即越适合进行样本域的迁移。在实际使用中，对于每类电机故障模式往往存在多种工况条件的相似样本，对于这些相似样本，分别计算其与目标样本的MMD值，筛选MMD值最小的工况条件下的相似样本域作为迁移的最相似样本域，保证迁移效果。
所使用的MMD方法的基本思想为：基于两个分布的样本，寻找在样本空间上的连续函数f，求不同分布的样本在f上函数值的均值做差，得到两个样本域的均值差异(MeanDiscrepancy，MD)，改变f使得MD最大，即可得到两个样本域MMD，以此评价这两个域的相似程度。具体计算过程如公式(1)所示：
其中，
表示再生希尔伯特空间；Pdata(x)、Pdata(y)分别为相似样本、目标样本的分布；nx、ny分别为相似样本、目标样本的样本个数；x、y分别为相似样本域X、目标样本域Y中的样本；k(·,·)指核函数。
步骤2：考虑原始电机故障信号为一维振动监测信号，将目标样本和筛选出的最相似样本的一维监测信号转化为二维灰度图，作为后续电机样本迁移生成模型和电机故障诊断模型的输入。
进一步的，步骤2中的将一维振动监测信号转化为二维灰度图，首先需要确定灰度图边长M，为了保证故障特征的辨识度，M不宜取值过小，以电机振动信号作为监测信号时，根据经验M一般取64。之后将长度为l的原始一维监测信号按照长度为M×M进行分段，得到
个一维样本，[·]表示取整。最后将每个长度为M×M的一维样本重新排列为边长为M的方形二维信号，再将原始信号监测值转化为0～255间的灰度值，得到二维灰度图样本。也就是说，将目标样本和最相似样本的原始一维振动监测信号转化为二维灰度图的具体做法为：首先，对原始一维振动监测信号按照需求划分为等长度区间的一维振动信号；之后，将分好段的一维振动信号重新排列，转化为二维信号，并将原始信号数值转化为灰度值。将二维信号的原始信号值转化为灰度值使用式(2)的方法实现：
其中，P(j,k)为灰度图中坐标(j,k)位置经过转化后的取值，每个信号的原始强度为L(i)，round(·)表示取整，M为转化的灰度图边长。该方法将所有强度值归一至0～255之间，转化为灰度图的像素值，便于后续的网络训练。
步骤3：构建基于CycleGAN的电机目标样本迁移生成模型，实现由最相似样本域到目标样本域的迁移，由最相似样本迁移生成目标样本，实现目标样本的增广。
进一步的，构建基于CycleGAN的电机目标样本迁移生成模型，如图2所示，CycleGAN中包含两对GAN，第一对GAN的生成器为G，判别器为Dy，第二对GAN的生成器为F，判别器为Dx。在电机目标样本迁移生成模型中主要使用其中第一对GAN实现故障样本生成，最相似样本x经过生成器G生成假的目标样本G(x)，之后判别器Dy判断假G(x)真伪，G(x)再经过生成器F重构回最相似样本F(G(x))，使用x和F(G(x))之间的循环一致性损失保证迁移生成的故障样本G(x)保留原来最相似样本的特征，而不是由模型随机生成的故障样本。以经过步骤2转化后的二维灰度图形式的最相似样本域X、目标样本域Y的电机故障样本作为电机目标样本迁移生成模型的输入，经过反复调试得到各个超参数取值，实现电机故障样本的生成。
进一步的，在完成电机目标样本迁移生成模型的训练后，以最相似样本域X中的k1个电机故障样本为输入，迁移生成k1个目标样本域Y中的电机故障样本，实现目标样本的增广。分别以不同故障模式下的电机故障样本作为输入，可以生成各故障模式下的电机故障样本。依据经验，当目标样本为小样本时，k1取目标样本原始个数k0的10倍以上时效果较好。
构建基于CycleGAN的电机目标样本迁移生成模型具体做法为：首先，基于目标样本和最相似样本的特点构建CycleGAN结构，确定两对GAN的生成器和判别器结构；之后计算模型的损失函数，包括两对GAN的损失和循环一致性损失，再经由梯度清零、前向传播、误差计算以及反向传播等过程的不断迭代，搭建起模型的训练流程；最后，经过反复调试确定模型训练的超参数后，进行目标样本的生成。
电机目标样本迁移生成模型的基本原理如下所示：假设最相似样本域、目标样本域分别为X、Y，模型的目标为由X域样本迁移生成Y域样本。首先，构建两对GAN，第一对GAN的生成器为G，判别器为Dy，第二对GAN的生成器为F，判别器为Dx；第二，X域中的样本x经过生成器G生成伪造的Y域样本G(x)；第三，判别器Dy判断伪造样本G(x)是否是真正的Y域样本；第四，伪造样本G(x)再经过生成器F重构成为X域样本F(G(x))，使用x和F(G(x))之间的循环一致性损失保证迁移生成的图像G(x)保留了X域样本的特征，避免其为随机产生。由Y域样本迁移生成X域样本的过程类似，由于本方法不涉及该过程，在此便不进行相应描述了。
电机目标样本迁移生成模型中使用的激活函数有ReLU、Tanh、LeakyReLU和Sigmoid函数。
电机目标样本迁移生成模型中损失函数的构建如下所示：
生成器G目标为将最相似样本域X中的样本x转化为目标样本域Y中的样本，学习X—>Y的映射。根据交叉熵损失，构造式(3)的损失函数：
