CN116242609B - 一种变工况轴承故障诊断方法、系统、介质、设备及终端 - Google Patents
一种变工况轴承故障诊断方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN116242609B CN116242609B CN202211475471.9A CN202211475471A CN116242609B CN 116242609 B CN116242609 B CN 116242609B CN 202211475471 A CN202211475471 A CN 202211475471A CN 116242609 B CN116242609 B CN 116242609B
- Authority
- CN
- China
- Prior art keywords
- domain
- sample
- target domain
- cluster
- target
- 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 98
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000593 degrading effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- 101000992383 Homo sapiens Oxysterol-binding protein 1 Proteins 0.000 description 1
- 102100032163 Oxysterol-binding protein 1 Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009760 electrical discharge machining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于轴承故障诊断技术领域,公开了一种变工况轴承故障诊断方法、系统、介质、设备及终端,给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;对源域和目标域依次进行初始跨域聚类对齐;利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。本发明提供的基于振动信号聚类对齐的变工况轴承故障诊断方法,利用跨域聚类对齐识别已知故障类型并区分未知故障类型,有效提升了跨工况环境下轴承故障诊断的准确性和鲁棒性,克服现有技术中存在的缺陷。
Description
技术领域
本发明属于轴承故障诊断技术领域,尤其涉及一种变工况轴承故障诊断方法、系统、介质、设备及终端。
背景技术
目前,旋转机械是现代工业中的关建机械设备,滚动轴承在旋转机械中发挥着不可或缺的作用。轴承作为消耗部件,在设备运行过程中不可避免出现故障,这些故障如不能及时诊断发现和维护处理,将对整个机械设备产生不可逆转的损害,引发生产过程中断继而导致经济损失和人员伤亡。因此,提供一种可靠的轴承故障诊断方法对于工业生产而言具有重要意义。
近几年,变工况的轴承故障诊断问题越来越受到关注,对于同一个工况的故障识别,现如今主流的故障诊断方法均有可观的识别率,但在实际工业中通常无法获得每种工况的历史故障信息,导致诊断模型难以准确预测故障类型。同时,变工况下轴承往往出现未知的新故障类型,比如已知故障并发产生的复合故障,此时,准确检测出未知故障类型成为变工况轴承故障诊断的一个挑战性的难题。如何利用机器学习中的知识迁移思想,利用样本分布对齐挖掘不同工况下的共有故障特征,同时利用待测样本的潜在结构特性挖掘其新故障类型的语义特征,是处理跨工况环境下轴承故障诊断的一条具有潜力的可行途径。
通过上述分析,现有技术存在的问题及缺陷为:现有的故障诊断方法通常无法获得每种工况的历史故障信息,导致诊断模型难以准确预测故障类型。
发明内容
针对现有技术存在的问题,本发明提供了一种变工况轴承故障诊断方法、系统、介质、设备及终端,尤其涉及一种基于振动信号聚类对齐的变工况轴承故障诊断方法、系统、介质、设备及终端。
本发明是这样实现的,一种变工况轴承故障诊断方法,变工况轴承故障诊断方法包括:给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;对源域和目标域依次进行初始跨域聚类对齐;利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。
进一步,变工况轴承故障诊断方法包括以下步骤:
步骤一,基于轴承振动信号数据集,给定两个不同工况下采样的振动信号,分别作为源域和目标域;振动信号经过短时傅里叶变换得到振动信号的时频域图像分别作为源域样本和目标域样本,并且对随机一部分的目标域样本样本进行180°旋转操作,作为数据增强样本;
步骤二,源域样本、目标域样本和数据增强样本输入到特征提取器得到源域样本、目标域样本和数据增强样本特征;
步骤三,源域基于已知故障类型进行聚类,目标域使用K均值算法进行聚类;通过计算源域的每一个聚类与目标域的每一个聚类的最大平均差异得到跨域聚类的匹配度矩阵,并得到若干对跨域匹配的聚类用于计算跨域聚类对齐平均分数;以分数估计目标域最优聚类数目,最后更新目标域聚类;
步骤四,将源域样本、目标域样本和数据增强样本特征导入故障诊断模型进行训练;训练过程中利用CDD度量最小化公共故障类型的分布偏移并利用自训练策略促进目标域聚类提取故障语义信息,同时利用预测均衡损失防止目标域聚类退化,增强目标域聚类质量;
