CN116502131B - 基于迁移学习的轴承故障诊断模型训练方法及装置 - Google Patents
基于迁移学习的轴承故障诊断模型训练方法及装置 Download PDFInfo
- Publication number
- CN116502131B CN116502131B CN202310760426.6A CN202310760426A CN116502131B CN 116502131 B CN116502131 B CN 116502131B CN 202310760426 A CN202310760426 A CN 202310760426A CN 116502131 B CN116502131 B CN 116502131B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- operation data
- diagnosis model
- bearing fault
- module
- 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 261
- 238000012549 training Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013526 transfer learning Methods 0.000 title claims abstract description 74
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000002679 ablation Methods 0.000 claims description 52
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 238000002474 experimental method Methods 0.000 claims description 20
- 238000011298 ablation treatment Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种基于迁移学习的轴承故障诊断模型训练方法及装置。该方法应用于机械设备故障诊断技术领域，其中，该方法包括：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；从每个第一运行数据集中随机选取目标第一运行数据；分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值；对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值；响应于分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。根据本申请实施例，提高了对轴承故障预测的准确性。
Description
技术领域
本申请属于机械设备故障诊断，尤其涉及一种基于迁移学习的轴承故障诊断模型训练方法及装置。
背景技术
目前，轴承是机械设备中的重要部件，需要对轴承的运行状态进行检测，及时发现并排除轴承的运行故障。
现有的轴承故障诊断方法通常是将轴承的实时运行数据输入故障诊断模型中，以得到故障诊断模型输出的轴承故障诊断结果，从而及时检测出设备中轴承的故障并进行报警。然而，轴承故障诊断模型需要持续的基于新的轴承数据对轴承故障进行诊断，在非平稳的工况条件下，或者在季节性周期变化的工况条件下，采集的轴承运行数据的分布特性可能会发生变化，从而使得轴承故障诊断模型难以适配新的数据分布特性，导致故障诊断结果的准确性下降。
发明内容
本申请实施例提供一种基于迁移学习的轴承故障诊断模型训练方法及装置，能够使轴承故障预测模型不断适配变化的数据分布特性，提高了对轴承故障预测的准确性。
第一方面，本申请实施例提供了一种基于迁移学习的轴承故障诊断模型训练方法，包括：
分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前；
从每个第一运行数据集中随机选取目标第一运行数据；
分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值；
对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值；
响应于分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型；
所述轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个压缩和激励SE模块，且所属同一模块组中的SE模块位于所述至少一个Ghost模块之后；在所述响应于所述分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和所述第二运行数据集作为训练样本，对机器学习模型进行训练之后，所述方法还包括：
通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型；
所述通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型，包括：
针对目标模块组分别执行以下操作，所述目标模块组为所述多个模块组中的至少一个模块组：
从所述轴承故障诊断模型中去除所述目标模块组，得到第一实验模型；
将所述第二运行数据集中的数据分别输入到所述第一实验模型和所述轴承故障诊断模型中，对应得到所述第一实验模型输出的第一预测结果和所述轴承故障诊断模型输出的第二预测结果；
分别计算所述第一预测结果与第一期望故障预测结果之间的第一损失值，以及所述第二预测结果与第一期望故障预测结果之间的第二损失值；所述第一期望故障预测结果是所述第二运行数据集对应的期望轴承故障结果；
计算所述第一损失值与第二损失值的第一差异指标值；
根据所述第一差异指标值确定所述目标模块组的第一贡献度；其中，所述第一贡献度与所述差异指标值呈正相关；
基于每个模块组各自的第一贡献度对所述轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
在一些实施例中，基于迁移学习的轴承故障诊断模型训练方法还包括：
响应于分布特性差异值加权和值未满足预设条件，返回执行从每个第一运行数据集的第一运行数据中随机选取目标第一运行数据 的步骤。
在一些实施例中，基于迁移学习的轴承故障诊断模型训练方法还包括：
获取在第三采集周期采集到的轴承的第三运行数据集；其中，第三采集周期在第二采集周期之后；
基于第三运行数据集对轴承故障诊断模型进行优化，得到优化后的轴承故障诊断模型。
在一些实施例中，对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值，包括：
针对每个目标第一运行数据，分别执行：计算目标第一运行数据的数量与其所属数据集中的数据总数量的比值，得到权重；
利用权重分别对各自对应的分布特性差异值进行加权求和，得到分布特性差异值加权和值。
在一些实施例中，分布特性差异值加权和值满足预设条件包括：
分布特性差异值加权和值大于或者等于第一预设阈值。
在一些实施例中，计算第一损失值与第二损失值的第一差异指标值，包括：
计算第一损失值与第二损失值的差值，得到第一差异指标值；或者，
计算第一损失值与第二损失值的比值，得到第一差异指标值。
在一些实施例中，基于每个模块组各自的贡献度对轴承故障诊断模型中的多个模块组进行消融处理，包括：
针对每个模块组，比较模块组的第一贡献度与第二预设阈值之间的大小关系；
响应于第一贡献度大于或者等于第二预设阈值，保留模块组；
响应于第一贡献度小于第二预设阈值，对模块组进行消融处理。
在一些实施例中，通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型，还包括：
针对目标模块分别执行以下操作：
从轴承故障诊断模型中去除目标模块，得到第二实验模型；目标模块为多个SE模块和多个Ghost模块中的至少一个模块；
将第二运行数据集中的数据分别输入到第二实验模型和轴承故障诊断模型中，对应得到第二实验模型输出的第三预测结果和轴承故障诊断模型输出的第四预测结果；
分别计算第三预测结果与第二期望故障预测结果之间的第三损失值，以及第四预测结果与第二期望故障预测结果之间的第四损失值；
计算第三损失值与第四损失值的第二差异指标值；
根据第二差异指标值确定目标模块的第二贡献度；其中，第二贡献度与第二差异指标值呈正相关；
基于每个模块各自的第二贡献度对轴承故障诊断模型中的多个模块进行消融处理，以得到简化后的轴承故障诊断模型。