LGAN(G,Dy,X,Y)＝Ey～Y[ln Dy(y)]+Ex～X[ln(1-Dy(G(x)))] (3)
其中Ey～Y为输入的全部目标样本，Ex～X指输入的全部最相似样本，Dy(y)为y的判别器认为目标样本y为属于目标样本域的概率，Dy(G(x))表示y的判别器判断最相似样本x经过G生成的电机故障样本G(x)属于目标样本域的概率。
生成器F目标是将目标样本域Y中的目标样本转化为最相似样本域X中的最相似样本，学习Y—>X的映射。根据交叉熵损失，构造式(4)的损失函数：
LGAN(F,Dx,X,Y)＝Ex～X[ln Dx(x)]+Ey～Y[ln(1-Dx(F(y)))] (4)
其中Dx(x)为x的判别器认为最相似样本x为属于最相似样本域的概率，
Dx(F(y))表示x的判别器判断目标样本y经过F生成的电机故障样本F(y)属于最相似样本域的概率。
由于同时学习G、F间两个映射，为了防止过度学习，在损失函数中加入L1 loss，如下式(5)所示：
Lcyc(G,F)＝Ex～X[||F(G(x))-x||1]+Ey～Y[||G(F(y))-y||1] (5)
其中||F(G(x))-x||1表示最相似样本x依次经过生成器G、F之后得到的重构故障样本与原始故障样本x的差异；||G(F(y))-y||1表示目标样本y依次经过生成器F、G之后得到的重构故障样本与原始故障样本y的差异。
最终得到总的损失函数如下式(6)所示：
L(G,F,Dx,Dy)＝LGAN(G,Dy,X,Y)+LGAN(F,Dx,X,Y)+λLcyc(G,F) (6)
在确定了CycleGAN的生成器和判别器的结构并且构建了损失函数之后，就实现了电机目标样本迁移生成模型的框架构建，接下来需要对构建好的模型进行训练。训练模型的过程包括两个部分，第一是CycleGAN超参数的选定，这里的超参数是指需要手动输入的训练参数，而非网络中的权重等参数；第二是在选定的超参数下，对CycleGAN进行网络中权重等参数的训练，建立迁移生成的能力。最后，由于训练好的电机目标样本迁移生成模型需要以一个最相似样本作为输入才能生成一个假的目标样本，因此以多个最相似样本作为训练好的迁移生成模型的输入，以获得多个生成的目标样本，实现目标样本域的增广。
其中选定超参数的步骤是：在一组特定的超参数条件下，使用最相似样本和目标样本训练网络并进行目标样本的生成，之后对训练过程中生成的目标样本和真实目标样本的相似性进行分析，判断生成样本的质量；不断调整超参数并重复上述过程，找到一组使得生成样本质量较高且生成过程较为稳定的超参数。其中在选定的超参数下，对CycleGAN进行网络训练的步骤是：在已经选定的超参数条件下，使用最相似样本和目标样本训练网络，使得网络中的权重等参数符合所使用的故障样本的特点，训练完毕的网络可以实现由最相似样本迁移生成目标样本。
步骤4：利用增广后的目标样本，构建基于CNN的电机故障增强诊断模型，实现小样本条件的电机故障诊断。
进一步的，实现电机故障增强诊断，首先以步骤3中增广后的每类故障模式k0+k1个目标样本，共n*(k0+k1)个作为电机故障增强诊断模型的输入进行训练，经过反复调试得到各个超参数取值。之后使用和目标样本同源的n*k个测试样本进行故障诊断效果测试，对于每个测试样本，电机故障增强诊断模型判别出其归属的故障模式，和该样本已知的故障模式标签比较，累计所有判别正确的测试样本个数k'，得到电机故障增强诊断准确率
构建基于CNN的电机故障诊断模型的具体做法为：首先基于电机故障样本的特点构建卷积神经网络的结构；之后确定模型的损失函数，经过梯度清零、前向传播、误差计算以及反向传播等过程的不断迭代，搭建起模型的训练流程；最后，经过反复调试确定模型最终的超参数后，进行电机故障诊断。
基于CNN的电机故障增强诊断模型包含输入层、卷积层、池化层、全连接层和输出层，其中卷积层、池化层的数量可以依据需求确定，全连接层一般相邻位于输出层之前，网络中的参数通过反向传播进行优化。输入层的输入是转换后的二维灰度图形式的故障样本；卷积层的主要作用为对故障样本二维灰度图做卷积运算，提取其中的故障特征；最后通过激活函数向下一层网络输出故障特征图，可以通过增加卷积层的数目实现更为复杂故障特征的提取；池化层对卷积层输出的电机故障特征图进行切分，取最大值或平均值，把故障特征的维度降低，便于更好地实现故障诊断。
由于本发明中基于CNN实现电机故障诊断，为了更好的实现故障模式的分类，卷积层使用的激活函数为ReLU函数，输出层激活函数选用Softmax函数，假设有一个大小为k的数组V，数组中第i个元素为Vi，Softmax函数具体结构如式(7)所示：
该函数可以在神经元的输出和区间(0,1)间建立一个映射，可以直接视为输入的故障样本属于各个故障类别的估计概率，实现故障诊断功能，例如当V为[1,3,6,9]时，使用Softmax函数输出为[0.0003,0.0024,0.0472,0.9500]。