步骤五,利用训练后得到故障诊断模型对目标域样本进行故障预测,若属于已知故障类型,则给出具体的已知故障类型;否则,判断为未知故障类型。
进一步,步骤一中,给定两个不同工况采样的数据,源域与目标域存在公共故障类型;源域数据集记为其中/>表示源域样本的第i个振动信号,/>振动信号为/>对应的故障类型标签,ns为源域样本数目;目标域数据集记为/>其中nt为源域样本数目,目标域的故障类型标签/>待预测。
所有振动信号经过STFT变化后变为二维的时频域图像,则:
进一步,步骤二包括目标域样本数据增强和源域和目标域的特征提取操作;
(1)对目标域的时频域图像样本进行数据增强操作,定义为:
其中,Φrot(x)是针对图像的180度旋转操作。
(2)对源域和目标域样本的数据增强操作,定义为:
其中,F为源域和目标域共用的特征提取器。
进一步,步骤三包括聚类、跨域聚类匹配、估计目标域聚类数目;
(1)源域基于已知故障类型进行聚类,聚类数目为源域故障类型的数目,记为Ns;目标域使用K均值算法进行聚类,起始聚类数目Nt=Ns;记为源域中指派为第i个聚类的个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征,则源域聚类中心和目标域聚类中心由下式计算得到:
(2)计算MMD得到跨域匹配度矩阵的公式为:
计算源域中第i个聚类与目标域中第j个聚类的MMD公式定义为:
其中,K(·,·)是高斯核函数,为源域中指派为第i个聚类的/>个样本特征,为目标域中指派为第j个聚类的/>个样本特征。
(3)根据矩阵DMMD计算跨域聚类中心匹配度矩阵
满足Wij=1的源域聚类中心和目标域聚类中心构成跨域匹配的聚类中心对
(4)源域的跨域聚类对齐分数计算公式定义为:
类似地,得到目标域的跨域聚类对齐分数计算聚类中心跨域对齐分数的公式为:
最终计算本次聚类的跨域对齐平均分数:
其中,N为源域和目标域匹配的聚类中心数;根据不同Nt取值下的对齐分数S,在一定范围遍历,S取最大值对应的Nt值作为最优聚类数目。
进一步,步骤四中的故障诊断模型的训练包括:
(1)源域样本特征导入模型进行监督训练,源域样本故障类型预测误差损失的交叉熵损失函数公式定义为:
其中,ns为源域样本数目,为源域样本的真实故障类型标签,/>为源域样本故障类型的预测标签。
(2)对目标域聚类结果进行约束,目标域聚类正则化损失函数由两部分组成:
Lreg=Lsl+Ldivg;
式中,自学习损失函数Lsl表示目标域样本聚类的不确定性,Lsl越小表示目标域聚类具有越强的语义鉴别性。其中,Lsl定义为:
其中,是样本/>被划分到第k个聚类的概率,nt为目标域样本数目。
预测均衡损失Ldivg促使目标域形成均衡的聚类,Ldivg越小表示目标域聚类退化度越小,定义为:
其中,为Nt维的全1向量。
(3)利用CDD度量最小化公共故障类型的分布偏移,由步骤二得到的源域特征和目标域特征/>计算跨域聚类对齐误差损失,则:
其中,k和k′可以相等也可以不相等。
其中,K(·,·)是高斯核函数。在函数μk,k′(y,y′)中k,k′取自N,当μk,k′(y,y′)=1时,Dk,k′描述的是源域和目标域的类内差异,记为当μk,k′(y,y′)=0时,Dk,k′描述的是源域和目标域的类间差异,记为/>跨域聚类对齐误差损失公式定义为:
(4)将数据集增强样本特征导入模型进行自监督自适应学习,图像旋转角度预测误差损失的交叉熵损失函数公式定义为:
其中,nt为数据增强样本数目,为图像实际的旋转角度类型,/>为数据增强特征经过图像旋转角度分类器得到的旋转角度的预测值。
(5)训练的总损失函数公式定义为:
L=Lsrc+γLsl+λLcdd+ψLaux;
其中,λ设置为0.01,ψ设置为0.7,γ根据迭代次数变换。
进一步,步骤五中的故障预测包括:利用训练后得到的故障诊断模型对目标域样本进行故障预测;利用故障诊断模型输出N+1种故障类型的预测标签;若属于已知故障类型,则给出具体的已知故障类型;否则,判断为未知故障类型。
本发明的另一目的在于提供一种应用所述的变工况轴承故障诊断方法的变工况轴承故障诊断系统,变工况轴承故障诊断系统包括:
样本获取模块,用于给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;
特征提取模块,用于利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;
跨域聚类对齐模块,用于对源域和目标域依次进行初始跨域聚类对齐;
故障诊断模型训练模块,用于利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;
故障类型预测模块,用于利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的变工况轴承故障诊断方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的变工况轴承故障诊断方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的变工况轴承故障诊断系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明提供了一种基于振动信号聚类对齐的变工况轴承故障诊断方法,其模型由特征提取器、故障类型分类器和图像增强类型分类器构成。本发明通过给定两个工况下采集的振动信号通过短时傅里叶变换(STFT)得到振动信号的时频域图像,分别作为源域样本和目标域样本,并且随机选择一部分目标域样本旋转180°作为数据增强样本。本发明的模型训练包括三个目标:1.用带标记的源域样本训练模型对已知故障类型的预测能力;2.对源域和目标域样本进行聚类,通过目标域聚类个数估计、目标域聚类质量优化以及跨域聚类对齐,训练模型对变工况已知故障类型的预测和对未知故障类型的检测能力;3.利用目标域数据增强样本训练模型的聚类提取样本语义信息的能力。在模型部署阶段,本发明将目标域的聚类结果作为轴承故障的预测标签。本发明的变工况轴承故障诊断方法通过跨域聚类对齐识别已知故障类型并区分未知故障类型,能有效提升跨工况环境下轴承故障诊断的准确性和鲁棒性,克服现有技术中存在的缺陷。
