CN116186641A - 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 - Google Patents
一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 Download PDFInfo
- Publication number
- CN116186641A CN116186641A CN202310463929.7A CN202310463929A CN116186641A CN 116186641 A CN116186641 A CN 116186641A CN 202310463929 A CN202310463929 A CN 202310463929A CN 116186641 A CN116186641 A CN 116186641A
- Authority
- CN
- China
- Prior art keywords
- feature fusion
- branch
- small sample
- data set
- layer
- 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 54
- 230000004927 fusion Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005096 rolling process Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000013526 transfer learning Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008014 freezing Effects 0.000 abstract description 2
- 238000007710 freezing Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000036829 Device dislocation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06N3/08—Learning methods
-
- 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
- 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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，用于滚动轴承的故障诊断，解决了现有方法对于滚动轴承由于缺乏故障标记数据而导致的诊断准确率不高的问题，其内容包括：对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理；构建基于激励注意力机制（SE）分支、卷积注意力机制（CBAM）分支和捷径分支的特征融合模块；构建基于特征融合模块的神经网络模型；利用源域数据集预训练模型；对预训练模型冻结卷积层和特征融合模块层参数，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断。
Description
技术领域
本发明涉及机械设备故障诊断领域，具体而言，涉及一种基于特征融合的跨设备滚动轴承小样本故障诊断方法。
背景技术
在如今的互联网时代下，我国的智能制造业也得到了迅速的发展，各行业的生产线、机械装备、生产管理也变得智能化和复杂化。这使得我们需要将故障诊断技术和方法与现代新技术相结合，以适应更加复杂的工况，适应更多不同的设备。传统的诊断方法大多采用专家经验进行诊断，主要依靠信号处理和人工识别信号的特征，结合检测人员的诊断经验进行故障诊断。但是随着数据的多样化、故障类型的复杂化、传统的故障诊断方法逐渐失去优势。
结合深度学习的诊断方法主要将传感器采集的振动信号、声信号、温度等数据传入深度学习模型中，通过模型极强的非线性拟合能力去学习信号特征和筛选有效特征，并对特征进行识别和匹配，从而完成传入信号的状态分类任务。相比传统的诊断方法，与深度学习相结合的诊断方法在处理大量同源有标签数据时准确率和速率更高。
然而，实际工业生产中的设备难免会存在故障数据获取困难或者模拟实验昂贵导致故障数据样本稀少的情况，此时，用常规的模型在小样本的情况下训练，就容易出现模型收敛困难、诊断精确度不高或者模型泛化性差的问题。故障数据稀少的情况常出现于大型航空航天发动机、石油钻探等领域，一方面航空航天的领域设备大多需要在稳定可靠度高的情况下工作，采集的数据多为正常状态数据，故障状态的数据往往只有少量，另一方面当设备在恶劣下运行时，收集到的无论正常还是故障数据都会受到很大的外界因素的干扰，导致数据可靠度降低，造成有效数据稀少。
针对上述问题，迁移学习带来了解决难题的思路和方法。迁移学习是将一个或多个任务中学习到的知识应用到新任务中的方法。它能够有效的节约计算成本，并且解决标签不足的问题。相对而言，实验室对类似或相近的设备进行模拟和测试获得实验数据会更为丰富，且数据样本都有更加准确和详细的状态标注，进而可以将其作为跨设备滚动轴承小样本故障诊断中迁移学习的知识来源。
但是跨设备迁移故障诊断任务还具有两大难点，第一个难在于源域与目标域的数据差异过大，导致迁移模型在目标域的分类性能下降的问题。因为不同的设备都有不同的机械结构、工作环境和运行状态，从而导致故障的类型、故障的位置、故障的严重程度、数据频率等各方面的不同。最终造成模型在目标领域的判别性下降，决策边界附近的模糊目标样本被误分类的问题。跨设备迁移故障诊断任务的另一个难点在于是数据不平衡问题，即健康样本的数量远大于故障样本数量和故障类别不同现象。当轴承型号和损伤程度的差异导致不同设备的故障种类出现类别不同的情况时，分类器难以充分学习到少数类的特征，且多数类样本会模糊少数类样本的边界，在类别发生重叠时难以有效地将少数类样本与多数类区分开，容易造成分类器对少数类的判别性下降。