使用交叉熵损失函数(Cross Entropy Loss，CELoss)作为电机故障增强诊断模型的损失函数，如式(8)所示：
其中N为输入电机故障样本数量，y(i)为故障样本i的标签，
为第i个故障样本的预测概率。
在确定了CNN的网络结构且构建了损失函数之后，就实现了电机故障诊断模型的框架构建，接下来需要对构建好的模型进行超参数的选取。在一组特定的超参数条件下，使用步骤3中增广后的目标样本训练CNN，获得该组超参数下训练样本(即增广后的目标样本)的诊断准确率；不断调整超参数并重复上述过程，找到一组可以使得诊断准确率较高且稳定的超参数。在确定了模型需要的超参数之后，在该组超参数的条件下，仍使用增广后的目标样本训练CNN，这次训练完毕的CNN即可作为电机故障诊断模型用于实现实际的电机故障诊断。实际的电机故障诊断流程为：以未知故障种类的电机故障数据作为训练好的电机故障诊断模型的输入，电机故障诊断模型就会输出该输入数据对应的故障模式。
下面以具体实施例对本发明的技术方案进行详细说明
首先，介绍案例使用的实验数据：
数据采集使用的实验台为北京XX大学可靠性与系统工程学院预测与健康管理国家国防科技创新团队的，由美国Spectra Quest公司生产制造的机械故障综合模拟实验台(MFS)。该实验台由驱动器、电动机、油路及油压调整系统、传动轴系、振动传感器等部件组成，可模拟机械产品的常见故障，用于故障诊断等研究工作。MFS电机控制器控制转速范围为0-60Hz，磁阻矩负载可调节范围为0～5档，其中0档为不加负载，1档到5档的负载扭矩范围为0.5到10寸磅(in·lbs)，即为0.0565到1.13Nm。
表1样本数据的故障模式及故障描述
如表1所示，选取正常、轴承内圈故障、中心轴弯曲、转子不平衡、转子断条五类故障样本，每类故障的故障描述如表中。综合考虑电机的特性参数，实验采样频率设为2.56×104Hz，每类故障模式采样时间为192秒，共计4.96×106个采样点。由于实验室获得样本质量较高，为了模拟实际工业生产中电机故障信号的特点，对所有原始信号加注均值为0，方差为2×10-5的高斯分布随机信号作为噪声信号。
步骤11：针对目标电机的小样本数据条件，以及多种工况下的相似样本数据条件，开展目标样本和相似样本的可迁移性度量，筛选出最相似样本，保证选取的相似样本和目标样本相似程度足够高，保证迁移质量。
目标样本为各故障模式下电机转速30Hz，负载0档工况下的样本；相似样本为各故障模式下其他工况下的故障样本，共有4类，分别为：电机转速30Hz，负载1档、电机转速30Hz，负载3档、电机转速35Hz，负载1档和电机转速40Hz，负载1档。针对每一种故障模式选择样本域相似程度最高即MMD最小的工况条件下的样本作为最相似样本，用来进行MMD分析的样本数为目标样本和最相似样本各10个，计算过程基于式(1)实现，最终的选取结果与MMD值如表2所示：
表2不同故障模式下相似样本与目标样本MMD结果
在进行了MMD分析且选择了和目标样本相似程度最高的样本作为用来迁移的最相似样本之后，可以有效保证生成样本的质量，进而保证电机故障增强诊断的效果。
步骤12：考虑原始电机故障信号为一维振动监测信号，将目标样本和筛选出的最相似样本的一维监测信号转化为二维灰度图，作为后续电机样本迁移生成模型和电机故障诊断模型的输入。
首先，样本形式如实验数据介绍中描述，每类故障模式下的目标样本和最相似样本都选取X方向的振动信号作为原始信号，在加注均值为0，方差为2×10-5的高斯分布随机信号作为噪声信号后，将原始信号划分为1200组，每组信号长度为4096个采样点，共计4.96×106个采样点。
第二，将每组长度为4096个采样点的信号都转化为64×64的灰度图，转化过程依据式(2)进行，首先将信号重新排列为64×64的形式，再将原始的振动信号加速度值转化为灰度值。
第三，为了模拟实际工业生产中电机故障样本获取难度大、成本高的状态，从每类故障模式下的1200组目标样本中随机抽取10组作为训练集，即仅用10组样本作为目标样本来训练迁移生成模型，剩下1190组作为测试样本；每类故障模式下1200组最相似样本来训练迁移生成模型。
按照上述步骤12处理之后，各故障模式下目标样本和最相似样本的灰度图如图3和图4所示，完成后，输入步骤13建立的迁移生成模型进行样本迁移生成。
步骤13：构建基于CycleGAN的电机目标样本迁移生成模型，实现由最相似样本域到目标样本域的迁移，由最相似样本迁移生成目标样本，实现目标样本的增广。
如图2中所示，基于所选用的故障样本特点，构建基于CycleGAN的电机目标样本迁移生成模型的具体过程如下：
首先构建CycleGAN中的生成器和判别器，由于CycleGAN中包含两对GAN，因此有2个生成器和2个判别器，2个生成器网络结构相同。结合案例样本的特点，最终确定的生成器结构如下表3所示：
表3 CycleGAN生成器结构