第二,作为整体的技术方案,本发明还至少具有以下优点:
1.本发明所提出的一种基于振动信号聚类对齐的变工况轴承故障诊断方法,可以在源域与目标域具有公共故障类型,也具有各自的私有故障类型的情况下,对目标域样本进行故障预测,若属于已知故障类型,则给出具体的已知故障类型,否则,判断为未知故障类型。
2.本发明以MMD刻画跨域聚类的匹配度,计算得到跨域聚类匹配度矩阵并以此得到跨域匹配聚类。
3.本发明以跨域聚类对齐平均分数估计最优目标域的聚类数目,MMD表示源域与目标域的聚类中心匹配度,进而在没有先验知识和人工标注的情况下对目标域进行聚类并且跨域匹配源域聚类和目标域聚类。
4.本发明在模型不断迭代的过程中会以最高的跨域聚类对齐平均分数估计目标域最优聚类数目,更新目标域聚类。在训练过程中利用CDD度量最小化公共故障类型的分布偏移,并利用自训练策略促进目标域聚类提取故障语义信息,同时利用预测均衡损失防止目标域聚类退化,进一步增强目标域聚类质量。
5.本发明使用了数据增强操作,用于故障诊断模型的自监督自适应学习,有利于特征提取器提取振动信号的语义信息。
6.本发明基于深度神经网络,不需要依赖人工提取。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供了一种基于振动信号聚类对齐的变工况轴承故障诊断方法,主要利用跨域聚类对齐平均分数得到目标域最优聚类数目,并通过跨域聚类对齐识别已知故障类型并区分未知故障类型,从而有效提升跨工况环境下轴承故障诊断的准确性和鲁棒性,以克服现有技术中存在的缺陷。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:
本发明利用机器学习中的知识迁移思想,通过跨域聚类对齐的同时利用待测样本的潜在结构特性挖掘其新故障类型的语义特征来识别已知故障类型并区分未知故障类型。本发明有效提升了跨工况环境下轴承故障诊断的准确性和鲁棒性,克服现有的故障诊断方法通常无法获得每种工况的历史故障信息导致诊断模型难以准确预测故障类型的难题,是处理跨工况环境下轴承故障诊断的一条具有潜力的可行途径。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的变工况轴承故障诊断方法流程图;
图2是本发明实施例提供的变工况轴承故障诊断方法原理图;
图3是本发明实施例提供的跨域聚类对齐流程图;
图4是本发明实施例提供的故障诊断模型训练过程流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种变工况轴承故障诊断方法、系统、介质、设备及终端,下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的变工况轴承故障诊断方法包括以下步骤:
S101,给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本并进行特征提取;
S102,对源域和目标域依次进行初始跨域聚类对齐,利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;
S103,利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测,并给出具体的已知故障类型或未知故障类型。
作为优选实施例,如图2所示,本发明实施例提供的变工况轴承故障诊断方法具体包括以下步骤:
步骤S1:基于轴承振动信号数据集,给定两个不同工况下采样的振动信号,分别作为源域和目标域。振动信号经过短时傅里叶变换(STFT)得到振动信号的时频域图像分别作为源域样本和目标域样本,并且对随机一部分的目标域样本样本进行180°旋转操作,作为数据增强样本。
步骤S2:源域样本、目标域样本和数据增强样本输入到特征提取器得到源域样本、目标域样本和数据增强样本特征。
步骤S3:源域基于已知故障类型进行聚类,目标域使用K均值算法进行聚类。通过计算源域的每一个聚类与目标域的每一个聚类的最大平均差异(MMD)得到跨域聚类的匹配度矩阵,并以此得到若干对跨域匹配的聚类用于计算跨域聚类对齐平均分数,该分数用于估计目标域最优聚类数目,最后更新目标域聚类。
步骤S4:把源域样本、目标域样本和数据增强样本特征导入故障诊断模型进行训练,训练过程中利用CDD度量最小化公共故障类型的分布偏移并利用自训练策略促进目标域聚类故障语义信息,同时利用预测均衡损失防止目标域聚类退化,进一步增强目标域聚类质量。
步骤S5:利用训练后得到故障诊断模型对目标域样本进行故障预测,若属于已知故障类型,则给出具体的已知故障类型,否则,判断为未知故障类型。
作为优选,本发明实施例提供的步骤S1包括:给定两个不同工况采样的数据,源域与目标域存在公共故障类型。源域数据集记为其中/>表示源域样本的第i个振动信号,/>振动信号为/>对应的故障类型标签,ns为源域样本数目。目标域数据集记为/>其中nt为源域样本数目,目标域的故障类型标签/>待预测。
所有振动信号经过STFT变化后变为二维的时频域图像,即:
作为优选,本发明实施例提供的步骤S2包括:目标域样本的数据增强操作,源域和目标域的特征提取操作,具体方法为:
步骤S21:对目标域的时频域图像样本进行数据增强操作,定义为:
其中,Φrot(x)是针对图像的180度旋转操作。