因此，在目标设备只有少量的故障数据时，对该设备进行有效的故障诊断分析具有十分重要的实际意义。
发明内容
本发明的主要目的旨在解决现有的轴承小样本故障诊断技术中所存在的诊断准确率低、泛化性差的问题，提供一种基于特征融合的跨设备轴承小样本故障诊断方法，为小样本数据下的轴承故障诊断供科学依据，为保障设备正常稳定运行提供可靠支撑。
实现本发明目的的技术解决方案为：一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，包括以下步骤：
步骤一：获取滚动轴承数据集，所述数据集包括源域数据集以及目标域数据集，并对源域数据集以及目标域数据集进行样本划分；
步骤二：对源域数据集和目标域数据集进行数据预处理，包括数据标准化、样本扩充和时频处理；
步骤三：构建基于激励注意力机制（SE）分支、卷积注意力机制（CBAM）分支和捷径分支的特征融合模块；
步骤四：构建基于特征融合模块的神经网络模型；
步骤五：利用源域数据集进行模型预训练；
步骤六：通过迁移学习的方法，将源域数据集训练的模型迁移至预处理后的目标域数据集进行参数微调，完成跨设备滚动轴承小样本故障诊断；
进一步的，步骤一中，目标域的小样本训练集采用K-way N-shot的模式设置，K-way中K 表示有K个分类数量，N-shot表示有每一类别中样本数量为N个，根据数据集的不同分类数量设置相应的小样本任务，模拟实际工程中的数据样本缺失情况，增加本发明进行小样本故障诊断的可信度；
进一步的，步骤二中，对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理。标准化采用Z-socre变换，样本扩充采用裁剪随机长度的数据来扩充数据样本，时频处理采用短时傅里叶变换（STFT）处理，并选用汉宁窗口；
进一步的，步骤三中，构建的特征融合模块从上往下共设计三个分支：第一个分支是SE分支，传入的特征图经过一下采样层调整尺寸后经过SE模块；第二个分支是CBAM分支，特征图先经过一个大小为3×3的卷积层以及BN层和ReLU激活函数，然后再经过一个大小为3×3的卷积层，最后再经过CBAM模块；第三个支路为捷径分支，其只包含一个下采样层；最终特征融合过程是将三个分支的特征图进行相加后，再一次通过ReLU激活函数，计算过程：
其中σ为ReLU激活函数，
为经过SE支路的输出，/>
为经过CBAM支路的输出，X为经过捷径分支的输出，L为特征融合模块输出。
进一步的，步骤四中，神经网络结构依次由7×7卷积层、BN层、ReLU激活函数、最大池化层、8个特征融合模块拼接的特征融合模块层、平均池化层、全连接层构成；
进一步的，步骤五中，使用源域数据进行训练时满足下列条件之一即停止训练模型：①测试集准确率100%；②训练迭代次数达到20；
进一步的，步骤六中，迁移预训练模型时，冻结卷积层、池化层和特征融合模块层的参数作为故障特征提取器，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断。
本发明的有益效果是：与现有的小样本轴承故障诊断方法相比，本发明通过SE分支和CBAM注意力机制模块分支实现对多尺度故障特征的提取与融合，并通过捷径分支最大限度保留输入数据的特征信息，最后进行三条支路的特征信息融合，使模型兼顾了跨层恒等映射与多尺度特征提取的优势，从而实现在少量训练样本的情况下，对故障特征信息的有效识别，并且结合迁移学习，进一步提高模型分类的准确性和泛化性。该发明成果可为滚动轴承故障诊断提供可靠的技术支撑，对于保持机械设备的稳定运行，减少意外事故的发生是有十分重要的意义的。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1是本发明的分析流程图；
图2是本发明的特征融合模块图；
图3是本发明的特征融合神经网络图；
图4是本发明在不同小样本条件下的诊断结果图；
图5是本发明与其余可迁移模型方法在小样本下的诊断结果图；
图6是本发明与其余可迁移模型方法对比使用和不使用迁移学习的诊断结果图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的实施案例和附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1，一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，包括步骤如下：
步骤一：获取滚动轴承数据集，所述数据集包括源域数据集以及目标域数据集，并对源域数据集以及目标域数据集进行样本划分；
步骤二：对源域数据集和目标域数据集进行数据预处理，包括数据标准化、样本扩充和时频处理；
步骤三：构建基于SE注意力机制模块和CBAM注意力机制模块的特征融合模块；
步骤四：构建基于特征融合模块的神经网络模型；
步骤五：利用源域数据集进行模型预训练；
步骤六：通过迁移学习的方法，将源域数据集训练的模型迁移至预处理后的目标域数据集进行参数微调，完成跨设备滚动轴承小样本故障诊断；
进一步的，步骤一中，目标域的小样本训练集采用K-way N-shot的模式设置，K-way中K 表示有K个分类数量，N-shot表示有每一类别中样本数量为N个，根据数据集的不同分类数量设置相应的小样本任务，模拟实际工程中的数据样本缺失情况，增加本发明进行小样本故障诊断的可信度；
进一步的，步骤二中，对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理。标准化采用Z-socre变换，样本扩充采用裁剪随机长度的数据来扩充数据样本，时频处理采用短时傅里叶变换（STFT）处理，并选用汉宁窗口；
进一步的，步骤三中，构建的特征融合模块从上往下共设计三个分支：第一个分支是SE分支，传入的特征图经过一下采样层调整尺寸后经过SE模块；第二个分支是CBAM分支，特征图先经过一个大小为3×3的卷积层以及BN层和ReLU激活函数，然后再经过一个大小为3×3的卷积层，最后再经过CBAM模块；第三个支路为捷径分支，其只包含一个下采样层；最终特征融合过程是将三个分支的特征图进行相加后，再一次通过ReLU激活函数，计算过程：
