CN116108346A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116108346A CN116108346A CN202310126044.8A CN202310126044A CN116108346A CN 116108346 A CN116108346 A CN 116108346A CN 202310126044 A CN202310126044 A CN 202310126044A CN 116108346 A CN116108346 A CN 116108346A
- Authority
- CN
- China
- Prior art keywords
- feature
- nth
- fault diagnosis
- fault
- stage
- 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 113
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 38
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims abstract description 32
- 210000002569 neuron Anatomy 0.000 claims abstract description 17
- 238000004821 distillation Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 6
- 206010027175 memory impairment Diseases 0.000 claims description 6
- 230000001143 conditioned effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 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
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 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
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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)
- Image Analysis (AREA)
Abstract
本发明涉及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,包括:将轴承状态数据集划分为多个不同诊断阶段;学习初始阶段的灰度图片样本,训练第一特征提取器和第一分类器;使用第一特征提取器提取的特征,利用对抗生成网络交替训练,得到第一特征生成器;构建原始故障诊断模型,设置其全连接层神经元数量为初始阶段故障类型数量;在增量学习阶段,利用n‑1阶段的原始故障诊断模型,训练更新n阶段的故障诊断模型,利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异,利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似,更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和,得到最终故障诊断模型。
Description
技术领域
本发明涉及机械故障诊断与机器学习技术领域,尤其是指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及系统。
背景技术
在技术水平的推动下,现代工业正朝着信息化、智能化的方向发展。工业设备作为现代工业的重要载体,其故障不仅会造成巨大的经济损失,而且会带来巨大的安全风险。轴承是工业设备中不可缺少的一部分,需要在高温高压等恶劣环境下长时间工作。轴承在恶劣条件下的健康稳定运行对工业生产非常重要。因此,对轴承的健康状态进行监测至关重要。
传统的机器学习往往需要大量的专业知识和复杂的特征工程,也就是专业人员人工操作处理。先对数据集执行深入的探索性数据分析,再由PCn或者其他方法对数据进行降维处理,最后才是特征提取。其中最麻烦的还是人工的步骤,不同领域的专业知识交叉并不多,在不同的领域研究问题,往往需要多个该领域的专业人员进行手动特征提取,这导致研究成本的增大。