在一些实施例中，计算第三损失值与第四损失值的第二差异指标值，包括：
计算第三损失值与第四损失值的差值，得到第二差异指标值；或者，
计算第三损失值与第四损失值的比值，得到第二差异指标值。
在一些实施例中，基于每个模块各自的第二贡献度对轴承故障诊断模型中的多个模块进行消融处理，包括：
针对每个模块，比较模块的第二贡献度与第三预设阈值之间的大小关系；
响应于第二贡献度大于或者等于第三预设阈值，保留模块；
响应于第二贡献度小于第三预设阈值，对模块进行消融处理。
第二方面，提供了一种基于迁移学习的轴承故障诊断模型训练装置，包括：
获取模块，用于分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前；
选取模块，用于从每个第一运行数据集中随机选取目标第一运行数据；
确定模块，用于分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值；
加权求和模块，用于对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值；
训练模块，用于响应于分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型；
轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个压缩和激励SE模块，且所属同一模块组中的SE模块位于至少一个Ghost模块之后；
装置还包括：
消融模块，用于通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型；
消融模块包括：
第一去除子模块，用于从轴承故障诊断模型中去除目标模块组，得到第一实验模型；
第一预测子模块，用于将第二运行数据集中的数据分别输入到第一实验模型和轴承故障诊断模型中，对应得到第一实验模型输出的第一预测结果和轴承故障诊断模型输出的第二预测结果；
第一计算子模块，用于分别计算第一预测结果与第一期望故障预测结果之间的第一损失值，以及第二预测结果与第一期望故障预测结果之间的第二损失值；第一期望故障预测结果是第二运行数据集对应的期望轴承故障结果；
第二计算子模块，用于计算第一损失值与第二损失值的第一差异指标值；
第一确定子模块，用于根据第一差异指标值确定目标模块组的第一贡献度；其中，第一贡献度与差异指标值呈正相关；
第一消融子模块，用于基于每个模块组各自的第一贡献度对轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
第三方面，提供了一种基于迁移学习的轴承故障诊断模型训练设备，设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面任意一项的基于迁移学习的轴承故障诊断模型训练方法。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面任意一项的基于迁移学习的轴承故障诊断模型训练方法。
第五方面，提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面任意一项的基于迁移学习的轴承故障诊断模型训练方法。
本申请实施例的基于迁移学习的轴承故障诊断模型训练方法及装置，通过计算第二运行数据集的分布特性与每个第一运行数据集的分布特性之间的分布特性差异值，对多个分布特性差异值进行加权求和，得到了能够用于衡量第二运行数据集与多个第一运行数据集之间的分布特性差异大小的分布特性差异值加权和值。由于多个第一采集周期均在第二采集周期之后，因此多个第一运行数据集相当于轴承的历史运行数据集，第二运行数据集相当于新采集的轴承运行数据集。故而，根据分布特性差异值加权和值在多个历史运行数据集中找到与多个新采集的轴承运行数据分布特性差异较小的历史运行数据，基于该历史运行数据和新采集的轴承运行数据对轴承故障预测模型进行训练，从而增加了轴承故障预测模型的训练数据量，进而使轴承故障预测模型能够不断适配变化的数据分布特性，有效提高了对轴承故障预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请一本申请实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图2是本申请实施例中提出的第二运行数据集以及多个第一运行数据集示意图；
图3是本申请另一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图4是本申请又一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图5是本申请再一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图6是本申请实施例中提出的压缩和激励网络SE模块的运行原理示意图；
图7是本申请实施例中提出的Ghost模块的运行原理示意图；
图8是本申请实施例提供的另一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图9是本申请实施例提供的又一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图；
图10是本申请实施例提供的基于迁移学习的轴承故障诊断模型训练装置的结构示意图；
图11是本申请实施例提供的基于迁移学习的轴承故障诊断模型训练方法的硬件结构示意图。
附图标记
1-第一周采集的第一运行数据集；11-轴承出现故障的历史数据；12-轴承未出现故障的历史数据；13-第k+1周采集的轴承出现故障数据；14-第k+1周采集的轴承未出现故障数据；2-第二周采集的第一运行数据集；3-第k周采集的第一运行数据集；4-压缩Squeeze单元；5-激励Excitation单元；6-缩放Scale单元；7-输入特征图；8-输出特征图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在介绍本申请的具体实施方式之前，首先介绍描述本申请实施方式时用到的技术术语。
数据分布特性可以从数据的集中趋势、离散程度、分布的形状三个方面进行测度和描述，它们分别反映了数据分布特征的不同方面。其中，集中趋势反映各数据向其中心值靠拢或聚集的程度，离散程度反映各数据远离其中心值的趋势，分布的形状反映数据分布的偏态和峰态。
迁移学习是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性。在迁移学习中，已有的知识叫做源域，要学习的新知识叫目标域，源域和目标域不同但有一定关联，需要减小源域和目标域的分布差异，进行知识迁移，从而实现数据标定。
目前，轴承是机械设备中的重要部件，需要对轴承的运行状态进行检测，以发现并排除轴承的运行故障。
为了能够及时发现并排除轴承的运行故障，现有的轴承故障诊断方法通常是将轴承的实时运行数据输入故障诊断模型中，以得到故障诊断模型输出的轴承故障诊断结果，从而及时检测出设备中轴承的故障并进行报警。然而，对于一些关键工业装备的轴承，需要持续不断的采集轴承运行数据，轴承故障诊断模型基于这些实时采集的轴承运行数据持续的对轴承故障进行诊断。而对于一些工业数字化初期的企业，由于其拥有的历史轴承运行数据的数据规模有限，因此持续不断采集的新数据可能会较强烈的改变轴承运行数据的分布特性。另外，在非平稳的工况条件下，或者在季节性周期变化的工况条件下，采集的轴承运行数据的分布特性也可能会发生变化，从而使得轴承故障诊断模型难以适配新的数据分布特性，导致故障诊断结果的准确性下降。
基于上述问题，本申请提出一种基于迁移学习的轴承故障诊断模型训练方法及装置，通过对新采集的轴承运行数据的分布特性与轴承的历史运行数据的分布特性进行比较，在历史运行数据中找到与新采集的轴承运行数据分布特性差异较小的历史数据，以基于该历史数据和新采集的轴承运行数据对轴承故障预测模型进行训练，从而增加了轴承故障预测模型的训练数据量，进而使轴承故障预测模型能够不断适配变化的数据分布特性，进而有效提高了对轴承故障预测的准确性。
下面首先对本申请实施例所提供的基于迁移学习的轴承故障诊断模型训练方法进行介绍。
图1是本申请一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法的流程示意图。如图1所示，本申请实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法，包括以下步骤：S101-S106。
S101：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集。
在本申请实施例中，多个第一采集周期均在第二采集周期之前。
