CN116127279B - 一种小样本液压泵气蚀诊断方法及装置 - Google Patents
一种小样本液压泵气蚀诊断方法及装置 Download PDFInfo
- Publication number
- CN116127279B CN116127279B CN202310176785.7A CN202310176785A CN116127279B CN 116127279 B CN116127279 B CN 116127279B CN 202310176785 A CN202310176785 A CN 202310176785A CN 116127279 B CN116127279 B CN 116127279B
- Authority
- CN
- China
- Prior art keywords
- model
- training
- cavitation
- sample data
- hydraulic pump
- 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 92
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013508 migration Methods 0.000 claims abstract description 10
- 230000005012 migration Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000013526 transfer learning Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种小样本液压泵气蚀诊断方法及装置，包括：获取液压泵正常工况和不同气蚀状态下的振动信号，并对振动信号进行切片处理和时频变换，构建时频图像数据集；根据时频图像数据集基于深度生成对抗网络构建生成对抗模型，生成对抗模型包括生成器模型和判别器模型；根据生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断。本发明通过结合深度学习、生成对抗网络和迁移学习的算法，能够在数据量不足的条件下，提高故障诊断的精度。
Description
技术领域
本发明涉及气蚀诊断的技术领域，尤其涉及一种小样本液压泵气蚀诊断方法及装置。
背景技术
随着人工智能的发生，深度学习由于具有强大的自主学习和模式识别的能力，逐渐在工业设备的故障诊断领域受到广泛关注与应用。然而，深度学习方法极度依赖大量标记数据，而实际生产环境中很难收集到大量的故障数据，属于小样本的分类问题。因此，小样本问题成为了制约深度学习技术在机械设备故障诊断领域中应用的关键问题。液压泵作为液压系统的关键部件，影响着整个系统的安全稳定运行。一旦发生气蚀故障，不仅会影响泵的性能，同时造成较大的噪声和振动，甚至引发共振，造成更大的损失。
传统的故障诊断方法主要通过信号处理技术将振动信号的频谱进行人工分析，能够满足实时和离线的故障诊断。然而，此种方法多依赖于人工经验。随着人工智能的发展，一些前层机器学习方法或特征提取的方法开始应用于故障诊断领域。此类方法多集中在如何实现机器学习算法与信号处理技术的有效结合，进而提高模型在故障诊断中的准确率和鲁棒性。并且，此类方法在特征提取方面的泛化能力较弱，与浅层学习方法结合实现故障诊断的结果受人为经验影响且步骤繁琐。同时，流体机械气蚀故障发生时振动信号的变化较小，没有明显的局部突变，易受噪声干扰，传统方法诊断难度较大。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种小样本液压泵气蚀诊断方法及装置解决现有的在机械设备故障诊断应用中无法解决小样本数据的故障诊断以及现有气蚀诊断方法依赖人工经验进行故障分析，可靠性差，准确率低的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种小样本液压泵气蚀诊断方法，包括：
获取液压泵正常工况和不同气蚀状态下的振动信号，并对所述振动信号进行切片处理和时频变换，构建所述时频图像数据集；
根据所述时频图像数据集基于深度生成对抗网络构建生成对抗模型，所述生成对抗模型包括生成器模型和判别器模型；
根据所述生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，所述气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：所述切片处理和时频变换，包括：
根据液压泵的旋转周期将整段振动信号数据拆分成N段，且所述拆分的每个切片的覆盖时间不小于液压泵的旋转周期；
对所述每一段切片数据进行时频变换，将原始小样本数据的时间序列一维信号转换为二维图像数据，并为不同状态下的二维图像数据设置标签，构建所述时频图像数据集。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：基于深度生成对抗网络构建生成对抗模型，包括：
基于时频图像数据集根据所述判别器模型进行第一判断；
当所述生成器模型生成初始假样本数据时，则与时频图像数据集一同进行标签标定，并输入所述判别器模型进行训练，获取最优参数的判别器模型；
基于所述最优参数的判别器模型对所述生成器模型生成的假样本数据进行第二判断，获取最优参数的生成器模型；
当所述最优参数的生成器模型能够欺骗所述判别器模型，生成能够以假乱真的样本数据时，则保存生成对抗模型，并通过所述生成对抗模型生成第一样本数据。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：还包括：
所述生成器模型初次生成假样本数据时，所述生成器模型采用符合正态分布的随机噪声数据对所述噪声数据维度进行膨胀，生成与真样本数据分布接近的图像样本数据。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：生成对抗模型训练，包括：