而深度学习的发展使得利用人工智能可以自动实现机器设备零件的故障检测和识别。例如,将卷积神经网络(CNN)、自动编码器(nEs)、循环神经网络(RNN)、深度信念网络(DBN)和多层感知器引入故障诊断领域。然而,这些诊断模型需要基于两个假设:训练数据与测试数据同分布且训练数据足够多;即要为每种故障类型都收集不同工况下的足量故障信息,以确保高精度诊断。但是由于机器在实际操作过程中工况多变且故障类型复杂多变,导致两个假设在实际工作条件下很难实现,使得模型的诊断效果不佳。这个问题被称为灾难性遗忘,解决灾难性遗忘和建立稳定、可靠和可持续的智能诊断模型是深度学习领域的重要问题。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术在实际操作过程中工况多变且故障类型复杂多变导致的灾难性遗忘问题。
为解决上述技术问题,本发明提供了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,包括:
S1:采集不同故障类型的轴承振动加速度时域信号,进行预处理,获取灰度图片样本,添加故障类型标签,构建轴承状态数据集,并划分为多个不同诊断阶段的数据集;
S2:构建原始故障诊断模型,设置其分类器全连接层神经元数量为初始阶段故障类型数量;根据初始阶段故障类型的灰度图片样本,训练得到第一特征提取器与第一分类器;利用第一特征提取器提取的特征,交替训练鉴别器与生成器,获取第一特征生成器;
S3:在第n阶段,通过第n-1阶段的第n-1特征提取器与第n-1分类器,初始化第n特征提取器与第n分类器;利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器,同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异;
其中,n=1,2,3,…,N;n取1时,为初始阶段;N为诊断阶段的个数;
S4:利用第n特征提取器提取的特征与第n-1特征生成器生成的特征,共同训练更新第n分类器,并利用分类损失函数防止第n分类器遗忘;更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和;
S5:通过第n-1特征生成器初始化第n阶段的第n特征生成器,再通过第n-1特征生成器生成的特征和第n特征提取器提取出的特征,共同训练得到第n特征生成器;同时利用重放对齐损失函数,约束第n特征生成器生成的特征与第n-1特征生成器生成的特征相似,防止第n特征生成器遗忘;
S6:重复步骤S3至S5,直至训练完所有诊断阶段,得到n=N时的最终故障诊断模型;
S7:利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本,得到轴承故障诊断结果。
在本发明的一个实施例中,所述步骤S1具体包括:
利用加速度传感器采集不同故障类型的轴承振动加速度时域信号,添加故障类型标签,构建轴承状态数据集,划分不同阶段的故障诊断任务;
为N+1个故障诊断任务划分N+1个学习阶段;学习阶段的数量随着诊断任务数量的增加而增加,N+1个学习阶段的数据集D0,D1,...,Dn被依次学习;第n阶段中数据集被学习,为Dn的第i个样本数据,为第i个样本数据对应的故障类型标签,Kn为第n阶段数据集中样本的数量;Pn代表所有已经学过故障类型T0:n-1={T0,T1,...,Tn-1}的数量,Qn代表当前阶段学习到故障类型Tn的数量,即Pn+1=Pn+Qn,所以将表示为
在本发明的一个实施例中,所述对所述轴承振动加速度时域信号进行预处理,获取灰度图片样本包括:
对所述轴承振动加速度时域信号进行快速傅里叶变换,将所述轴承振动加速度时域信号转变为轴承振动加速度频域信号,同时保留1×1024的形状;
将轴承振动加速度频域信号从1×1024重塑为1×32×32,并在新的维度上进行重建,以获得1×32×32的灰度图片样本。
在本发明的一个实施例中,所述根据初始阶段故障类型的灰度图片样本,训练得到第一特征提取器与第一分类器,包括:
利用Resent-18网络学习初始阶段的灰度图片样本,训练得到第一特征提取器F0和第一分类器C0,获取原始故障诊断模型M0,设置其全连接层神经元数量为初始阶段故障类型数量;
初始阶段分类损失为交叉熵损失函数:
在本发明的一个实施例中,所述使用第一特征提取器提取出的第一特征,利用对抗生成网络交替训练,得到第一特征生成器,包括:
使用第一特征提取器F0提取出的第一特征,利用Wnsserstein GnN交替更新鉴别器D0与生成器,得到第一特征生成器G0:
通过鉴别器损失函数与生成器损失函数使第一特征生成器适应特征生成和持续学习:
表示重放对齐损失函数。
其中,Gn(t,z)表示第n特征生成器生成的特征,Gn-1(t,z)表示第n-1特征生成器生成的特征当以给定的先验故障类型t和给定的隐向量z为条件时,约束第n阶段的生成特征与第n-1阶段的生成特征相似。
在本发明的一个实施例中,所述特征蒸馏损失函数为:
其中,Fn-1(x)表示第n-1特征提取器提取的特征,Fn-1(x)表示第n特征提取器提取的特征。