其中IN为实例正则化(Instance Normalization，IN)，用来减少训练过程中的过拟合特征。生成器由输入层、2个卷积层、6个残差层、2个反卷积层和输出层组成，其中卷积层用来提取输入图像的特征，残差层用来转换、组合图像的各种特征，反卷积层依据特征生成所需图片，残差层的数量可以依据图像分辨率、复杂程度等因素按照需求选取。卷积层和反卷积层数选用ReLU激活函数，该函数运算收敛速度快，且在输入大于0时不会出现梯度消失等问题，适合在卷积运算中使用；残差层包含两个卷积过程，分别选用ReLU和Identity激活函数；输出层使用Tanh激活函数，其稳定性好，适合在输出层使用。
两对GAN中判别器网络结构也相同，结合案例样本的特点，最终确定的判别器结构如下表4所示：
表4 CycleGAN判别器结构
判别器由输入层、卷积层1、卷积层2、卷积层3以及输出层组成。输入为一通道灰度图像，输出为0至1之间的1个数，代表判别器认为输入图像为真实样本而非生成器生成的概率。前四层选用LeakyReLU激活函数，输出层选用Sigmoid激活函数，并且在第二到第四层中加入IN进行防止过拟合。
在构建完模型的生成器和判别器之后，需要构建模型的训练函数，训练过程伪代码如下：
输入：最相似样本域X，目标样本域Y，训练轮数NUM_EPOCHS，生成样本数量NUM_SAMPLE，生成样本保存地址SAVE_DIR；
输出：指定个数的生成的目标样本灰度图；
1.for epoch in range(NUM_EPOCHS)do
2.for each data in dataset do
3.分别生成X、Y域对应的伪造图像和重构图像；
4.分别构建判别器Dx和Dy的损失函数；
5.将判别器Dx和Dy的梯度清零；
6.计算判别器Dx和Dy的梯度；
7.更新判别器Dx和Dy参数；
8.分别构造生成器G、F的损失函数；
9.将生成器G、F的梯度清零；
10.计算生成器G、F的梯度；
11.更新生成器G、F参数；
12.end for
13.end for
14.for i in range(NUM_SAMPLE)do
15.使用第i个最相似样本通过生成器G生成1个目标样本；
16.将生成样本编号为i保存在SAVE_DIR下；
17.end for
至此，在构建完模型的结构，确定模型的训练过程之后，基于CycleGAN的电机目标样本迁移生成模型已经构建完毕。
训练批次(BATCH_SIZE)设置为10，学习率(LEARNING_RATE)设置为0.00002，损失函数中的系数LAMBDA_CYCLE设置为15，训练轮数(NUM_EPOCHS)为25进行训练，训练完成后实现目标样本的生成。
在各故障模式下使用MMD对生成样本和目标样本的相似程度随训练轮数的变化情况进行分析，结果如图5到图9所示，可以看出，随着训练次数的增加，生成样本和真实样本之间的MMD值呈下降趋势，即生成样本越来越接近真实样本，到20轮训练之后趋于稳定；之后使用各故障模式下生成样本与目标样本进行功率谱比较，结果如图10到图14所示，可以看出，迁移生成模型可以较好地学习故障特征，生成的故障样本中频域特征较为明显，而且与目标样本相似程度较高，比较好地实现了目标样本的迁移生成。
步骤14：利用增广后的目标样本，构建基于CNN的电机故障增强诊断模型，实现小样本条件的电机故障诊断。
故障诊断模型基于CNN网络构建，结合案例样本的特点，构建的网络结构如表5中所示，CNN由9层结构组成，分别为四个卷积层、四个池化层以及一个全连接层。
表5 CNN诊断模型结构
卷积层都选用ReLU激活函数，并且为了防止过拟合，都加入批量正则化(BatchNormalization，BN)进行初始化；池化层都使用最大值池化法，核大小为2×2；全连接层使用Softmax激活函数，对于每一个输入样本最终输出为5个数，分别对应该样本为各个故障类别的概率，概率最高的那一类即为其最终认定归属。
在构建完成诊断模型网络结构之后，需要构建模型训练函数，训练函数伪代码如下：
输入：训练集A，测试集B，训练轮数NUM_EPOCHS；
输出：测试集样本诊断准确率；
1.for epoch in range(NUM_EPOCHS)do
2.for each data in A do
3.将CNN网络的梯度清零；
4.计算CNN网络误差；
5.更新CNN网络参数；
6.end for
7.end for
8.for each data in B do
9.得出该样本归属预测值；
10.累积测试集诊断准确率；
11.end for
至此，电机故障诊断模型已经构建完毕，下面使用该模型验证电机故障增强诊断效果。分别使用增广前后的目标样本作为训练集训练步骤14构建的电机故障诊断模型，使用同样的测试样本进行测试，比较电机故障诊断增强效果。