需要说明的是，由于短期内轴承的工况条件变化较小，因此对于同一采集周期内采集到的轴承运行数据，其分布特性也较为接近，可以将轴承的历史运行数据按照采集周期的不同划分为多个第一运行数据集。上述多个第一运行数据集即为多个源域数据，上述第二运行数据集即为第二采集周期对应的目标域数据，也就是说，本申请实施例是通过迁移学习的方式，基于多个源域数据来学习目标域数据的分布特性。
第二采集周期可以是当前周期所采集到的最新轴承运行数据，还可以是目标周期所采集到的轴承运行数据。由于需要让轴承故障诊断模型学习到轴承运行数据变化后的分布特性，即第二运行数据的分布特性，因此，多个第一采集周期均在第二采集周期之前 。
举例来说，如图2所示，一个采集周期是一周，当前的采集周期值第k+1周，轴承运行历史数据中包括了第一周采集的第一运行数据集1、第二周采集的第一运行数据集2至第k周采集的第一运行数据集3，其中，每个第一运行数据集中均包括轴承出现故障的历史数据11以及轴承未出现故障的历史数据12。第二运行数据集可以包括第k+1周采集的轴承出现故障数据13以及第k+1周采集的轴承未出现故障数据14。可以将第k+1周采集的第二运行数据集分别与第一周采集的第一运行数据集1至第k周采集的第一运行数据集3分别进行分布特性差异比较。
轴承的运行数据可以包括轴承的振动信号数据。可以通过传感器等采集设备对轴承的运行数据进行采集。
S102：从每个第一运行数据集的第一运行数据中随机选取目标第一运行数据。
为了从多个第一运行数据集中找到与第二运行数据分布特性较为接近的运行数据，在每个第一运行数据集的第一运行数据中随机选取目标第一运行数据，随机选取到的目标第一运行数据用于后续与第二运行数据集进行数据分布特性差异的比较。
需要注意的是，从每个第一运行数据集中随机抽取的目标第一运行数据的数据量可以相同，也可以不同。
为便于理解，以第一周、第二周、第三周这三个采样周期各自的第一运行数据集为例对随机选取目标第一运行数据的方式进行说明。可以在第一周的第一运行数据集中随机抽取10个数据作为第一周对应的目标第一运行数据，在第二周的第一运行数据集中随机抽取20个数据作为第二周对应的目标第一运行数据，在第三周的第一运行数据集中随机抽取15个数据作为第三周对应的目标第一运行数据；也可以分别在第一周、第二周、第三周各自的第一运行数据集中随机抽取30个数据，分别对应作为第一周、第二周、第三周各自的目标第一运行数据。
S103：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
在本申请实施例中，分布特性差异值可以通过分布差异的度量函数计算得到。分布差异的度量函数可以采用推土机距离函数，其原理为由第一个分布函数p转换为第二个分布函数q所需要的最小代价。
作为一种示例，分别根据通过分布差异的度量函数计算第二运行数据集与每个目标第一运行数据之间的分布特性差异值，以用于衡量第二运行数据集与目标第一运行数据之间分布特性差异的大小。
S104：对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
在S104中，对多个分布特性差异值进行加权求和，从而将从多个第一运行数据集中随机选取到的多个目标第一运行数据作为一个整体，通过加权求和得到的分布特性差异值加权和值来衡量这一整体与第二运行数据集之间的数据分布特性差异。
作为一种示例，可以根据预设规则对每个分布特性差异值分配一个权重值，基于上述权重值，对多个分布特性差异值进行加权求和，以得到分布特性差异值加权和值。
S105：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S106。响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S102。
可以理解的是，若分布特性差异值加权和值未满足预设条件，说明在多个第一运行数据中随机选取得到的多个目标第一运行数据的分布特性与第二运行数据集的分布特性差异较大，因此需要在多个第一运行数据中重新选取数据，直至得到满足分布特性条件的目标第一运行数据。
作为一种示例，若分布特性差异值加权和值未满足预设条件，返回执行从每个第一运行数据集中随机选取目标第一运行数据的步骤，直至分布特性差异值加权和值满足预设条件，执行步骤S105，即以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
S106：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本步骤中所说的预设条件，可以是根据预先设定的用于衡量多个目标第一运行数据与第二运行数据集之间分布特性差异是否小于预设差异的条件。具体的，预设条件可以是分布特性差异值加权和值大于或者等于第一预设阈值。上述第一预设阈值可以是根据实际需求预设的阈值。
可以理解的是，由于第二运行数据集的数据量是有限的，为了使机器学习模型能够更好的学习到第二运行数据集的分布特性，需要找到更多符合第二运行数据集分布特性的数据，以用于对机器学习模型做更多的训练。因此在本申请实施例中，需要从多个第一运行数据集中寻找符合第二运行数据集分布特性的目标第一运行数据，从而以符合分布特性要求的目标第一运行数据作为训练样本对机器学习模型进行训练。
作为一种示例，若判断分布特性差异值加权和值满足预设条件，说明目标第一运行数据的分布特性与第二运行数据集的分布特性较为接近，则可以使用多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，以得到轴承故障诊断模型。
需要说明的是，在本申请实施例中，可以按照预设频率执行S101-S106，也可以根据实际需求，在指定时间段执行S101-S106。也就是说，由于轴承的运行数据是不断进行采集的，因此需要不断基于新采集的目标域数据对轴承故障诊断模型进行训练，以使轴承故障诊断模型不断适配新的目标域数据的分布特性。
本申请实施例提供的上述基于迁移学习的轴承故障诊断模型训练方法，通过计算第二运行数据集的分布特性与每个第一运行数据集的分布特性之间的分布特性差异值，对多个分布特性差异值进行加权求和，得到了能够用于衡量第二运行数据集与多个第一运行数据集之间的分布特性差异大小的分布特性差异值加权和值。由于多个第一采集周期均在第二采集周期之后，因此多个第一运行数据集相当于轴承的历史运行数据集，第二运行数据集相当于新采集的轴承运行数据集。故而，根据分布特性差异值加权和值在多个历史运行数据集中找到与多个新采集的轴承运行数据分布特性差异较小的历史运行数据，基于该历史运行数据和新采集的轴承运行数据对轴承故障预测模型进行训练，从而增加了轴承故障预测模型的训练数据量，进而使轴承故障预测模型能够不断适配变化的数据分布特性，有效提高了对轴承故障预测的准确性。
需要说明的是，由于在本申请提出的基于迁移学习的轴承故障诊断模型训练方法中，轴承的运行数据是持续不断进行采集的，因此随着时间的推移，会不断产生新的轴承运行数据，也就是说，当完成对机器学习模型进行训练，得到轴承故障诊断模型时，距离本申请实施例中提出的第二运行数据集的采集时间已经过了一段时间，在这一段时间内所产生的轴承运行数据的分布特性可能相比于第二运行数据集的分布特性又有了新的变化。
由此，为进一步提高轴承故障诊断模型的预测准确性，提出另一种基于迁移学习的轴承故障诊断模型训练方法，请参见图3，是本申请另一实施例提供的基于迁移学习的轴承故障诊断模型训练方法流程图。如图3所示，该基于迁移学习的轴承故障诊断模型训练方法包括：
S301：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前。
S302：从每个第一运行数据集中随机选取目标第一运行数据。
S303：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
S304：对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
S305：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S306；响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S302。
S306：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本实施例中步骤S301至S306与本申请实施例中的步骤S101至106相同，为了简要起见，在此不再详细描述。
S307：获取在第三采集周期采集到的轴承的第三运行数据集。
在本申请实施例中，第三采集周期在第二采集周期之后。
可以理解的是，第三周期可以是自第二采集周期结束至完成机器学习模型训练这一之间节点之间的任何一段时间。