在本发明的一个实施例中,所述增量学习阶段的分类损失包括新分类任务损失与旧分类任务损失:
所述新分类任务损失为第n阶段学习到的故障类型的交叉熵损失:
所述旧分类任务损失为第n阶段之前所有阶段学习过的故障类型的交叉熵损失:
在本发明的一个实施例中,所述利用最终故障诊断模型诊断所有已学习任务的灰度图片样本,得到轴承故障诊断结果后,还包括:
利用所有已学习故障类型的诊断任务,测试轴承状态数据集中所有的故障类型,以验证最终故障诊断模型具有克服灾难性遗忘的能力。
本发明实施例还提供了一种基于生成特征重放的轴承增量故障诊断终身学习系统,包括:
数据获取与预处理模块,采集不同故障类型的轴承振动加速度时域信号,构建轴承状态数据集,并划分为多个不同诊断阶段的轴承故障诊断任务;对所述轴承振动加速度时域信号进行预处理,获取灰度图片样本;
初始阶段训练模块,通过学习初始阶段的灰度图片样本,训练得到第一特征提取器和第一分类器;使用第一特征提取器提取出的第一特征,利用对抗生成网络交替训练,得到第一特征生成器;构建原始故障诊断模型,设置其全连接层神经元数量为初始阶段故障类型数量;
增量阶段训练模块,根据n-1阶段的第n-1特征提取器、第n-1分类器与第n-1特征生成器训练n阶段的第n特征提取器、第n分类器与第n特征生成器;利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异,利用重放对齐损失函数约束第n特征生成器生成的第n生成特征与第n-1生成特征相似,更新分类器全连接层神经元数量为初始阶段至第n阶段故障类型数量总和,得到最终故障诊断模型;
故障诊断模块,利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本,得到轴承故障诊断结果。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的基于生成特征重放的轴承增量故障诊断终身学习方法,通过初始阶段灰度图片样本的学习,训练特征提取器、分类器与特征生成器,构建原始故障诊断模型;在增量学习阶段,利用特征提取器用于提取第n阶段故障类别的特征,并利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异来防止特征提取器的遗忘;利用分类器预测目标标签,并通过分类损失函数来防止分类器的遗忘;利用特征生成器生成精准的旧类特征分布,以便于在不同的类和任务之间共享参数,并利用重放对齐损失函数,通过使第i阶段的生成特征与第n-1阶段的生成特征相似,来确保特征生成器从旧类型中正确地生成特征,从而使本发明提供的最终故障诊断模型解决了灾难性遗忘问题,诊断精度高,鲁棒性强,适用于故障增量类型的故障诊断。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明实施例所提供的基于特征重放的轴承增量故障诊断终身学习方法的步骤流程图;
图2是本发明实施例所提供的基于特征重放的轴承增量故障诊断终身学习方法的原理框图;
图3是本发明实施例所提供的滚动轴承数据生成试验台示意图;
图4是本发明实施例所提供的故障诊断模型在不同阶段的故障诊断准确率与其余方法的对比示意图;
图5是本发明实施例所提供的不同阶段的特征可视化示意图;
图6是本发明实施例所提供的真实特征与生成特征的可视化示意图。
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。
参照图1所示,本发明所述的基于特征重放的轴承增量故障诊断终身学习方法的步骤包括:
S1:采集不同故障类型的轴承振动加速度时域信号,进行预处理,获取灰度图片样本,添加故障类型标签,构建轴承状态数据集,并划分为多个不同诊断阶段的数据集;
利用加速度传感器采集不同故障类型的轴承振动加速度时域信号,构建轴承状态数据集,划分不同阶段的故障诊断任务;
为N+1个故障诊断任务划分N+1个学习阶段;学习阶段的数量随着诊断任务数量的增加而增加,N+1个学习阶段的数据集D0,D1,...,Dn被依次学习;第n阶段中数据集被学习,为Dn的第i个样本数据,为第i个样本数据对应的故障类型标签,Kn为第n阶段数据集中样本的数量;Pn代表所有已经学过故障类型T0:n-1={T0,T1,...,Tn-1}的数量,Qn代表当前阶段学习到故障类型Tn的数量,即Pn+1=Pn+Qn,所以也可以表示为
对轴承振动加速度时域信号进行快速傅里叶变换FFT,使轴承振动加速度时域信号从时域信号转变为频域信号,同时保留1×1024的形状,帮助特征学习器更容易提取特征;
将轴承振动加速度频域信号从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理想形状的灰度图片样本。
S2:参照图2所示,构建原始故障诊断模型,设置其分类器全连接层神经元数量为初始阶段故障类型数量;根据初始阶段故障类型的灰度图片样本,训练得到第一特征提取器与第一分类器;利用第一特征提取器提取的特征,交替训练鉴别器与生成器,获取第一特征生成器