其中σ为ReLU激活函数，
为经过SE支路的输出，/>
为经过CBAM支路的输出，X为经过捷径分支的输出，L为特征融合模块输出；
进一步的，步骤四中，神经网络结构依次由7×7卷积层、BN层、ReLU激活函数、最大池化层、8个特征融合模块拼接的特征融合模块层、平均池化层、全连接层构成；
进一步的，步骤五中，使用源域数据进行训练时满足下列条件之一即停止训练模型：①测试集准确率100%；②训练迭代次数达到20；
进一步的，步骤六中，迁移预训练模型时，冻结卷积层、池化层和特征融合模块层的参数作为故障特征提取器，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断；
下面以具体故障诊断实例对本发明方法进行说明。
本发明中训练数据集和测试数据集是根据凯斯西储大学（CWRU）滚动轴承数据集、帕德博恩大学（PU）轴承数据集、东南大学（SEU）轴承数据集来进行实验。其中凯斯西储大学滚动轴承数据集选用在12khz的采样频率下，4种不同工况时的滚动轴承振动信号，故障类型包含每种工况下，对滚珠、内滚道和外滚道分别引入直径为0.178mm、0.356mm、0.532mm的单点故障，加上正常滚动轴承的实验数据，共10种不同的分类类别。
帕德博恩大学轴承数据集选用的是6203型号滚动轴承在64KHz的采样频率下，1个健康轴承， 8个人工损坏轴承，4个加速退化的自然故障轴承，故障类型包含内圈、外圈的电动雕刻、塑性变形、疲劳、点蚀、钻孔，共13种分类类别。东南大学轴承数据集选用50kHz的采样频率下，转速系统负载为20HZ-0V工况下的五个轴承数据进行实验，包含4种轴承故障状态和1种健康状态。故障状态分别为滚动体上出现裂纹, 内圈出现裂纹, 外圈出现裂纹以及内圈和外圈都出现裂纹，共5种分类类别。具体实施过程如下：
（1）建立源域数据集，其中凯斯西储大学滚动轴承数据集的设置为每个分类类别有140个样本，样本长度为1024。帕德博恩大学轴承数据集的设置为每个分类类别有230个样本，样本长度为1024。东南大学轴承数据集的设置为每个分类类别有120个样本，样本长度为1024。并以3：1的比例将以上三个数据集分为训练集和测试集，对处理好的轴承振动信号数据集进行数据标准化和STFT处理转化为10×10大小的时频图；
（2）建立目标域数据集，根据K-way N-shot的模式设置四个小样本条件，分别为1shot、3shot、5shot、10shot，相应的凯斯西储大学滚动轴承数据集的测试集有10个分类，每个分类类别有139、137、135、130个样本，帕德博恩大学轴承数据集的测试集有13个分类，每个分类类别有229、227、225、220个样本，东南大学轴承数据集的测试集有5个分类，每个分类类别有119、117、115、110个样本。并对训练集的每类小样本数据扩充60个，然后将所有数据进行数据标准化和STFT处理转化为10×10大小的时频图；
（3）构建基于SE注意力机制模块和CBAM注意力机制模块的特征融合模块和构建基于特征融合模块的神经网络模型，特征融合模块如图2所示，该模块从上往下共设计三个分支：第一个分支是SE分支，传入的特征图经过一下采样层调整尺寸后经过SE模块；第二个分支是CBAM分支，特征图先经过一个大小为3×3的卷积层以及BN层和ReLU激活函数，然后再经过一个大小为3×3的卷积层，最后再经过CBAM模块；第三个支路为捷径分支，其只包含一个下采样层；最终特征融合过程是将三个分支的特征图进行相加后，再一次通过ReLU激活函数。基于特征融合模块的神经网络如图3所示，神经网络网络首先设置一个卷积层和一个最大池化层，然后设置8个SE和CBAM特征融合模块，最后使用全连接层并进行Softmax分类输出。模型设置相关参数，训练的批次大小设置为16个，采用Adam优化方法，反向传播更新深度学习模型的参数，学习率设置为0.001，权重衰减设置为0.0001，使用经典的交叉熵损失函数；
（4）以源域数据集输入模型进行训练，满足下列条件之一即停止训练模型：测试集准确率100%、训练迭代次数达到20；
（5）冻结卷积层和残差层的参数，作为故障特征提取器，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，将源域数据集训练的模型迁移至目标域数据集，在不同小样本条件下进行实验；
如图4所示本发明方法在1shot条件下凯斯西储大学滚动轴承数据集迁移到帕德博恩大学轴承数据集和东南大学轴承数据集迁移到帕德博恩大学轴承数据集中两个任务的平均准确率为73.7%。在10shot条件下，所有跨设备故障诊断任务均获得了98%以上的识别准确率。
如图5所示为本发明方法与TL-AlexNet、TL-ResNeXt-50、TL-Mobilenet_v3、TL-inception_v3迁移学习模型在3shot条件下进行对比实验。“TL- AlexNet”为使用迁移学习的AlexNet神经网络，AlexNet是一个具有5层卷积层的模型，随机失活比例设置为0.5，学习率0.001，批大小16；“TL-ResNeXt_50”为使用迁移学习的ResNeXt_50神经网络，ResNeXt_50神经网络的深度为50层，模型学习率设置为0.001，批大小16；“TL-Mobilenet_v3”为使用迁移学习的Mobilenet_v3模型，并且采用轻量级网络参数；“TL-inception_v3”为使用迁移学习的inception_v3模型，inception_v3采用的是超过10层的深层卷积神经网络。本发明方法相对其余四个模型在平均诊断准确率上有26.61%、19.31%、13.96%和20.11%的提升，可以看出本发明方法对于滚动轴承的故障诊断效果最好。