利用所述生成器模型和所述判别器模型将所述原始小样本数据集转换成计算机能够识别的计算机语言并输入所述预生成器模型中进行训练；
采用优化装置对所述生成器模型与所述判别器模型的连续对抗参数进行优化，并不断调整训练的所述生成器模型，直至输出的调试结果使损失函数不断降低直到收敛,达到纳什平衡时结束训练，保存生成对抗模型，否则继续训练；
所述生成对抗模型，用于生成第一样本数据，所述第一样本数据为气蚀诊断模型的预训练数据集。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：构建所述气蚀诊断模型，包括：
基于迁移学习方法，采用K折交叉验证法将基于深度生成对抗网络生成的所述第一样本数据划分所述训练集与所述验证集的比例为4：1，学习率为1-3，批训练个数为20，训练周期为300次，在ResNet-50网络中进行训练作为预训练模型，完成第一训练阶段，保存预训练模型。。
作为本发明所述的小样本液压泵气蚀诊断方法的一种优选方案，其中：还包括：
基于所述预训练保存的模型采用原始小样本数据进行第二训练阶段，并将所述预训练模型的批训练个数调整为2，训练周期调整为150次，构建完成最优的故障诊断模型，并根据所述故障诊断模型进行液压泵气蚀的诊断。
第二方面，本发明实施例提供了一种小样本液压泵气蚀诊断装置，包括，
数据获取处理模块，用于获取液压泵正常工况和不同气蚀状态下的振动信号，并对所述振动信号进行切片处理和时频变换，构建所述时频图像数据集；
模型搭建模块，用于根据所述时频图像数据集基于深度生成对抗网络构建生成对抗模型，所述生成对抗模型包括生成器模型和判别器模型；
故障诊断模块，用于根据所述生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，所述气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理实现如本发明任一实施例所述的小样本液压泵气蚀诊断方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述的小样本液压泵气蚀诊断方法。
与现有技术相比，本发明的有益效果：本发明融合深度生成网络、迁移学习方法和深度学习网络，提出了一种基于迁移学习和生成对抗网络的小样本液压泵气蚀诊断方法，有效解决了深度学习在故障诊断领域中面临的小样本问题；结合液压泵不同气蚀状态下的振动信号数据特点，明确了数据处理方法和诊断模型的参数设置，实现了小样本条件下液压泵的气蚀故障诊断。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：
图1为本发明一个实施例所述的一种小样本液压泵气蚀诊断方法及装置的故障诊断模型训练流程图；
图2为本发明一个实施例所述的一种小样本液压泵气蚀诊断方法及装置的数据生成网络框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2，为本发明的一个实施例，该实施例提供了一种小样本液压泵气蚀诊断方法，包括：
S1:获取液压泵正常工况和不同气蚀状态下的振动信号，并对振动信号进行切片处理和时频变换，构建时频图像数据集；
更进一步的，切片处理和时频变换，包括：
根据液压泵的旋转周期将整段振动信号数据拆分成N段，且拆分的每个切片的覆盖时间不小于液压泵的旋转周期；
对每一段切片数据进行时频变换，将原始小样本数据的时间序列一维信号转换为二维图像数据，并为不同状态下的二维图像数据设置标签，构建时频图像数据集。
应说明的是，液压泵的振动信号不仅可以使用加速度传感器或位移传感器采集的结构振动信号，还可以使用压力传感器获取的压力脉动信号。
还应说明的是，液压泵的时频变换方式包括但不限于短时傅里叶变换以及小波变换。
S2:根据时频图像数据集基于深度生成对抗网络构建生成对抗模型，生成对抗模型包括生成器模型和判别器模型；
更进一步的，基于深度生成对抗网络构建生成对抗模型，包括：
基于时频图像数据集根据判别器模型进行第一判断；
当生成器模型生成初始假样本数据时，则与时频图像数据集一同进行标签标定，并输入判别器模型进行训练，获取最优参数的判别器模型；
基于最优参数的判别器模型对生成器模型生成的假样本数据进行第二判断，获取最优参数的生成器模型；
当最优参数的生成器模型能够欺骗判别器模型，生成能够以假乱真的样本数据时，则保存生成对抗模型，并通过生成对抗模型生成第一样本数据。
应说明的是，生成对抗模型的训练周期分为两部分，包括生成器模型训练和判别器模型训练。
具体的，在训练周期中优先训练辨别器模型；辨别器模型的训练将真样本数据标签设为1，假样本数据标签设为0，将设置的数据标签输入判别器模型，且真假数据数量相同，根据批大小(batch size)决定数据数量，若有batchsize数量的真数据输入判别器，也有batchsize数量的符合正态分布的噪声输入生成器，生成batchsize数量的假数据，与真数据一起输入判别器进行训练，且只对判别器中的参数进行训练，利用真假图片训练评价器，使得判别器判别更准确。
具体的，生成器模型的训练是对判别器的模型参数进行冻结，即保存上述判别器模型的训练结果，通过生成器模型生成假数据，基于上述训练完成的判别器模型进行真假数据的辨别，当生成器模型生成的图像样本数据，被判别器模型识别为正确时，则通过观察生成的假样本数据能否欺骗判别器模型，根据观察结果再逆向训练自动调整生成器的模型参数。
还应说明的是，采用深度卷积网络搭建生成器模型和判别器模型，并且使用全卷积网络，生成器模型采用反卷积，判别器模型采用卷积。
具体的，还包括：
生成器模型初次生成假样本数据时，生成器模型采用符合正态分布的随机噪声数据对噪声数据维度进行膨胀，生成与真样本数据分布接近的图像样本数据。
更进一步的，生成对抗模型训练，包括：
利用生成器模型和判别器模型将原始小样本数据集转换成计算机能够识别的计算机语言并输入预生成器模型中进行训练；