S308：基于第三运行数据集对轴承故障诊断模型进行优化，得到优化后的轴承故障诊断模型。
作为一种可能的示例，将第三采集周期采集到的第三运行数据集作为训练样本对轴承故障诊断模型进行训练，也就是说，第三运行数据集作为新的目标域数据对轴承故障诊断模型进行训练，从而实现对轴承故障诊断模型的优化，使轴承故障诊断模型能够进一步学习第三采集周期期间轴承运行数据的分布特性所发生的变化，从而提高了轴承故障诊断模型对轴承故障进行预测的准确性。
需要说明的是，在本申请实施例中，可以按照预设频率执行S301-S306，也可以根据实际需求，在指定时间段执行S301-S306。也就是说，由于轴承的运行数据是不断进行采集的，因此需要不断基于新采集的目标域数据对轴承故障诊断模型进行训练，以使轴承故障诊断模型不断适配新的目标域数据的分布特性。
请参见图4，是本申请又一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法流程图。如图4所示，该基于迁移学习的轴承故障诊断模型训练方法包括：
S401：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前。
S402：从每个第一运行数据集中随机选取目标第一运行数据。
S403：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
本实施例中步骤S401至S403与本申请实施例中的步骤S301至S303相同，为了简要起见，在此不再详细描述，详细信息请参见本申请实施例中的描述。以下步骤S404至S405将对应于本申请实施例中步骤S104，具体描述如何对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
S404：针对每个目标第一运行数据，分别执行：计算目标第一运行数据的数量与其所属数据集中的数据总数量的比值，得到权重。
由于每个目标第一运行数据均是在其所属的第一运行数据集中随机选取得到的，每个第一运行数据集的数据量可能相同，也可能不同，每个目标第一运行数据的数据量可能相同，也可能不同。因此，可以根据目标第一运行数据在其所属第一运行数据中的占比来体现目标第一运行数据与其所属第一运行数据在数据量上的关系，以根据占比来为其对应的分布热性差异值分配权重。
作为一种示例，分别计算每个目标第一运行数据的数量与其所属数据集中的数据总数量的比值，该比值即为权重值。
S405：利用权重分别对各自对应的分布特性差异值进行加权求和，得到分布特性差异值加权和值。
作为一种示例，可以通过以下公式计算分布特性差异值加权和值S：
其中，为所属采集周期对应的分布特性差异值，/>为所属采集周期对应的权重值。
利用在步骤S404中得到的权重值分别对各自对应的分布特性差异值进行加权求和，考虑了多个分布特性差异值各自对应的目标第一运行数据在其所属第二运行数据集中占比的不同导致的误差。故而，利用权重分别对各自对应的分布特性差异值进行加权求和，得到分布特性差异值加权和值，也就是说，将多个目标第一运行数据作为一个整体，根据分布特性差异值加权和值能够更加准确的衡量多个目标第一运行数据与第二运行数据集之间的分布特性差异。
S406：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S406；响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S402。
S407：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本实施例中步骤S406至S407与本申请实施例中的步骤S105至106相同，为了简要起见，在此不再详细描述。
需要说明的是，在本申请实施例中，可以按照预设频率执行S401-S407，也可以根据实际需求，在指定时间段执行S401-S407。也就是说，由于轴承的运行数据是不断进行采集的，因此需要不断基于新采集的目标域数据对轴承故障诊断模型进行训练，以使轴承故障诊断模型不断适配新的目标域数据的分布特性。
以上为本申请实施例提供的基于迁移学习的轴承故障诊断模型训练方法，该方法根据每个目标第一运行数据的数量与其所属数据集中的数据总数量的比值得到权重，利用权重对各自对应的分布特性差异值进行加权求和，得到分布特性差异值加权和值，相比于直接根据每个目标第一运行数据各自对应的分布特性差异值直接衡量目标第一运行数据与第二运行数据集之间的分布特性差异，根据分布特性差异值加权和值来衡量分布特性差异，考虑了多个分布特性差异值各自对应的目标第一运行数据在其所属第二运行数据集中占比的不同导致的误差，提高了对分布特性差异判断的准确性。
在本申请一些实施例中，在基于迁移学习的轴承故障诊断模型训练模型中设置了多个SE模块和多个Ghost模块，然而有些模块实际上对基于迁移学习的轴承故障诊断模型训练模型所起到的作用并不是很大，这些模块的存在反而影响了模型的运算效率，因此可以采用消融实验的方式来对基于迁移学习的轴承故障诊断模型训练模型中的模块进行高效的精简，从而使基于迁移学习的轴承故障诊断模型训练模型更加轻量化，进而提升模型的性能。
为使轴承故障诊断模型更加轻量化，提出一种基于迁移学习的轴承故障诊断模型训练方法，请参见图5，是本申请再一实施例提供的一种基于迁移学习的轴承故障诊断模型训练方法流程图。如图5所示，该基于迁移学习的轴承故障诊断模型训练方法包括：
S501：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前。
S502：从每个第一运行数据集中随机选取目标第一运行数据。
S503：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
S504：对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
S505：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S106；响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S102。
S506：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本实施例中步骤S501至S506与本申请实施例中的步骤S101至106相同，为了简要起见，在此不再详细描述。
S507：通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型。
消融实验：以控制变量的形式来验证模型中的模块对模型的贡献度，根据贡献度来确定是否保留该模块。举例来说，假设在某目标模型中，使用了A模块，B模块，C模块，取得了符合预设条件的效果，但是并不知道符合预设条件的效果是由于A模块，B模块，C模块中哪一个模块起的作用，因此保留A模块和B模块，移除C模块进行实验，根据实验结果判断C模块在整个模型中所起的作用。
SE(Squeeze-and-Excitation Networks，压缩和激励网络)模块，如图6所示，通过引入通道注意力机制来加强相关性高的特征的权重，从而提升轻量级卷积模型的效果。SE模块主要包括三个部分：压缩Squeeze单元4、激励Excitation单元5和缩放Scale单元6。SE模块通过Squeeze单元4对特征向量为Wi×Hi×Ci的输入特征图7进行压缩处理后得到1×1×C1的特征向量，在压缩处理后再通过Excitation单元5重新对1×1×C1的特征向量中的每个通道分配权重，通过Scale单元6将SE模块计算出来的各通道权重值分别和原特征图对应通道的二维矩阵相乘，得到的结果再与特征向量为Wi×Hi×Ci的输出特征图7相加后输出重新分配通道权重后的特征向量为Wo×Ho×Co的输出特征图8。
Ghost模块，如图7所示，通过可视化分析以及基于MSE（Mean Squared Error，均方误差）值的相关分析，发现了卷积生成的特征图具有大量相似的特征。因此采用一些低代价运算方法（如对特征图进行线性变换）代替卷积中的相似特征生成是提升计算效率的潜在手段。在Ghost模块中，基于输入特征图Finp，通过卷积处理只生成部分内在特征图（Intrinsic Feature map），再通过线性变换处理补全其余特征图 ，基于部分内在特征图和上述其余特征图生成输出特征图Fout，从而降低卷积的总体计算量。
在本申请实施例中，轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个SE(Squeeze-and-Excitation Networks，压缩和激励)模块，且所属同一模块组中的SE模块位于至少一个Ghost模块之后。上述模块组可以设置与轴承故障诊断模型中除数据输入层和全连接层之间的任意位置上。