利用Resnet-18学习初始阶段中的轴承振动加速度频域信号训练得到包括第一特征提取器F0和第一分类器C0的原始故障诊断模型M0,用于识别故障类型T0,设置其全连接层神经元数量为初始阶段故障类型数量;
第一特征提取器F0和第一分类器C0在训练完成后冻结,并使用第一特征提取器F0提取出的第一特征u0,训练第一特征生成器G0。使用Wnsserstein GnN,并通过以下损失使其适应特征生成和持续学习:
初始阶段鉴别器损失:
初始阶段生成器损失;
其中,t为所需的故障类型,z为服从高斯分布的随机噪声。
S3:在第n阶段,通过第n-1阶段的第n-1特征提取器与第n-1分类器,初始化第n特征提取器与第n分类器;利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器,同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异;
其中,n=1,2,3,…,N;n取1时,为初始阶段;N为诊断阶段的个数;
特征蒸馏损失函数:
其中,Fn-1(x)表示第n-1特征提取器提取的特征,Fn-1(x)表示第n特征提取器提取的特征。
S4:利用第n特征提取器提取的特征与第n-1特征生成器生成的特征,共同训练更新第n分类器,并利用分类损失函数防止第n分类器遗忘;更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和;
在对抗生成网络中交替更新鉴别器Dn和生成器Gn,计算公式如下:
是Wnsserstein GnN中鉴别器的损失,是Wnsserstein GnN中生成器的损失。为重放对齐损失,当以给定的先验故障类型t和给定的隐向量z为条件时,约束当前阶段生成的特征与过去阶段生成的特征相似;重放对齐损失
也可以视为一种蒸馏,计算如下:
Gn(t,z)表示第n特征生成器生成的特征;
S5:通过第n-1特征生成器初始化第n阶段的第n特征生成器,再通过第n-1特征生成器生成的特征和第n特征提取器提取出的特征,共同训练得到第n特征生成器;同时利用重放对齐损失函数,约束第n特征生成器生成的特征与第n-1特征生成器生成的特征相似,防止第n特征生成器遗忘;
增量学习阶段的分类损失包括新分类任务损失与旧分类任务损失:
所述新分类任务损失为第n阶段学习到的故障类型的交叉熵损失:
所述旧分类任务损失为第n阶段之前所有阶段学习过的故障类型的交叉熵损失:
当第n阶段的第n特征提取器和第n分类器训练完成后,将其冻结,并开始训练第n特征提取器。通过第n-1阶段的第n-1特征生成器初始化第n阶段的第n特征生成器;
通过第n阶段的第n特征提取器提取出的第n特征和第n-1阶段训练好的第n-1特征生成器生成的第n-1特征,共同训练第n阶段的第n特征生成器,用于下一阶段生成特征进行联合训练。由于意外故障类型在故障诊断中是罕见且复杂的,因此GnN被应用于生成越来越精确的特征分布,以促进不同类别和任务之间的参数共享;
S6:重复步骤S3至S5,直至训练完所有诊断阶段,得到n=N时的最终故障诊断模型;
S7:利用最终故障诊断模型诊断所有已学习任务的测试集中的灰度图片样本,得到轴承故障诊断结果。
用所有已学习任务的轴承振动加速度时域信号,经过预处理后生成的灰度图片样本,测试轴承故障模型在新旧任务的表现,验证模型不遗忘学习的能力。当模型训练完成时,需能完成所有已学故障类型的诊断任务,测试轴承状态数据集x中包含的所有的故障类型T0:n,用于证明模型具有克服灾难性遗忘的能力。
基于上述实施例,本发明实施例还提供了一种基于生成特征重放的轴承增量故障诊断终身学习系统,包括:
数据获取与预处理模块,采集不同故障类型的轴承振动加速度时域信号,构建轴承状态数据集,并划分为多个不同诊断阶段的轴承故障诊断任务;对所述轴承振动加速度时域信号进行预处理,获取灰度图片样本;
初始阶段训练模块,通过学习初始阶段的灰度图片样本,训练得到第一特征提取器和第一分类器;使用第一特征提取器提取出的第一特征,利用对抗生成网络交替训练,得到第一特征生成器;构建原始故障诊断模型,设置其全连接层神经元数量为初始阶段故障类型数量;
增量阶段训练模块,根据n-1阶段的第n-1特征提取器、第n-1分类器与第n-1特征生成器训练n阶段的第n特征提取器、第n分类器与第n特征生成器;利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异,利用重放对齐损失函数约束第n特征生成器生成的第n生成特征与第n-1生成特征相似,更新分类器全连接层神经元数量为初始阶段至第n阶段故障类型数量总和,得到最终故障诊断模型;
故障诊断模块,利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本,得到轴承故障诊断结果。