首先使用增广前目标样本训练集进行训练，按照本节前文所述，每类故障模式目标样本即训练集10组，共计50组，测试集1190组，共计5950组对诊断模型进行训练与测试。批大小设置为64，学习率为0.0005，训练轮数为10，训练集损失函数变化如图15所示。之后使用增广后的目标样本进行故障增强诊断，对原来每类故障模式10组的目标样本进行增广，每类故障模式下的目标样本都增广100组，即每类故障模式目标样本即训练集增广为110组，测试集保持1190组不变，同时保持诊断模型各项训练参数不变，进行诊断效果比较，增广之后的诊断模型损失函数变化如图16所示。
分别使用增广前后的目标样本进行5次故障诊断验证，结果如下表6中所示：
表6目标样本增广前后故障诊断准确率比较
可以看出，使用增广前的目标样本进行电机故障诊断平均诊断准确度为87.44％，增广后诊断准确度达到了98.63％，提高11.19％，增强诊断效果非常显著，因此本发明在目标样本少且存在相似样本的情况下，很好地实现了电机故障增强诊断。
根据本发明实施例提供的方案，在目标样本少且存在相似样本的情况下，很好地实现了电机故障增强诊断。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。
Claims (7)
1.一种基于循环生成对抗网络的电机故障增强诊断方法，其特征在于，包括：
获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本包括：
通过分别计算每种电机故障模式下每个相似电机故障样本与所述目标电机故障样本之间的最大均值差异MMD值，得到多个MMD值；
从所述多个MMD值中选取最小MMD值，并将所述最小MMD值对应的相似电机故障样本作为最相似电机故障样本。
3.根据权利要求2所述的方法，其特征在于，所述预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
基于所述目标电机故障样本和所述最相似电机故障样本，构建包含循环生成对抗网络结构和总损失函数的基于循环生成对抗网络的电机目标样本迁移生成模型；
其中，所述循环生成对抗网络结构包括：包含第一生成器G和第一判别器Dy的第一生成对抗网络；包含第二生成器F和第二判别器Dx的第二生成对抗网络；
所述总损失函数包括：第一生成对抗网络损失函数、第二生成对抗网络损失函数以及循环一致性损失函数。
4.根据权利要求3所述的方法，其特征在于，所述利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
通过对所述目标电机故障样本和所述最相似电机故障样本分别进行转化处理，得到二维灰度图形式的目标电机故障样本和二维灰度图形式的最相似电机故障样本；
以所述二维灰度图形式的目标电机故障样本和所述二维灰度图形式的最相似电机故障样本作为所述基于循环生成对抗网络的电机目标样本迁移生成模型的输入进行若干次训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型。
5.根据权利要求1所述的方法，其特征在于，所述预先构建的基于卷积神经网络的电机故障增强诊断模型包括：
基于所述目标电机故障样本和所述生成目标电机故障样本，构建包含卷积神经网络结构和损失函数的基于卷积神经网络的电机故障增强诊断模型。
6.根据权利要求5所述的方法，其特征在于，所述利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型包括：
以所述目标电机故障样本和所述生成目标电机故障样本作为所述基于卷积神经网络的电机故障增强诊断模型的输入进行若干次训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型。
7.一种基于循环生成对抗网络的电机故障增强诊断装置，其特征在于，包括：
获取样本模块，用于获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
第一构建及训练模块，用于利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
生成样本模块，用于通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
第二构建及训练模块，用于利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
故障诊断模块，用于获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211434136.4A CN115902620A (zh) | 2022-11-16 | 2022-11-16 | 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211434136.4A CN115902620A (zh) | 2022-11-16 | 2022-11-16 | 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115902620A true CN115902620A (zh) | 2023-04-04 |