如图6所示本发明方法与TL-AlexNet、TL-ResNeXt-50、TL- Mobilenet_v3、TL-inception_v3迁移学习模型对比是否使用迁移学习的故障诊断准确率。从图中可以看出，对于5种方法，在使用迁移学习的情况下，故障诊断准确率相对不使用迁移学习均有提高，最少的是TL-AlexNet模型诊断准确率有2.19%提升。由此验证了迁移学习能够提高了网络泛化性和鲁棒性，从而带来诊断准确率的提升。
综上所述，本实例采用基于特征融合的跨设备轴承小样本故障诊断方法能够有效进行跨设备背景下的小样本滚动轴承故障识别分类，可为滚动轴承故障诊断提供可靠的技术支撑，对于保持机械设备的稳定运行，减少意外事故的发生具有十分重要的意义。
Claims (7)
1.一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，包括步骤如下：
步骤一：获取滚动轴承数据集，所述数据集包括源域数据集以及目标域数据集，并对源域数据集以及目标域数据集进行样本划分；
步骤二：对源域数据集和目标域数据集进行数据预处理，包括数据标准化、样本扩充和时频处理；
步骤三：构建基于激励注意力机制（SE）分支、SE注意力机制模块和卷积注意力机制（CBAM）分支的特征融合模块；
步骤四：构建基于特征融合模块的神经网络模型；
步骤五：利用源域数据集进行模型预训练；
步骤六：通过迁移学习的方法，将源域数据集训练的模型迁移至预处理后的目标域数据集进行参数微调，完成跨设备滚动轴承小样本故障诊断。
2.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤一中，目标域的小样本训练集采用K-way N-shot的模式设置，K-way中K 表示有K个分类数量，N-shot表示有每一类别中样本数量为N个，根据数据集的不同分类数量设置相应的小样本任务，模拟实际工程中的数据样本缺失情况，增加本发明进行小样本故障诊断的可信度。
3.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤二中，对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理，标准化采用Z-socre变换，样本扩充采用裁剪随机长度的数据来扩充数据样本，时频处理采用短时傅里叶变换（STFT）处理，并选用汉宁窗口。
4.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤三中，构建的特征融合模块从上往下共设计三个分支：第一个分支是SE分支，传入的特征图经过一下采样层调整尺寸后经过SE模块；第二个分支是CBAM分支，特征图先经过一个大小为3×3的卷积层以及BN层和ReLU激活函数，然后再经过一个大小为3×3的卷积层，最后再经过CBAM模块；第三个支路为捷径分支，其只包含一个下采样层；最终特征融合过程是将三个分支的特征图进行相加后，再一次通过ReLU激活函数，计算过程：
；其中σ为ReLU激活函数，/>
为经过SE支路的输出，/>
为经过CBAM支路的输出，X为经过捷径分支的输出，L为特征融合模块输出。
5.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤四中，神经网络结构依次由7×7卷积层、BN层、ReLU激活函数、最大池化层、8个特征融合模块拼接的特征融合模块层、平均池化层、全连接层构成。
6.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤五中，使用源域数据进行训练时满足下列条件之一即停止训练模型：①测试集准确率100%；②训练迭代次数达到20。
7.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤六中，迁移预训练模型时，冻结卷积层、池化层和特征融合模块层的参数作为故障特征提取器，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463929.7A CN116186641A (zh) | 2023-04-26 | 2023-04-26 | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463929.7A CN116186641A (zh) | 2023-04-26 | 2023-04-26 | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116186641A true CN116186641A (zh) | 2023-05-30 |
Family
ID=86450910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310463929.7A Pending CN116186641A (zh) | 2023-04-26 | 2023-04-26 | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116186641A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432091A (zh) * | 2023-06-15 | 2023-07-14 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
| CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210142106A1 (en) * | 2019-11-13 | 2021-05-13 | Niamul QUADER | Methods and systems for training convolutional neural network using built-in attention |
| CN115410277A (zh) * | 2022-08-31 | 2022-11-29 | 西北农林科技大学 | 一种基于双注意力机制的牛只行为识别方法 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