需要说明的是，在本申请实施例中，可以按照预设频率执行S501-S507，也可以根据实际需求，在指定时间段执行S501-S507。也就是说，由于轴承的运行数据是不断进行采集的，因此需要不断基于新采集的目标域数据对轴承故障诊断模型进行训练，以使轴承故障诊断模型不断适配新的目标域数据的分布特性。
需要说明的是，对于轴承故障诊断模型中的多个SE模块和多个Ghost模块，每个模块对于轴承故障诊断模型的贡献度是不同的，有的模块对轴承故障诊断模型的贡献度较大，而有的模块对于轴承故障诊断模型的贡献度较小，反而使模型更加复杂，影响运算效率。因此，可以采用消融实验的方式，在不降低轴承故障诊断模型性能的前提下，对多个SE模块和多个Ghost模块中对模型贡献度较低的模块进行消融处理，从而实现轴承故障诊断模型的轻量化，提高轴承故障诊断模型的运算效率。请参见图8，是本申请实施例提供的另一种基于迁移学习的轴承故障诊断模型训练方法流程图。如图8所示，该基于迁移学习的轴承故障诊断模型训练方法包括：S801-S811。
S801：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前。
S802：从每个第一运行数据集中随机选取目标第一运行数据。
S803：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
S804：对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
S805：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S806；响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S802。
S806：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本实施例中步骤S801至S806与本申请实施例中的步骤S101至106相同，为了简要起见，在此不再详细描述。
以下步骤S807至S812将对应于本申请实施例中的S507，具体描述如何通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型。
针对目标模块分别执行以下操作：
S807：从轴承故障诊断模型中去除目标模块，得到第二实验模型。
在本申请实施例中，目标模块为多个SE模块和多个Ghost模块中的至少一个模块。
可以理解的是，消融实验的基本原理为以控制变量的形式来验证模型中的模块对模型的贡献度，根据贡献度来确定是否保留该模块。因此可以将目标模块从轴承故障诊断模型中去除，以得到第二实验模型，以用于后续对该目标模块贡献度进行验证。
S808：将第二运行数据集中的数据分别输入到第二实验模型和轴承故障诊断模型中，对应得到第二实验模型输出的第三预测结果和轴承故障诊断模型输出的第四预测结果。
需要说明的是，为了验证目标模块在轴承故障诊断模型中所起作用的大小，需要将轴承故障诊断模型去除目标模块前的预测效果与去除目标模块后的预测效果进行差异比较。如果将轴承故障诊断模型去除目标模块后，其预测效果与去除目标模块前的预测效果差异不大，或者其预测效果比去除目标模块前的预测效果还要差，则说明该目标模块对轴承故障诊断模型的贡献度较低，可以将其去除。
作为一种示例，将第二运行数据集输入到第二实验模型，得到第二实验模型输出的第三预测结果，将第二运行数据集输入到轴承故障诊断模型，得到轴承故障诊断模型输出的第四预测结果。
S809：分别计算第三预测结果与第二期望故障预测结果之间的第三损失值，以及第四预测结果与第二期望故障预测结果之间的第四损失值。
在本申请实施例中，第二期望故障预测结果是第二运行数据集对应的轴承故障结果。也就是第二数据集对应的轴承是否出现故障的真实结果。
S810：计算第三损失值与第四损失值的第二差异指标值。
可以理解的是，为了确定第三预测结果与第四预测结果之间的差异，可以分别计算第三预测结果与第二期望故障预测结果之间的第三损失值，以及第四预测结果与第二期望故障预测结果之间的第四损失值，根据第三损失值与第四损失值之间的差异来确定目标模块对于轴承故障诊断模型的实际贡献。
在本申请一些实施例中，可以计算第三损失值与第四损失值的差值，得到第二差异指标值。
在本申请另一些实施例中，可以计算第三损失值与第四损失值的比值，得到第二差异指标值。
S811：根据第二差异指标值确定目标模块的第二贡献度。
在本申请实施例中，第二贡献度与第二差异指标值呈正相关。
可以理解的是，第三损失值与第四损失值之间的差异越大，证明第二实验模型的预测效果相比于轴承故障诊断模型的预测效果差异越大。举例来说，将第四损失值与第三损失值相减得到第一差异指标值，由于第二贡献度与差异指标值呈正相关，因此第一差异指标值越大，说明第二贡献度越高。
S812：基于每个模块各自的第二贡献度对轴承故障诊断模型中的多个模块进行消融处理，以得到简化后的轴承故障诊断模型。
其中，S812，基于每个模块各自的第二贡献度对轴承故障诊断模型中的多个模块进行消融处理，以得到简化后的轴承故障诊断模型，可以包括：
针对每个模块，比较模块的第二贡献度与第三预设阈值之间的大小关系；
响应于第二贡献度大于或者等于第三预设阈值，保留模块；
响应于第二贡献度小于第三预设阈值，对模块进行消融处理。
这里，第三预设阈值可以是根据实际需求预设的阈值，若第二贡献度大于或者等于第三预设阈值，说明该模块对于轴承故障诊断模块的贡献符合预设期望，保留该模块；若第二贡献度小于第三预设阈值，说明该模块对于轴承故障诊断模块的贡献低于预设期望，对模块进行消融处理，从而使轴承故障诊断模块更加轻量化。
以上为本实施例提供的基于迁移学习的轴承故障诊断模型训练方法，该方法通过控制变量的方式分别确定每个模块对于轴承故障诊断模型的贡献度，将贡献度不满足预设条件的模块进行消融处理，从而对轴承故障诊断模型中的模块组进行精简，实现了轴承故障诊断模型的轻量化。
通过上一实施例虽然能够实现轴承故障诊断模型的轻量化，但是逐个模块进行消融实验，效率较低。为了进一步提高对轴承故障诊断模型的精简效率，可以根据模块组对轴承故障诊断模型的实际贡献，对整组的模块进行消融，从而提高消融实验的效率。由此，通过以下实施例来解决上述问题。
请参见图9，是本申请实施例提供的又一种基于迁移学习的轴承故障诊断模型训练方法流程图。如图9所示，该基于迁移学习的轴承故障诊断模型训练方法包括：S901-S912。
S901：分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前。
S902：从每个第一运行数据集中随机选取目标第一运行数据。
S903：分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值。
S904：对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值。
S905：判断分布特性差异值加权和值是否满足预设条件，响应于分布特性差异值加权和值满足预设条件，执行步骤S906；响应于分布特性差异值加权和值未满足预设条件，返回执行步骤S902。
S906：以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本实施例中步骤S901至S906与本申请实施例中的步骤S101至106相同，为了简要起见，在此不再详细描述。
以下步骤S907至S912将对应于本申请实施例中S507，具体描述如何通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型。
针对目标模块组分别执行以下操作，目标模块组为多个模块组中的至少一个模块组：
S907：从轴承故障诊断模型中去除目标模块组，得到第一实验模型。
可以理解的是，消融实验的基本原理为以控制变量的形式来验证模型中的模块组对模型的贡献度，根据贡献度来确定是否保留该模块组。因此可以将目标模块组从轴承故障诊断模型中去除，以得到第一实验模型，以用于后续对该目标模块组贡献度进行验证。
S908：将第二运行数据集中的数据分别输入到第一实验模型和轴承故障诊断模型中，对应得到第一实验模型输出的第一预测结果和轴承故障诊断模型输出的第二预测结果。
需要说明的是，为了验证目标模块组在轴承故障诊断模型中所起作用的大小，需要将轴承故障诊断模型去除目标模块组前的预测效果与去除目标模块组后的预测效果进行差异比较。如果将轴承故障诊断模型去除目标模块组后，其预测效果与去除目标模块组前的预测效果差异不大，或者其预测效果比去除目标模块组前的预测效果还要差，则说明该目标模块组对轴承故障诊断模型的贡献度较低，可以将其去除。