具体地,在本发明的一个实施例中,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。参照图3所示,测试系统包括一个额定转速为1450RMP、额定频率为50Hz的电动机,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型号为PCBM621B40、灵敏度为10mv/g的加速度传感器,一个型号为INV3018C信号采集仪和一台计算机。
使用上述试验台所采集的信号构建了一个包含十六种健康状态的轴承故障数据集;16个健康状态包括0.2mm内圈故障、0.2mm滚子故障、0.2mm外圈故障、0.3mm内圈故障、0.3mm滚子故障、0.3mm外圈故障、0.4mm内圈故障、0.4mm滚子故障、0.4mm外圈故障、0.5mm内圈故障、0.5mm滚子故障、0.5mm外圈故障、0.6mm内圈故障、0.6mm滚子故障、0.6mm故障和正常轴承。
在收集实际数据时,将转速设置为896.1r/min,采样频率设置为10.6KHz。通过调整螺母,载荷大小变为2KN。
因为在使用轴承时首次收集的故障信息是全面的,之后发生的意外故障类型很少。所以,如表1所示,我们将初始阶段,即阶段0的故障类型数量设计得较多,而其他任务中的故障类型数量则较少,来模拟我们实际轴承使用中的情况。每种故障类型均包含100个训练样本和100个测试样本,每个样本包含1024个数据点。
表1轴承健康状态和任务设定
参照表2所示,为Resnet-18网络的结构参数:
表2主干网络ResNet-18结构参数
具体地,基于上述描述,将采集的16种轴承健康状态划分为4个诊断阶段,根据初始阶段0中的灰度图片样本训练得到第一特征提取器与第一分类器,利用对抗生成网络,基于第一特征训练第一特征生成器;获取由第一特征提取器、第一分类器及第一特征生成器构成的原始故障诊断模型;继续进行增量阶段的学习,利用初始阶段0的第一特征提取器、第一分类器及第一特征生成器训练第二阶段1的第二特征提取器、第二分类器及第二特征生成器,直至训练得到第四特征提取器、第四分类器及第四特征生成器,获取最终轴承故障诊断模型;将所有已学习任务的轴承振动加速度时域信号输入至最终轴承故障诊断模型中,得到轴承故障诊断结果。
参照图4所示,为本发明的故障诊断模型在不同阶段的故障诊断准确率与五种现有方法的对比示意图,对比方法1为Fine-tuning of nll network pnrnmeters,是迁移学习中对整个网络进行微调的方法;对比方法2为EWC,是终身学习中经典的基于正则化的方法;对比方法3为LWF,其首次将知识蒸馏引入终身学习领域;对比方法4为iCnRL,其首次将样本引入终身学习;对比方法5为LUCIR,其结合样本并使用基于余弦相似度的损失代替softmnx来解决不平衡和灾难性遗忘的问题;由图4可知,相较于对比方法1、对比方法2、对比方法3、对比方法4以及对比方法5,本发明所提供的故障诊断模型在每一阶段的准确率均是最高的。参照图5所示,本发明的故障诊断模型在不同阶段的特征可视化示意图,可以看出,该模型在故障类型增加的情况下,也可以对新的故障类型进行较好的聚类效果;同时不会遗忘对旧类的知识,对旧类的聚类效果也很好。参照图6所示,为真实特征与生成特征的可视化示意图,可以看到本发明的生成特征与真实特征重合率高,即故障诊断准确率高。
本发明所述的基于生成特征重放的轴承增量故障诊断终身学习方法,通过初始阶段灰度图片样本的学习,训练特征提取器、分类器与特征生成器,构建原始故障诊断模型;在增量学习阶段,利用特征提取器用于提取第n阶段故障类别的特征,并利用特征蒸馏损失函数来防止特征提取器的遗忘;利用分类器预测目标标签,并通过分类损失函数来防止分类器的遗忘;利用特征生成器生成精准的旧类特征分布,以便于在不同的类和任务之间共享参数,并利用重放对齐损失函数,通过使第n阶段的生成特征与第n-1阶段的生成特征相似,来确保特征生成器从旧类型中正确地生成特征,从而使本发明提供的最终故障诊断模型诊断精度高,鲁棒性强,适用于故障增量类型的故障诊断,可广泛应用于机械、电力、化工、航空等复杂系统的增量故障诊断任务。
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。而由此所引伸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 (10)
1.一种基于生成特征重放的轴承增量故障诊断终身学习方法,其特征在于,包括:
S1:采集不同故障类型的轴承振动加速度时域信号,进行预处理,获取灰度图片样本,添加故障类型标签,构建轴承状态数据集,并划分为多个不同诊断阶段的数据集;
S2:构建原始故障诊断模型,设置其分类器全连接层神经元数量为初始阶段故障类型数量;根据初始阶段故障类型的灰度图片样本,训练得到第一特征提取器与第一分类器;利用第一特征提取器提取的特征,交替训练鉴别器与生成器,获取第一特征生成器;