步骤S22:对源域和目标域样本的数据增强操作,定义为:
其中,F为源域和目标域共用的特征提取器。
作为优选,本发明实施例提供的步骤S3包括:聚类、跨域聚类匹配、估计目标域聚类数目,具体方法为:
步骤S31:源域基于已知故障类型进行聚类,聚类数目为源域故障类型的数目,记为Ns。目标域使用K均值算法进行聚类,起始聚类数目Nt=Ns。记为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征,则源域聚类中心和目标域聚类中心可由下式计算得到:
步骤S32:计算MMD得到跨域匹配度矩阵的公式为:
计算源域中第i个聚类与目标域中第j个聚类的MMD公式定义为:
其中,K(·,·)是高斯核函数,为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征。
步骤S33:根据矩阵DMMD计算跨域聚类中心匹配度矩阵
满足Wij=1的源域聚类中心和目标域聚类中心构成跨域匹配的聚类中心对
步骤S34:源域的跨域聚类对齐分数计算公式定义为:
类似地,得到目标域的跨域聚类对齐分数计算这一对聚类中心的跨域对齐分数的公式定义为:
最终计算本次聚类的跨域对齐平均分数:
其中,N为源域和目标域匹配的聚类中心数。根据不同Nt取值下的对齐分数S,在一定范围遍历,S取最大值对应的Nt值作为最优聚类数目。
作为优选,本发明实施例提供的步骤S4包括:
步骤S41:源域样本特征导入模型进行监督训练,源域样本故障类型预测误差损失的交叉熵损失函数公式定义为:
其中,ns为源域样本数目,为源域样本的真实故障类型标签,/>为源域样本故障类型的预测标签。
步骤S42:本发明对目标域聚类结果进行约束以提高目标域聚类质量,目标域聚类正则化损失函数由两部分组成,即:
Lreg=Lsl+Ldivg#(11)
公式(8)中,自学习损失函数Lsl表示目标域样本聚类的不确定性,Lsl越小表示目标域聚类具有越强的语义鉴别性。Lsl定义为:
其中,是样本/>被划分到第k个聚类的概率,nt为目标域样本数目。
公式(8)中,预测均衡损失Ldivg促使目标域形成均衡的聚类,防止将大部分目标域样本划分到少数几个聚类中。Ldivg越小表示目标域聚类退化度越小,其定义为:
其中,为Nt维全1向量。
步骤S43:利用CDD度量最小化公共故障类型的分布偏移,由步骤S2得到的源域特征和目标域特征/>计算跨域聚类对齐误差损失,公式推导如下:
其中,k和k′可以相等也可以不相等。
其中,K(·,·)是高斯核函数。在函数μk,k′(y,y′)中k,k′取自N,当μk,k′(y,y′)=1时,Dk,k′描述的是源域和目标域的类内差异,记为当μk,k′(y,y′)=0时,Dk,k′描述的是源域和目标域的类间差异,记为/>因此,跨域聚类对齐误差损失公式定义为:
步骤S44:把数据集增强样本特征导入模型进行自监督自适应学习,图像旋转角度预测误差损失的交叉熵损失函数公式定义为:
其中,nt为数据增强样本数目,为图像实际的旋转角度类型,/>为数据增强特征经过图像旋转角度分类器得到的旋转角度的预测值。
步骤S45:训练的总损失函数公式定义为:
L=Lsrc+γLsl+λLcdd+ψLaux#(18)
其中,γ、λ、ψ为设置的系数,按照经验本发明将λ设置为0.01,将ψ设置为0.7,γ根据迭代次数变换。
作为优选,本发明实施例提供的步骤S5包括:
利用训练后得到的最优且最具泛化能力的故障诊断模型对目标域样本进行故障预测。模型会输出N+1种故障类型的预测标签,若属于已知故障类型,则给出具体的已知故障类型,否则,判断为未知故障类型。
本发明实施例提供的变工况轴承故障诊断系统包括:
样本获取模块,用于给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;
特征提取模块,用于利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;
跨域聚类对齐模块,用于对源域和目标域依次进行初始跨域聚类对齐;
故障诊断模型训练模块,用于利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;
故障类型预测模块,用于利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。
为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
CWRU数据集是由凯斯西储大学轴承数据中心提供。实验平台由一个2马力的电动机、一个扭矩传感器/译码器、一个功率测试仪、电子控制器组成。在电动机的轴承附近和远离电动机轴承的位置测量加速度数据,并使用电火花加工制造电动机轴承的单点故障。引入的故障在轴承的内圈和外圈以及滚动元件上,随后将每个带有单点故障的轴承装在实验平台,并以恒定的加速度运行,承受四档马力的电动机负载,四档电动机的近似转速为1797、1750、1772和1797rmp/min。
在4种不同电机负载下分别以12kHz和48kHz的频率采集健康轴承和有单点缺陷的故障轴承的振动信号。在每种工况下,内圈、滚动元件和外圈分别出现3种故障状态,故障状态以受损直径划分,分别为0.007、0.014和0.021英寸。
本发明采用的数据基于驱动端收集的数据,采样频率为12kHZ。将健康状态,3种故障位置(内圈,外圈,滚动元件)根据不同的故障直径分为9类,最终将标签划分为10类(1个健康状态和9个故障状态),具体信息如表1所示。
表1CWRU数据集标签划分信息
H:健康O:外圈B:滚动元件I:内圈。
作为优选实施例,如图2所示,本发明实施例提供的变工况轴承故障诊断方法具体包括以下步骤:
步骤S1:基于轴承振动信号数据集,给定两个不同工况下采样的振动信号,分别作为源域和目标域。振动信号经过短时傅里叶变换(STFT)得到振动信号的时频域图像分别作为源域样本和目标域样本,并且对随机一部分的目标域样本样本进行180°旋转操作,作为数据增强样本。
步骤S2:源域样本、目标域样本和数据增强样本输入到特征提取器得到源域样本、目标域样本和数据增强样本特征。
步骤S3:源域基于已知故障类型进行聚类,目标域使用K均值算法进行聚类。通过计算源域的每一个聚类与目标域的每一个聚类的最大平均差异(MMD)得到跨域聚类的匹配度矩阵,并以此得到若干对跨域匹配的聚类用于计算跨域聚类对齐平均分数,该分数用于估计目标域最优聚类数目,最后更新目标域聚类。
步骤S4:把源域样本、目标域样本和数据增强样本特征导入故障诊断模型进行训练,训练过程中利用CDD度量最小化公共故障类型的分布偏移并利用自训练策略促进目标域聚类提取故障语义信息,同时利用预测均衡损失防止目标域聚类退化,进一步增强目标域聚类质量。
步骤S5:利用训练后得到故障诊断模型对目标域样本进行故障预测,若属于已知故障类型,则给出具体的已知故障类型,否则,判断为未知故障类型。
作为优选,本发明实施例提供的步骤S1包括以下步骤:
步骤S11:基于轴承振动信号数据集,该数据集有四个工况下采样的振动信号,使用步长为128的滑动窗口截取样本,截取4096个点作为一个振动信号样本。
步骤S12:给定两个不同工况采样的数据,源域与目标域存在公共故障类型。源域数据集记为其中/>表示源域样本的第i个振动信号,/>振动信号为/>对应的故障类型标签,ns为源域样本数目。目标域数据集记为/>其中nt为源域样本数目,目标域的故障类型标签/>待预测。
步骤S13:所有振动信号经过STFT变化后变为二维的时频域图像,即:
作为优选,本发明实施例提供的步骤S2包括:目标域样本的数据增强操作,源域和目标域的特征提取操作,具体方法为:
步骤S21:对目标域的时频域图像样本进行数据增强操作,定义为:
其中,Φrot(x)是针对图像的180度旋转操作。
步骤S22:对源域和目标域样本的数据增强操作,定义为:
其中,F为源域和目标域共用的特征提取器。
作为优选,本发明实施例提供的步骤S3包括:聚类、跨域聚类匹配、估计目标域聚类数目,具体方法为:
步骤S31:源域基于已知故障类型进行聚类,聚类数目为源域故障类型的数目,记为Ns。目标域使用K均值算法进行聚类,起始聚类数目Nt=Ns。记为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征,则源域聚类中心和目标域聚类中心可由下式计算得到:
步骤S32:计算MMD得到跨域匹配度矩阵的公式为:
计算源域中第i个聚类与目标域中第j个聚类的MMD公式定义为:
其中,K(·,·)是高斯核函数,为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征。
步骤S33:根据矩阵DMMD计算跨域聚类中心匹配度矩阵
满足Wij=1的源域聚类中心和目标域聚类中心构成跨域匹配的聚类中心对
步骤S34:源域的跨域聚类对齐分数计算公式定义为:
类似地,得到目标域的跨域聚类对齐分数计算这一对聚类中心的跨域对齐分数的公式定义为:
最终计算本次聚类的跨域对齐平均分数:
其中,N为源域和目标域匹配的聚类中心数。根据不同Nt取值下的对齐分数S,在一定范围遍历,S取最大值对应的Nt值作为最优聚类数目。
作为优选,本发明实施例提供的步骤S4中的故障诊断模型训练过程包括以下步骤:
步骤S41:源域样本特征导入模型进行监督训练,源域样本故障类型预测误差损失的交叉熵损失函数公式定义为:
其中,ns为源域样本数目,为源域样本的真实故障类型标签,/>为源域样本故障类型的预测标签。
步骤S42:本发明对目标域聚类结果进行约束以提高目标域聚类质量,目标域聚类正则化损失函数由两部分组成,即:
Lreg=Lsl+Ldivg#(11)
公式(8)中,自学习损失函数Lsl表示目标域样本聚类的不确定性,Lsl越小表示目标域聚类具有越强的语义鉴别性。Lsl定义为:
/>
其中,是样本/>被划分到第k个聚类的概率,nt为目标域样本数目。
公式(8)中,预测均衡损失Ldivg促使目标域形成均衡的聚类,防止将大部分目标域样本划分到少数几个聚类中。Ldivg越小表示目标域聚类退化度越小,其定义为:
其中,为Nt维全1向量。
步骤S43:利用CDD度量最小化公共故障类型的分布偏移,由步骤S2得到的源域特征和目标域特征/>计算跨域聚类对齐误差损失,公式推导如下:
其中,k和k′可以相等也可以不相等。
其中,K(·,·)是高斯核函数。在函数μk,k′(y,y′)中k,k′取自N,当μk,k′(y,y′)=1时,Dk,k′描述的是源域和目标域的类内差异,记为当μk,k′(y,y′)=0时,Dk,k′描述的是源域和目标域的类间差异,记为/>因此,跨域聚类对齐误差损失公式定义为:
步骤S44:把数据集增强样本特征导入模型进行自监督自适应学习,图像旋转角度预测误差损失的交叉熵损失函数公式定义为:
其中,nt为数据增强样本数目,为图像实际的旋转角度类型,/>为数据增强特征经过图像旋转角度分类器得到的旋转角度的预测值。
步骤S45:训练的总损失函数公式定义为:
L=Lsrc+γLsl+λLcdd+ψLaux#(18)
其中,γ、λ、ψ为设置的系数,按照经验本发明将λ设置为0.01,将ψ设置为0.7,γ根据迭代次数变换。
作为优选,本发明实施例提供的步骤S5包括:
利用训练后得到的最优且最具泛化能力的故障诊断模型对目标域样本进行故障预测。模型会输出N+1种故障类型的预测标签,若属于已知故障类型,则给出具体的已知故障类型,否则,判断为未知故障类型。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明实施例对每个任务均进行重复十次的实验,每次实验以最后一个epoch时模型在测试集上得到的准确率作为实验结果,最终该任务的结果为十次实验结果的平均值。