作为一种示例，将第二运行数据集输入到第一实验模型，得到第一实验模型输出的第一预测结果，将第二运行数据集输入到轴承故障诊断模型，得到轴承故障诊断模型输出的第二预测结果。
S909：分别计算第一预测结果与第一期望故障预测结果之间的第一损失值，以及第二预测结果与第一期望故障预测结果之间的第二损失值。
在本申请实施例中，第一期望故障预测结果是第二运行数据集对应的期望轴承故障结果。也就是第二数据集对应的轴承是否出现故障的真实结果。
S910：计算第一损失值与第二损失值的第一差异指标值。
可以理解的是，为了确定第一预测结果与第二预测结果之间的差异，可以分别计算第一预测结果与第一期望故障预测结果之间的第一损失值，以及第二预测结果与第一期望故障预测结果之间的第二损失值，根据第一损失值与第二损失值之间的差异来确定目标模块组对于轴承故障诊断模型的实际贡献。
在本申请一些实施例中，可以计算第一损失值与第二损失值的差值，以得到第一差异指标值。
在本申请另一些实施例中，可以计算第一损失值与第二损失值的比值，以得到第一差异指标值。
S911：根据第一差异指标值确定目标模块组的第一贡献度。
在本申请实施例中，第一贡献度与差异指标值呈正相关。
可以理解的是，第一损失值与第二损失值之间的差异越大，证明第一实验模型的预测效果相比于轴承故障诊断模型的预测效果差异越大。举例来说，将第二损失值与第一损失值相减得到第一差异指标值，由于第一贡献度与差异指标值呈正相关，因此第一差异指标值越大，说明第一贡献度越高。
S912：基于每个模块组各自的第一贡献度对轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
其中，S912，基于每个模块组各自的第一贡献度对轴承故障诊断模型中的多个模块组进行消融处理，可以包括：
针对每个模块组，比较模块组的第一贡献度与第二预设阈值之间的大小关系；
响应于第一贡献度大于或者等于第二预设阈值，保留模块组；
响应于第一贡献度小于第二预设阈值，对模块组进行消融处理。
这里，第二预设阈值可以是根据实际需求预设的阈值，若第一贡献度大于或者等于第二预设阈值，说明该模块组对于轴承故障诊断模块的贡献符合预设期望，保留该模块组；若第一贡献度小于第二预设阈值，说明该模块组对于轴承故障诊断模块的贡献低于预设期望，对模块组进行消融处理，从而使轴承故障诊断模块更加轻量化。
以上为本实施例提供的基于迁移学习的轴承故障诊断模型训练方法，该方法通过控制变量的方式分别确定每个模块组对于轴承故障诊断模型的贡献度，将贡献度不满足预设条件的模块组进行消融处理，从而提高了对轴承故障诊断模型中的模块进行精简的效率。
基于上述实施例提供的基于迁移学习的轴承故障诊断模型训练方法，结合附图10介绍本申请实施例提供的基于迁移学习的轴承故障诊断模型训练装置的具体实施方式。
参见图10，为本申请实施例提供的一种基于迁移学习的轴承故障诊断模型训练装置的结构示意图，该基于迁移学习的轴承故障诊断模型训练装置1000包括：
获取模块1001，用于分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的轴承的第二运行数据集；其中，多个第一采集周期均在第二采集周期之前；
选取模块1002，用于从每个第一运行数据集中随机选取目标第一运行数据；
确定模块1003，用于分别确定第二运行数据集与每个目标第一运行数据之间的分布特性差异值；
加权求和模块1004，用于对多个分布特性差异值进行加权求和，得到分布特性差异值加权和值；
训练模块1005，用于响应于分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型。
本申请实施例提供的上述基于迁移学习的轴承故障诊断模型训练装置，通过计算第二运行数据集的分布特性与每个第一运行数据集的分布特性之间的分布特性差异值，对多个分布特性差异值进行加权求和，得到了能够用于衡量第二运行数据集与多个第一运行数据集之间的分布特性差异大小的分布特性差异值加权和值。由于多个第一采集周期均在第二采集周期之后，因此多个第一运行数据集相当于轴承的历史运行数据集，第二运行数据集相当于新采集的轴承运行数据集。故而，根据分布特性差异值加权和值在多个历史运行数据集中找到与多个新采集的轴承运行数据分布特性差异较小的历史运行数据，基于该历史运行数据和新采集的轴承运行数据对轴承故障预测模型进行训练，从而增加了轴承故障预测模型的训练数据量，进而使轴承故障预测模型能够不断适配变化的数据分布特性，有效提高了对轴承故障预测的准确性。
作为本申请的一种实现方式，为了在第一运行数据集中找到符合第二运行数据集分布特性的数据，上述装置还可以包括：
返回执行模块，用于响应于分布特性差异值加权和值未满足预设条件，返回执行从每个第一运行数据集中随机选取目标第一运行数据的步骤。
作为本申请的一种实现方式，为了进一步提高轴承故障诊断模型对轴承故障预测的准确性，上述装置还可以包括：
获取模块，用于获取在第三采集周期采集到的轴承的第三运行数据集；其中，第三采集周期在第二采集周期之后；
优化模块，用于基于第三运行数据集对轴承故障诊断模型进行优化，得到优化后的轴承故障诊断模型。
作为本申请的一种实现方式，为了减小由于多个分布特性差异值各自对应的目标第一运行数据在其所属第二运行数据集中占比的不同导致的误差，上述装置还可以包括：
比值模块，用于针对每个目标第一运行数据，分别执行：计算目标第一运行数据的数量与其所属数据集中的数据总数量的比值，得到权重；
加权求和模块，用于利用权重分别对各自对应的分布特性差异值进行加权求和，得到分布特性差异值加权和值。
作为本申请的一种实现方式，为了实现对轴承故障诊断模型中的模块进行精简，实现轴承故障诊断模型的轻量化，上述装置还可以包括：
消融模块，用于通过消融实验对轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型。
其中，在本申请实施例中，轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个压缩和激励SE模块，且所属同一模块组中的SE模块位于至少一个Ghost模块之后。
作为本申请的一种实现方式，为了提高对轴承故障诊断模型中多个SE模块和多个Ghost模块进行消融处理的效率，上述消融模块可以包括：
第一去除子模块，用于从轴承故障诊断模型中去除目标模块组，得到第一实验模型；
第一预测子模块，用于将第二运行数据集中的数据分别输入到第一实验模型和轴承故障诊断模型中，对应得到第一实验模型输出的第一预测结果和轴承故障诊断模型输出的第二预测结果；
第一计算子模块，用于分别计算第一预测结果与第一期望故障预测结果之间的第一损失值，以及第二预测结果与第一期望故障预测结果之间的第二损失值；第一期望故障预测结果是第二运行数据集对应的期望轴承故障结果；
第二计算子模块，用于计算第一损失值与第二损失值的第一差异指标值；
第一确定子模块，用于根据第一差异指标值确定目标模块组的第一贡献度；其中，第一贡献度与差异指标值呈正相关；
第一消融子模块，用于基于每个模块组各自的第一贡献度对轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
作为本申请的一种实现方式，为了确定第一差异指标值，上述第二计算子模块具体可以用于：计算第一损失值与第二损失值的差值，得到第一差异指标值；或者，计算第一损失值与第二损失值的比值，得到第一差异指标值。
作为本申请的一种实现方式，为了确定每个模块组对轴承故障诊断模型的实际贡献，上述消融子模块具体可以用于：针对每个模块组，比较模块组的第一贡献度与第二预设阈值之间的大小关系；响应于第一贡献度大于或者等于第二预设阈值，保留模块组；响应于第一贡献度小于第二预设阈值，对模块组进行消融处理。
作为本申请的一种实现方式，为了实现轴承故障诊断模型的轻量化，上述消融模块还可以包括：
第二去除子模块，用于从轴承故障诊断模型中去除目标模块，得到第二实验模型；目标模块为多个SE模块和多个Ghost模块中的至少一个模块；
第二预测子模块，用于将第二运行数据集中的数据分别输入到第二实验模型和轴承故障诊断模型中，对应得到第二实验模型输出的第三预测结果和轴承故障诊断模型输出的第四预测结果；
第三计算子模块，用于分别计算第三预测结果与第二期望故障预测结果之间的第三损失值，以及第四预测结果与第二期望故障预测结果之间的第四损失值；
第四计算子模块，用于计算第三损失值与第四损失值的第二差异指标值；
第二确定子模块，用于根据第二差异指标值确定目标模块的第二贡献度；其中，第二贡献度与第二差异指标值呈正相关；
第二消融子模块，用于基于每个模块各自的第二贡献度对轴承故障诊断模型中的多个模块进行消融处理，以得到简化后的轴承故障诊断模型。
图11是本申请实施例提供的基于迁移学习的轴承故障诊断模型训练的硬件结构示意图。