S3:在第n阶段,通过第n-1阶段的第n-1特征提取器与第n-1分类器,初始化第n特征提取器与第n分类器;利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器,同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异;
其中,n=1,2,3,…,N;n取1时,为初始阶段;N为诊断阶段的个数;
S4:利用第n特征提取器提取的特征与第n-1特征生成器生成的特征,共同训练更新第n分类器,并利用分类损失函数防止第n分类器遗忘;更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和;
S5:通过第n-1特征生成器初始化第n阶段的第n特征生成器,再通过第n-1特征生成器生成的特征和第n特征提取器提取出的特征,共同训练得到第n特征生成器;同时利用重放对齐损失函数,约束第n特征生成器生成的特征与第n-1特征生成器生成的特征相似,防止第n特征生成器遗忘;
S6:重复步骤S3至S5,直至训练完所有诊断阶段,得到n=N时的最终故障诊断模型;
S7:利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本,得到轴承故障诊断结果。
2.根据权利要求1所述的基于生成特征重放的轴承增量故障诊断终身学习方法,其特征在于,所述步骤S1具体包括:
利用加速度传感器采集不同故障类型的轴承振动加速度时域信号,添加故障类型标签,构建轴承状态数据集,划分不同阶段的故障诊断任务;
3.根据权利要求2所述的基于生成特征重放的轴承增量故障诊断终身学习方法,其特征在于,所述对所述轴承振动加速度时域信号进行预处理,获取灰度图片样本包括:
对所述轴承振动加速度时域信号进行快速傅里叶变换,将所述轴承振动加速度时域信号转变为轴承振动加速度频域信号,同时保留1×1024的形状;
将轴承振动加速度频域信号从1×1024重塑为1×32×32,并在新的维度上进行重建,以获得1×32×32的灰度图片样本。
9.根据权利要求1所述的基于生成特征重放的轴承增量故障诊断终身学习方法,其特征在于,所述利用最终故障诊断模型诊断所有已学习任务的轴承振动加速度时域信号,得到轴承故障诊断结果后,还包括:
利用所有已学习故障类型的诊断任务,测试轴承状态数据集中所有的故障类型,以验证最终故障诊断模型具有克服灾难性遗忘的能力。
10.一种基于生成特征重放的轴承增量故障诊断终身学习系统,其特征在于,包括:
数据获取与预处理模块,采集不同故障类型的轴承振动加速度时域信号,构建轴承状态数据集,并划分为多个不同诊断阶段的轴承故障诊断任务;对所述轴承振动加速度时域信号进行预处理,获取灰度图片样本;
初始阶段训练模块,通过学习初始阶段的灰度图片样本,训练得到第一特征提取器和第一分类器;使用第一特征提取器提取出的第一特征,利用对抗生成网络交替训练,得到第一特征生成器;构建原始故障诊断模型,设置其分类器全连接层神经元数量为初始阶段故障类型数量;
增量阶段训练模块,根据n-1阶段的第n-1特征提取器、第n-1分类器与第n-1特征生成器训练n阶段的第n特征提取器、第n分类器与第n特征生成器;利用特征蒸馏损失函数缩小第n特征与第n-1特征的差异,利用重放对齐损失函数约束第n特征生成器生成的第n生成特征与第n-1生成特征相似,更新分类器全连接层神经元数量为初始阶段至第n阶段故障类型数量总和,得到最终故障诊断模型;
故障诊断模块,利用最终故障诊断模型诊断所有已学习任务的未训练测试集中的灰度图片样本,得到轴承故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126044.8A CN116108346A (zh) | 2023-02-17 | 2023-02-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126044.8A CN116108346A (zh) | 2023-02-17 | 2023-02-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108346A true CN116108346A (zh) | 2023-05-12 |
Family
ID=86253986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310126044.8A Pending CN116108346A (zh) | 2023-02-17 | 2023-02-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108346A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645978A (zh) * | 2023-06-20 | 2023-08-25 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
CN117150377A (zh) * | 2023-11-01 | 2023-12-01 | 北京交通大学 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
-
2023
- 2023-02-17 CN CN202310126044.8A patent/CN116108346A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645978A (zh) * | 2023-06-20 | 2023-08-25 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
CN116645978B (zh) * | 2023-06-20 | 2024-02-02 | 方心科技股份有限公司 | 基于超算并行环境的电力故障声类别增量学习系统及方法 |
CN117150377A (zh) * | 2023-11-01 | 2023-12-01 | 北京交通大学 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
CN117150377B (zh) * | 2023-11-01 | 2024-02-02 | 北京交通大学 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
EP3385889A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
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 | |
Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN114295377B (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
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 | |
Liu et al. | A variational transformer for predicting turbopump bearing condition under diverse degradation processes | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN117290771A (zh) | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
Hasan et al. | Machine learning-based sensor drift fault classification using discrete cosine transform | |
Zhong et al. | Failure prediction for linear ball bearings based on wavelet transformation and self-organizing map | |
Ahsan et al. | Advanced Fault Diagnosis in Rotating Machines Using 2D Grayscale Images with Improved Deep Convolutional Neural Networks | |
CN115017937B (zh) | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
Kim et al. | Seismic damage identification of cable-stayed bridge in near-real-time using unsupervised deep neural network | |
CN115688011A (zh) | 一种基于文本和语义嵌入的旋转机械复合故障识别方法 | |
Gao et al. | Long-term Temporal Attention Neural Network with Adaptive Stage Division for Remaining Useful Life Prediction of Rolling Bearings | |
CN118035766A (zh) | 基于相似度对抗与对比学习的变工况轴承故障诊断方法 |
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 |