Family
ID=86495072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211434136.4A Pending CN115902620A (zh) | 2022-11-16 | 2022-11-16 | 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115902620A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821800A (zh) * | 2023-08-31 | 2023-09-29 | 深圳市路桥建设集团有限公司 | 基于半监督生成对抗网络的结构状态分类方法及相关设备 |
-
2022
- 2022-11-16 CN CN202211434136.4A patent/CN115902620A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821800A (zh) * | 2023-08-31 | 2023-09-29 | 深圳市路桥建设集团有限公司 | 基于半监督生成对抗网络的结构状态分类方法及相关设备 |
| CN116821800B (zh) * | 2023-08-31 | 2023-11-10 | 深圳市路桥建设集团有限公司 | 基于半监督生成对抗网络的结构状态分类方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN110162018A (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
| CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
| CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN109543905A (zh) | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 | |
| CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| 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 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
| CN115902620A (zh) | 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 | |
| Shahid et al. | Performance comparison of 1d and 2d convolutional neural networks for real-time classification of time series sensor data | |
| CN115455764A (zh) | 一种框架结构多节点损伤诊断方法 | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN113221996A (zh) | 一种基于多头注意力机制的轴承故障诊断方法及系统 | |
| Ahsan et al. | Advanced Fault Diagnosis in Rotating Machines Using 2D Grayscale Images with Improved Deep Convolutional Neural Networks | |
| CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
| CN114814436A (zh) | 一种三电平逆变器故障诊断方法及装置 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| Wang et al. | Multi-scale convolutional neural network fault diagnosis based on attention mechanism | |
| CN117760731B (zh) | 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动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 |