在基于迁移学习的轴承故障诊断模型训练设备可以包括处理器1101以及存储有计算机程序指令的存储器1102。
具体地，上述处理器1101可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1102可包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1102可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1102可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1102是非易失性固态存储器。
存储器可包括只读存储器（ROM），随机存取存储器（RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）计算机可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器1101通过读取并执行存储器1102中存储的计算机程序指令，以实现上述实施例中的任意一种基于迁移学习的轴承故障诊断模型训练方法。
在一个示例中，基于迁移学习的轴承故障诊断模型训练设备还可包括通信接口1103和总线1110。其中，如图11所示，处理器1101、存储器1102、通信接口1103通过总线1110连接并完成相互间的通信。
通信接口1103，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1110包括硬件、软件或两者，将基于迁移学习的轴承故障诊断模型训练设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、外围组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1110可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该基于迁移学习的轴承故障诊断模型训练设备可以基于当前已拦截的垃圾短信以及用户举报的短信执行本申请实施例中的基于迁移学习的轴承故障诊断模型训练方法，从而实现结合图1和图3描述的基于迁移学习的轴承故障诊断模型训练。
另外，结合上述实施例中的基于迁移学习的轴承故障诊断模型训练方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于迁移学习的轴承故障诊断模型训练方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种基于迁移学习的轴承故障诊断模型训练方法，其特征在于，包括：
分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的所述轴承的第二运行数据集；其中，所述多个第一采集周期均在所述第二采集周期之前；
从每个所述第一运行数据集中随机选取目标第一运行数据；
分别确定所述第二运行数据集与每个目标第一运行数据之间的分布特性差异值；
对多个所述分布特性差异值进行加权求和，得到分布特性差异值加权和值；
响应于所述分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和所述第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型；
所述轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个压缩和激励SE模块，且所属同一模块组中的SE模块位于所述至少一个Ghost模块之后；在所述响应于所述分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和所述第二运行数据集作为训练样本，对机器学习模型进行训练之后，所述方法还包括：
通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型；
所述通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型，包括：
针对目标模块组分别执行以下操作，所述目标模块组为所述多个模块组中的至少一个模块组：
从所述轴承故障诊断模型中去除所述目标模块组，得到第一实验模型；
将所述第二运行数据集中的数据分别输入到所述第一实验模型和所述轴承故障诊断模型中，对应得到所述第一实验模型输出的第一预测结果和所述轴承故障诊断模型输出的第二预测结果；
分别计算所述第一预测结果与第一期望故障预测结果之间的第一损失值，以及所述第二预测结果与第一期望故障预测结果之间的第二损失值；所述第一期望故障预测结果是所述第二运行数据集对应的期望轴承故障结果；
计算所述第一损失值与第二损失值的第一差异指标值；
根据所述第一差异指标值确定所述目标模块组的第一贡献度；其中，所述第一贡献度与所述差异指标值呈正相关；
基于每个模块组各自的第一贡献度对所述轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
2.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，还包括：
响应于所述分布特性差异值加权和值未满足预设条件，返回执行所述从每个所述第一运行数据集的第一运行数据中随机选取目标第一运行数据 的步骤。
3.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，还包括：
获取在第三采集周期采集到的所述轴承的第三运行数据集；其中，所述第三采集周期在所述第二采集周期之后；
基于所述第三运行数据集对所述轴承故障诊断模型进行优化，得到优化后的轴承故障诊断模型。
4.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，所述对多个所述分布特性差异值进行加权求和，得到分布特性差异值加权和值，包括：
针对每个目标第一运行数据，分别执行：计算目标第一运行数据的数量与其所属数据集中的数据总数量的比值，得到权重；
利用所述权重分别对各自对应的所述分布特性差异值进行加权求和，得到分布特性差异值加权和值。
5.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，所述分布特性差异值加权和值满足预设条件包括：
所述分布特性差异值加权和值大于或者等于第一预设阈值。
6.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，所述计算所述第一损失值与第二损失值的第一差异指标值，包括：
计算所述第一损失值与第二损失值的差值，得到所述第一差异指标值；或者，
计算所述第一损失值与第二损失值的比值，得到所述第一差异指标值。
7.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，所述基于每个模块组各自的贡献度对所述轴承故障诊断模型中的多个模块组进行消融处理，包括：
针对每个模块组，比较所述模块组的第一贡献度与第二预设阈值之间的大小关系；
响应于所述第一贡献度大于或者等于所述第二预设阈值，保留所述模块组；
响应于所述第一贡献度小于所述第二预设阈值，对所述模块组进行消融处理。
8.根据权利要求1所述的基于迁移学习的轴承故障诊断模型训练方法，其特征在于，所述通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型，还包括：
针对目标模块分别执行以下操作：
从所述轴承故障诊断模型中去除所述目标模块，得到第二实验模型；所述目标模块为多个SE模块和多个Ghost模块中的至少一个模块；
将所述第二运行数据集中的数据分别输入到所述第二实验模型和所述轴承故障诊断模型中，对应得到第二实验模型输出的第三预测结果和所述轴承故障诊断模型输出的第四预测结果；
分别计算所述第三预测结果与第二期望故障预测结果之间的第三损失值，以及所述第四预测结果与第二期望故障预测结果之间的第四损失值；
计算所述第三损失值与第四损失值的第二差异指标值；
根据所述第二差异指标值确定所述目标模块的第二贡献度；其中，所述第二贡献度与所述第二差异指标值呈正相关；
基于每个模块各自的第二贡献度对所述轴承故障诊断模型中的多个模块进行消融处理，以得到简化后的轴承故障诊断模型。
9.一种基于迁移学习的轴承故障诊断模型训练装置，其特征在于，包括：
获取模块，用于分别获取在多个第一采集周期采集到的轴承的第一运行数据集，以及在第二采集周期采集到的所述轴承的第二运行数据集；其中，所述多个第一采集周期均在所述第二采集周期之前；
选取模块，用于从每个所述第一运行数据集中随机选取目标第一运行数据；
确定模块，用于分别确定所述第二运行数据集与每个目标第一运行数据之间的分布特性差异值；