采用优化装置对生成器模型与判别器模型的连续对抗参数进行优化，并不断调整训练的生成器模型，直至输出的调试结果使损失函数不断降低直到收敛,达到纳什平衡时结束训练，保存生成对抗模型，否则继续训练；
生成对抗模型，用于生成第一样本数据，第一样本数据为气蚀诊断模型的预训练数据集。
应说明的是，当损失函数不断降低直到收敛时结束训练，即训练集和测试集的结果一致且模型训练的准确率与损失平稳，达到最优迭代结果时，结束模型训练。
S3:根据生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断；
更进一步的，构建气蚀诊断模型，包括：
基于迁移学习方法，采用K折交叉验证法将基于深度生成对抗网络生成的第一样本数据划分训练集与验证集的比例为4：1，学习率为1-3，批训练个数为20，训练周期为300次，在ResNet-50网络中进行训练作为预训练模型，完成第一训练阶段，保存预训练模型。
具体的，还包括：
基于预训练保存的模型采用原始小样本数据进行第二训练阶段，并将预训练模型的批训练个数调整为2，训练周期调整为150次，构建完成最优的故障诊断模型，并根据故障诊断模型进行液压泵气蚀的诊断。
上述为本实施例的一种小样本液压泵气蚀诊断方法的示意性方案。需要说明的是，该一种小样本液压泵气蚀诊断装置的技术方案与上述的一种小样本液压泵气蚀诊断方法的技术方案属于同一构思，本实施例中一种小样本液压泵气蚀诊断装置的技术方案未详细描述的细节内容，均可以参见上述一种小样本液压泵气蚀诊断方法的技术方案的描述。
本实施例中一种小样本液压泵气蚀诊断装置，包括：
数据获取处理模块，用于获取液压泵正常工况和不同气蚀状态下的振动信号，并对振动信号进行切片处理和时频变换，构建时频图像数据集；
模型搭建模块，用于根据时频图像数据集基于深度生成对抗网络构建生成对抗模型，生成对抗模型包括生成器模型和判别器模型；
故障诊断模块，用于根据生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断。
本实施例还提供一种计算设备，适用于一种小样本液压泵气蚀诊断方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的一种小样本液压泵气蚀诊断方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现一种小样本液压泵气蚀诊断方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图1～2，为本发明的一个实施例，通过具体测试，验证我方发明有益效果。
基于深度生成对抗网络构建生成对抗模型，模型训练阶段:生成器模型使用Relu作为激活函数，判别器使用Leaky Relu激活函数，输出层使用Tanh激活函数。向深度生成网络中的生成器中输入符合N(0，1)分布的随机噪声，生成器模型对噪声数据维度进行膨胀，生成与真样本数据相似的图像数据。生成器训练时，批训练个数为2，生成器模型输入大小为100x1，判别器输入大小为224x224x3，训练周期为2000次，学习率为2-3，损失函数为binary_crossentropy，优化器为Adam。当损失函数收敛后，训练完成，保存生成对抗模型，通过生成器模拟出2000条生成数据，训练集的比例为0.8，验证集的比例为0.2。
基于深度学习的气蚀诊断模型,将ResNet50网络模型作为主框架，对生成器生成的2000个数据集进行预训练。采用RELU作为激活函数，图片输入大小为224x224x3，批训练个数为20，训练周期为300次，学习率为1-3，损失函数为binary_crossentropy，优化器为Adam。损失函数收敛后判定训练结束。
经过上述预训练后保存相应模型，利用20个原始样本数据集通过该预训练模型进行训练，批训练个数改为2，训练周期改为150次，训练完成再次保存模型，得到最优的气蚀诊断模型。
在一个可选的实施例中，本发明能够在20个原始数据的基础上可实现较为准确的结果。
在一个可选的实施例中，基于最优气蚀诊断模型对其他自测数据进行验证，将采集的262个振动数据进行数据处理后输入到最优气蚀诊断模型中，模型能够自动识别气蚀与非气蚀状态，其中气蚀识别为126个，非气蚀识别为131个，能够正确识别257个数据，正确率达到98％。本发明的液压泵气蚀诊断方法，在最优气蚀诊断模型中能够有效快速的区分气蚀与非气蚀，即使数据不在训练集中也能够高精度的进行诊断判别。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种小样本液压泵气蚀诊断方法，其特征在于，包括：
获取液压泵正常工况和不同气蚀状态下的振动信号，并对所述振动信号进行切片处理和时频变换，构建时频图像数据集；
根据所述时频图像数据集基于深度生成对抗网络构建生成对抗模型，所述生成对抗模型包括生成器模型和判别器模型；基于深度生成对抗网络构建生成对抗模型，包括：
基于时频图像数据集根据所述判别器模型进行第一判断；
当所述生成器模型生成初始假样本数据时，则与时频图像数据集一同进行标签标定，并输入所述判别器模型进行训练，获取最优参数的判别器模型；
基于所述最优参数的判别器模型对所述生成器模型生成的假样本数据进行第二判断，获取最优参数的生成器模型；
当所述最优参数的生成器模型能够欺骗所述判别器模型，生成能够以假乱真的样本数据时，则保存生成对抗模型，并通过所述生成对抗模型生成第一样本数据；
还包括：
所述生成器模型初次生成假样本数据时，所述生成器模型采用符合正态分布的随机噪声数据对噪声数据维度进行膨胀，生成与真样本数据分布接近的图像样本数据；
生成对抗模型训练，包括：
利用所述生成器模型和所述判别器模型将原始小样本数据集转换成计算机能够识别的计算机语言并输入预生成器模型中进行训练；