| CN115808312A (zh) * | 2022-11-25 | 2023-03-17 | 燕山大学 | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 |
| CN116055174A (zh) * | 2023-01-10 | 2023-05-02 | 吉林大学 | 一种基于改进MobileNetV2的车联网入侵检测方法 |
-
2023
- 2023-04-26 CN CN202310463929.7A patent/CN116186641A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210142106A1 (en) * | 2019-11-13 | 2021-05-13 | Niamul QUADER | Methods and systems for training convolutional neural network using built-in attention |
| CN115410277A (zh) * | 2022-08-31 | 2022-11-29 | 西北农林科技大学 | 一种基于双注意力机制的牛只行为识别方法 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
| CN115808312A (zh) * | 2022-11-25 | 2023-03-17 | 燕山大学 | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 |
| CN116055174A (zh) * | 2023-01-10 | 2023-05-02 | 吉林大学 | 一种基于改进MobileNetV2的车联网入侵检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432091A (zh) * | 2023-06-15 | 2023-07-14 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
| CN116432091B (zh) * | 2023-06-15 | 2023-09-26 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
| CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
| CN117432414B (zh) * | 2023-12-20 | 2024-03-19 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
| CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| CN116186641A (zh) | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 | |
| CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
| CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| Zhao et al. | Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| 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 | |
| CN112101085A (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
| CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
| CN116028876A (zh) | 一种基于迁移学习的滚动轴承故障诊断方法 | |
| 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 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN112329520A (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
| CN116861343A (zh) | 一种轴承故障诊断方法 | |
| CN113094996B (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
| CN113469066B (zh) | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 | |
| CN115587289A (zh) | 基于多源域自适应网络的航空发动机故障识别方法 | |
| Wang et al. | Fault diagnosis of gearbox based on deep residual shrinkage network in noise environment | |
| He et al. | Cross-condition quantitative diagnosis method for bearing faults based on IDRSN-ECDAN | |
| Liu et al. | Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes | |
| CN113312719B (zh) | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230530 |