加权求和模块，用于对多个所述分布特性差异值进行加权求和，得到分布特性差异值加权和值；
训练模块，用于响应于所述分布特性差异值加权和值满足预设条件，以多个目标第一运行数据和所述第二运行数据集作为训练样本，对机器学习模型进行训练，得到轴承故障诊断模型；
所述轴承故障诊断模型包括多个模块组，每个模块组包括串行连接的至少一个Ghost模块和一个压缩和激励SE模块，且所属同一模块组中的SE模块位于所述至少一个Ghost模块之后；
所述装置还包括：
消融模块，用于通过消融实验对所述轴承故障诊断模型中的多个SE模块和多个Ghost模块进行消融处理，以得到简化后的轴承故障诊断模型；
所述消融模块包括：
第一去除子模块，用于从所述轴承故障诊断模型中去除目标模块组，得到第一实验模型；
第一预测子模块，用于将所述第二运行数据集中的数据分别输入到所述第一实验模型和所述轴承故障诊断模型中，对应得到所述第一实验模型输出的第一预测结果和所述轴承故障诊断模型输出的第二预测结果；
第一计算子模块，用于分别计算所述第一预测结果与第一期望故障预测结果之间的第一损失值，以及所述第二预测结果与第一期望故障预测结果之间的第二损失值；所述第一期望故障预测结果是所述第二运行数据集对应的期望轴承故障结果；
第二计算子模块，用于计算所述第一损失值与第二损失值的第一差异指标值；
第一确定子模块，用于根据所述第一差异指标值确定所述目标模块组的第一贡献度；其中，所述第一贡献度与所述差异指标值呈正相关；
第一消融子模块，用于基于每个模块组各自的第一贡献度对所述轴承故障诊断模型中的多个模块组进行消融处理，以得到简化后的轴承故障诊断模型。
10.一种基于迁移学习的轴承故障诊断模型训练设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的基于迁移学习的轴承故障诊断模型训练方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的基于迁移学习的轴承故障诊断模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760426.6A CN116502131B (zh) | 2023-06-26 | 2023-06-26 | 基于迁移学习的轴承故障诊断模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760426.6A CN116502131B (zh) | 2023-06-26 | 2023-06-26 | 基于迁移学习的轴承故障诊断模型训练方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502131A CN116502131A (zh) | 2023-07-28 |
| CN116502131B true CN116502131B (zh) | 2023-11-24 |
Family
ID=87325125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310760426.6A Active CN116502131B (zh) | 2023-06-26 | 2023-06-26 | 基于迁移学习的轴承故障诊断模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502131B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958130B (zh) * | 2023-09-18 | 2024-01-05 | 深圳市赛特新能科技有限公司 | 一种基于机器学习的车辆检测系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707041A (zh) * | 2022-04-11 | 2022-07-05 | 中国电信股份有限公司 | 消息推荐方法、装置、计算机可读介质及电子设备 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004328A (zh) * | 2020-07-27 | 2022-02-01 | 华为技术有限公司 | Ai模型更新的方法、装置、计算设备和存储介质 |
-
2023
- 2023-06-26 CN CN202310760426.6A patent/CN116502131B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707041A (zh) * | 2022-04-11 | 2022-07-05 | 中国电信股份有限公司 | 消息推荐方法、装置、计算机可读介质及电子设备 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Automatically Designing Network-Based Deep Transfer Learning Architectures Based on Genetic Algorithm for In-Situ Tool Condition Monitoring;Yuekai Liu 等;IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS;第69卷(第9期);第9483-9493页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502131A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502131B (zh) | 基于迁移学习的轴承故障诊断模型训练方法及装置 | |
| JP7294369B2 (ja) | 情報処理に用いられる方法、装置、電子機器及びプログラム | |
| TWI710970B (zh) | 無監督模型評估方法、裝置、伺服器及可讀儲存媒體 | |
| CN117872166B (zh) | 储能电池热失控检测方法、装置及电子设备 | |
| Kim et al. | Urban traffic prediction using congestion diffusion model | |
| CN103699650A (zh) | 消息传播预测方法及装置 | |
| CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
| CN117791856A (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
| CN113837289A (zh) | 模型训练方法、故障预测方法、装置及电子设备 | |
| CN113627730A (zh) | 一种企业评估方法、装置、设备及计算机存储介质 | |
| CN113408804A (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
| CN112287855A (zh) | 基于多任务神经网络的驾驶行为检测方法和装置 | |
| CN116468116A (zh) | 模型搜索方法、装置、芯片、电子设备及计算机存储介质 | |
| CN116633758A (zh) | 基于全异构元对比学习模型的网络故障预测方法及系统 | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
| CN109740214B (zh) | 翻转计数模型构建的方法和装置 | |
| CN115757664B (zh) | 一种耦合转移熵和hits算法的sdg指标间因果关系挖掘方法 | |
| Zhang et al. | Differentiable sampling based efficient architecture search for automatic fault diagnosis | |
| CN115600131B (zh) | 基于图形化测试平台的自动测试系统 | |
| CN117391220A (zh) | 一种模型构建方法、装置、设备及计算机存储介质 | |
| CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
| CN118427617A (zh) | 一种基于时间序列的电机健康状态预测方法 | |
| CN116431787A (zh) | 回复信息的确定方法、装置、设备及计算机存储介质 |
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 |