采用优化装置对所述生成器模型与所述判别器模型的连续对抗参数进行优化，并不断调整训练的所述生成器模型，直至输出的调试结果使损失函数不断降低直到收敛，达到纳什平衡时结束训练，保存生成对抗模型，否则继续训练；
所述生成对抗模型，用于生成第一样本数据，所述第一样本数据为气蚀诊断模型的预训练数据集；
根据所述生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，所述气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断；构建所述气蚀诊断模型，包括：
基于迁移学习方法，采用K折交叉验证法将基于深度生成对抗网络生成的所述第一样本数据划分训练集与验证集的比例为4：1，学习率为1-3，批训练个数为20，训练周期为300次，在ResNet-50网络中进行训练作为预训练模型，完成第一训练阶段，保存预训练模型；
还包括：基于所述预训练保存的模型采用原始小样本数据进行第二训练阶段，并将所述预训练模型的批训练个数调整为2，训练周期调整为150次，构建完成最优的故障诊断模型，并根据所述故障诊断模型进行液压泵气蚀的诊断。
2.如权利要求1所述的小样本液压泵气蚀诊断方法，其特征在于，所述切片处理和时频变换，包括：
根据液压泵的旋转周期将整段振动信号数据拆分成N段，且所述拆分的每个切片的覆盖时间不小于液压泵的旋转周期；
对每一段切片数据进行时频变换，将原始小样本数据的时间序列一维信号转换为二维图像数据，并为不同状态下的二维图像数据设置标签，构建所述时频图像数据集。
3.一种小样本液压泵气蚀诊断装置，其特征在于，包括：
数据获取处理模块，用于获取液压泵正常工况和不同气蚀状态下的振动信号，并对所述振动信号进行切片处理和时频变换，构建时频图像数据集；模型搭建模块，用于根据所述时频图像数据集基于深度生成对抗网络构建生成对抗模型，所述生成对抗模型包括生成器模型和判别器模型；基于深度生成对抗网络构建生成对抗模型，包括：
基于时频图像数据集根据所述判别器模型进行第一判断；
当所述生成器模型生成初始假样本数据时，则与时频图像数据集一同进行标签标定，并输入所述判别器模型进行训练，获取最优参数的判别器模型；
基于所述最优参数的判别器模型对所述生成器模型生成的假样本数据进行第二判断，获取最优参数的生成器模型；
当所述最优参数的生成器模型能够欺骗所述判别器模型，生成能够以假乱真的样本数据时，则保存生成对抗模型，并通过所述生成对抗模型生成第一样本数据；
还包括：
所述生成器模型初次生成假样本数据时，所述生成器模型采用符合正态分布的随机噪声数据对噪声数据维度进行膨胀，生成与真样本数据分布接近的图像样本数据；
生成对抗模型训练，包括：
利用所述生成器模型和所述判别器模型将原始小样本数据集转换成计算机能够识别的计算机语言并输入预生成器模型中进行训练；
采用优化装置对所述生成器模型与所述判别器模型的连续对抗参数进行优化，并不断调整训练的所述生成器模型，直至输出的调试结果使损失函数不断降低直到收敛，达到纳什平衡时结束训练，保存生成对抗模型，否则继续训练；
所述生成对抗模型，用于生成第一样本数据，所述第一样本数据为气蚀诊断模型的预训练数据集；
故障诊断模块，用于根据所述生成对抗模型生成的第一样本数据基于深度卷积神经网络构建气蚀诊断模型，所述气蚀诊断模型结合迁移学习方法进行小样本液压泵的气蚀诊断；构建所述气蚀诊断模型，包括：
基于迁移学习方法，采用K折交叉验证法将基于深度生成对抗网络生成的所述第一样本数据划分训练集与验证集的比例为4：1，学习率为1-3，批训练个数为20，训练周期为300次，在ResNet-50网络中进行训练作为预训练模型，完成第一训练阶段，保存预训练模型；
还包括：基于所述预训练保存的模型采用原始小样本数据进行第二训练阶段，并将所述预训练模型的批训练个数调整为2，训练周期调整为150次，构建完成最优的故障诊断模型，并根据所述故障诊断模型进行液压泵气蚀的诊断。
4.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至2任意一项所述小样本液压泵气蚀诊断方法的步骤。
5.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至2任意一项所述小样本液压泵气蚀诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310176785.7A CN116127279B (zh) | 2023-02-24 | 2023-02-24 | 一种小样本液压泵气蚀诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310176785.7A CN116127279B (zh) | 2023-02-24 | 2023-02-24 | 一种小样本液压泵气蚀诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116127279A CN116127279A (zh) | 2023-05-16 |
| CN116127279B true CN116127279B (zh) | 2024-04-19 |
Family
ID=86306354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310176785.7A Active CN116127279B (zh) | 2023-02-24 | 2023-02-24 | 一种小样本液压泵气蚀诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116127279B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076935B (zh) * | 2023-10-16 | 2024-02-06 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