本发明的方法与四个被广泛认可且具有代表性的方法进行了比较,即DANN,OSBP,SAN和HWDAL。测试精确度对比如表3所示。
表3测试精确度对比
从上述的分析过程和实验数据表明,本发明提出的变工况轴承故障诊断方法的故障识别准确率均高于先前的方法,该实例仅仅用来检验该发明的可靠性。本发明能实现了对轴承已知故障类型和未知故障类型识别的高准确率,进一步说明本发明具有良好的泛化能力。实际应用中,本发明基于深度学习网络模型,实现了端对端的操作。本发明在保证了故障识别率的同时,降低了操作人员对信号处理专业知识的依赖,在目前的大环境下具有实用价值。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种变工况轴承故障诊断方法,其特征在于,变工况轴承故障诊断方法包括:给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;对源域和目标域依次进行初始跨域聚类对齐;利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测;
变工况轴承故障诊断方法包括以下步骤:
步骤一,基于轴承振动信号数据集,给定两个不同工况下采样的振动信号,分别作为源域和目标域;振动信号经过短时傅里叶变换得到振动信号的时频域图像分别作为源域样本和目标域样本,并且对随机一部分的目标域样本样本进行180°旋转操作,作为数据增强样本;
步骤二,源域样本、目标域样本和数据增强样本输入到特征提取器得到源域样本、目标域样本和数据增强样本特征;
步骤三,源域基于已知故障类型进行聚类,目标域使用K均值算法进行聚类;通过计算源域的每一个聚类与目标域的每一个聚类的最大平均差异得到跨域聚类的匹配度矩阵,并得到若干对跨域匹配的聚类用于计算跨域聚类对齐平均分数;以分数估计目标域最优聚类数目,最后更新目标域聚类;
步骤四,将源域样本、目标域样本和数据增强样本特征导入故障诊断模型进行训练;训练过程中利用CDD度量最小化公共故障类型的分布偏移并利用自训练策略促进目标域聚类提取故障语义信息,同时利用预测均衡损失防止目标域聚类退化,增强目标域聚类质量;
步骤五,利用训练后得到故障诊断模型对目标域样本进行故障预测,若属于已知故障类型,则给出具体的已知故障类型;否则,判断为未知故障类型。
2.如权利要求1所述变工况轴承故障诊断方法,其特征在于,步骤一中,给定两个不同工况采样的数据,源域与目标域存在公共故障类型;源域数据集记为其中/>表示源域样本的第i个振动信号,/>振动信号为/>对应的故障类型标签,ns为源域样本数目;目标域数据集记为/>其中nt为目标域样本数目,目标域的故障类型标签待预测;
所有振动信号经过STFT变化后变为二维的时频域图像,则:
步骤二包括目标域样本、数据增强样本和源域样本的特征提取操作;
(1)对目标域的时频域图像样本进行数据增强操作,定义为:
其中,Φrot(x)是针对图像的180度旋转操作;
(2)对源域和目标域样本的数据增强操作,定义为:
其中,F为源域和目标域共用的特征提取器。
3.如权利要求1所述变工况轴承故障诊断方法,其特征在于,步骤三包括聚类、跨域聚类匹配、估计目标域聚类数目;
(1)源域基于已知故障类型进行聚类,聚类数目为源域故障类型的数目,记为Ns;目标域使用K均值算法进行聚类,起始聚类数目Nt=Ns;记为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征,则源域聚类中心和目标域聚类中心由下式计算得到:
(2)计算MMD得到跨域匹配度矩阵的公式为:
计算源域中第i个聚类与目标域中第j个聚类的MMD公式定义为:
其中,K(·,·)是高斯核函数,为源域中指派为第i个聚类的/>个样本特征,/>为目标域中指派为第j个聚类的/>个样本特征;
(3)根据矩阵DMMD计算跨域聚类中心匹配度矩阵
满足Wij=1的源域聚类中心和目标域聚类中心构成跨域匹配的聚类中心对
(4)源域的跨域聚类对齐分数计算公式定义为:
类似地,得到目标域的跨域聚类对齐分数计算聚类中心跨域对齐分数的公式为:
最终计算本次聚类的跨域对齐平均分数:
其中,N为源域和目标域匹配的聚类中心数;根据不同Nt取值下的对齐分数S,在一定范围遍历,S取最大值对应的Nt值作为最优聚类数目。
4.如权利要求1所述变工况轴承故障诊断方法,其特征在于,步骤四中的故障诊断模型的训练包括:
(1)源域样本特征导入模型进行监督训练,源域样本故障类型预测误差损失的交叉熵损失函数公式定义为:
其中,ns为源域样本数目,为源域样本的真实故障类型标签,/>为源域样本故障类型的预测标签;
(2)对目标域聚类结果进行约束,目标域聚类正则化损失函数由两部分组成:
Lreg=Lsl+Ldivg;
式中,自学习损失函数Lsl表示目标域样本聚类的不确定性,Lsl越小表示目标域聚类具有越强的语义鉴别性;其中,Lsl定义为:
其中,是样本/>被划分到第k个聚类的概率,nt为目标域样本数目;
预测均衡损失Ldivg促使目标域形成均衡的聚类,Ldivg越小表示目标域聚类退化度越小,定义为:
其中,为Nt维全1向量;
(3)利用CDD度量最小化公共故障类型的分布偏移,由步骤二得到的源域特征和目标域特征/>计算跨域聚类对齐误差损失,则:
其中,k和k'可以相等也可以不相等;
其中,K(·,·)是高斯核函数;在函数μk,k'(y,y')中k,k'取自N,当μk,k'(y,y')=1时,Dk ,k'描述的是源域和目标域的类内差异,记为当μk,k'(y,y')=0时,Dk,k'描述的是源域和目标域的类间差异,记为/>跨域聚类对齐误差损失公式定义为:
(4)将数据集增强样本特征导入模型进行自监督自适应学习,图像旋转角度预测误差损失的交叉熵损失函数公式定义为:
其中,nt为数据增强样本数目,为图像实际的旋转角度类型,/>为数据增强特征经过图像旋转角度分类器得到的旋转角度的预测值;
(5)训练的总损失函数公式定义为:
L=Lsrc+γLsl+λLcdd+ψLaux;
其中,λ设置为0.01,ψ设置为0.7,γ根据迭代次数变换。
5.如权利要求1所述变工况轴承故障诊断方法,其特征在于,步骤五中的故障预测包括:利用训练后得到的故障诊断模型对目标域样本进行故障预测;利用故障诊断模型输出N+1种故障类型的预测标签;若属于已知故障类型,则给出具体的已知故障类型;否则,判断为未知故障类型。
6.一种应用如权利要求1~5任意一项所述变工况轴承故障诊断方法的变工况轴承故障诊断系统,其特征在于,变工况轴承故障诊断系统包括:
样本获取模块,用于给定源域和目标域振动信号并进行数据预处理,得到源域样本、目标域样本和数据增强样本;
特征提取模块,用于利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取;
跨域聚类对齐模块,用于对源域和目标域依次进行初始跨域聚类对齐;
故障诊断模型训练模块,用于利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练;
故障类型预测模块,用于利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。
7.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~5任意一项所述变工况轴承故障诊断方法的步骤。
8.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~5任意一项所述变工况轴承故障诊断方法的步骤。
9.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求6所述变工况轴承故障诊断系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475471.9A CN116242609B (zh) | 2022-11-23 | 2022-11-23 | 一种变工况轴承故障诊断方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475471.9A CN116242609B (zh) | 2022-11-23 | 2022-11-23 | 一种变工况轴承故障诊断方法、系统、介质、设备及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116242609A CN116242609A (zh) | 2023-06-09 |
CN116242609B true CN116242609B (zh) | 2024-05-14 |
Family
ID=86631963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211475471.9A Active CN116242609B (zh) | 2022-11-23 | 2022-11-23 | 一种变工况轴承故障诊断方法、系统、介质、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116242609B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
WO2020181838A1 (zh) * | 2019-03-12 | 2020-09-17 | 杭州哲达科技股份有限公司 | 一种面向机泵安康管控的振动多维感知与云计算方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN114034486A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
CN114187505A (zh) * | 2021-11-15 | 2022-03-15 | 南方电网科学研究院有限责任公司 | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651937B (zh) * | 2020-06-03 | 2023-07-25 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
-
2022
- 2022-11-23 CN CN202211475471.9A patent/CN116242609B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
WO2020181838A1 (zh) * | 2019-03-12 | 2020-09-17 | 杭州哲达科技股份有限公司 | 一种面向机泵安康管控的振动多维感知与云计算方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN114034486A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
CN114187505A (zh) * | 2021-11-15 | 2022-03-15 | 南方电网科学研究院有限责任公司 | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116242609A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Intelligent fault diagnosis under varying working conditions based on domain adaptive convolutional neural networks | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
Al-Bugharbee et al. | A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling | |
Jin et al. | Automatic fabric defect detection based on an improved YOLOv5 | |
CN116304820B (zh) | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109491914B (zh) | 基于不平衡学习策略高影响缺陷报告预测方法 | |
US20220053010A1 (en) | System and method for determining a communication anomaly in at least one network | |
CN111753290B (zh) | 软件类型的检测方法及相关设备 | |
CN109753408B (zh) | 一种基于机器学习的流程异常预测方法 | |
He et al. | A novel bearing fault diagnosis method based on gaussian restricted boltzmann machine | |
EP2916260A1 (en) | Time series analytics | |
US11686703B2 (en) | Automated analysis of analytical gels and blots | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
Abdul et al. | A new feature extraction technique based on 1D local binary pattern for gear fault detection | |
CN116242609B (zh) | 一种变工况轴承故障诊断方法、系统、介质、设备及终端 | |
Zhang et al. | An image processing approach to machine fault diagnosis based on visual words representation | |
Xie et al. | Machine learning control charts for monitoring serially correlated data | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
Khorram et al. | Intelligent bearing fault diagnosis with convolutional long-short-term-memory recurrent neural network | |
CN113095364B (zh) | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 | |
CN115910320A (zh) | 一种icu重症患者用的急性呼吸窘迫综合征预警系统 | |
Sun et al. | Rolling bearing fault diagnosis method based on multisynchrosqueezing s transform and faster dictionary learning | |
Wu et al. | Fault diagnosis of pumping system based on multimodal attention learning (CBMA Learning) | |
Chan et al. | Explainable health state prediction for social iots through multi-channel attention |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230720 Address after: 525000, No. two, No. 139, Guandu Road, Guangdong, Maoming Applicant after: GUANGDONG University OF PETROCHEMICAL TECHNOLOGY Applicant after: Maoming Green Chemical Industry Research Institute Address before: 525000, No. two, No. 139, Guandu Road, Guangdong, Maoming Applicant before: GUANGDONG University OF PETROCHEMICAL TECHNOLOGY |
|
GR01 | Patent grant | ||
GR01 | Patent grant |