Citations (6)
| 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 |
| CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
| CN113780403A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断解释方法及装置 |
| CN113822121A (zh) * | 2021-06-18 | 2021-12-21 | 北京航天动力研究所 | 一种基于数据扩充与深度迁移学习的涡轮泵小样本故障判定方法 |
| CN113867307A (zh) * | 2021-08-20 | 2021-12-31 | 天津大学 | 基于深度神经网络的航天器智能故障诊断方法 |
| WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
-
2023
- 2023-02-24 CN CN202310176785.7A patent/CN116127279B/zh active Active
Patent Citations (6)
| 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 |
| WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
| CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
| CN113822121A (zh) * | 2021-06-18 | 2021-12-21 | 北京航天动力研究所 | 一种基于数据扩充与深度迁移学习的涡轮泵小样本故障判定方法 |
| CN113867307A (zh) * | 2021-08-20 | 2021-12-31 | 天津大学 | 基于深度神经网络的航天器智能故障诊断方法 |
| CN113780403A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断解释方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116127279A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
| Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
| Li et al. | Multiscale symbolic fuzzy entropy: An entropy denoising method for weak feature extraction of rotating machinery | |
| CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN116127279B (zh) | 一种小样本液压泵气蚀诊断方法及装置 | |
| Yuan et al. | Robust fault diagnosis of rolling bearings using multivariate intrinsic multiscale entropy analysis and neural network under varying operating conditions | |
| CN108241873A (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN104697767A (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
| CN112033463A (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
| CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
| Guo et al. | Dynamic time warping using graph similarity guided symplectic geometry mode decomposition to detect bearing faults | |
| CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
| CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
| Chang et al. | Intelligent fault diagnosis scheme via multi-module supervised-learning network with essential features capture-regulation strategy | |
| CN108364021A (zh) | 一种基于层次排列熵的轴承故障特征提取方法 | |
| Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
| Li et al. | Periodnet: Noise-robust fault diagnosis method under varying speed conditions | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
| CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
| CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |