CN116522070A - 一种机械零部件无监督智能故障诊断方法及系统 - Google Patents
一种机械零部件无监督智能故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116522070A CN116522070A CN202310263292.7A CN202310263292A CN116522070A CN 116522070 A CN116522070 A CN 116522070A CN 202310263292 A CN202310263292 A CN 202310263292A CN 116522070 A CN116522070 A CN 116522070A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- model
- domain
- intelligent fault
- data
- 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 94
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims abstract description 12
- 230000005012 migration Effects 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 230000006978 adaptation Effects 0.000 abstract description 2
- 230000008485 antagonism Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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 And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种机械零部件无监督智能故障诊断方法及系统，涉及智能故障诊断技术领域，包括：制作旋转机械无监督智能故障诊断数据集，搭建旋转机械无监督智能故障诊断模型；训练无监督智能故障诊断模型，设计综合考虑基于映射和基于对抗的损失函数作为优化目标；评估模型，输入测试集样本，输出预测结果，得到在无监督前提下模型将源域知识迁移至目标域时的表现效果。本发明提供的机械零部件无监督智能故障诊断方法着重优化模型的骨干网络和域适应学习方式，提升模型性能，完善特征工程，综合考虑分类损失、映射域迁移损失及对抗域迁移损失的反向优化过程，使模型准确程度得到提升，无需额外的硬件设施，降低了使用成本。
Description
技术领域
本发明涉及智能故障诊断技术领域，具体为一种机械零部件无监督智能故障诊断方法及系统。
背景技术
制造业对生产加工精度有着较为严苛的要求，但旋转机械长时间运行总会不可避免的出现故障，影响加工过程质量，并伴随有损坏设备的风险。因此，对加工过程进行有效的故障诊断和监测尤为重要，即故障预测与健康管理(Prognostics Health Management,PHM)。融入了机器学习的智能制造方法及手段正引领制造业的变革。其中，智能故障诊断方法已成为PHM领域的研究热点。这类方法通过使用深度学习模型(如卷积神经网络、循环神经网络、自动编码器等)，避免了传统的机械学习方法(如SVM、随机森林等)手动提取时域及频域特征的局限性，凭借端到端的方式自适应获取特征中的高质量信息，准确、高效地输出诊断结果。
深度学习在智能故障诊断中的有效性基于以下两个假设：有大量标记数据；源域中训练数据集的故障模式与目标域中测试数据集的故障模式相同(在数学上，训练数据集(源域)应与测试数据集(目标域)遵循相同的分布)。然而，实验室中获取的训练数据集与实际工业设备中生成的数据并不完全一致。如果使用这些数据集对深度学习模型进行训练，则它们可能会过度拟合训练数据集，从而导致对实际工业应用(尤其是对于未在模型中进行训练的新条件)的概括性较弱。此外，在实际应用中，机器通常在各种工作条件下运行，这需要适应工作条件变化的训练模型。这两个方面使得智能故障诊断应用场景受限，相关方法发展阻滞。
因此亟需一种机械零部件无监督智能故障诊断方法，解决无法构建大规模的故障诊断数据集用以支撑深度学习模型的训练需求时，提高深度学习方法在智能故障诊断领域的可行性和有效性。
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。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：在无法构建大规模的故障诊断数据集用以支撑深度学习模型的训练需求时，提高深度学习方法在智能故障诊断领域的可行性和有效性。
为解决上述技术问题，本发明提供如下技术方案：一种机械零部件无监督智能故障诊断方法，包括：
制作旋转机械无监督智能故障诊断数据集，搭建旋转机械无监督智能故障诊断模型；
训练无监督智能故障诊断模型，设计综合考虑基于映射和基于对抗的损失函数作为优化目标；
评估模型，输入测试集样本，输出预测结果，得到在无监督前提下模型将源域知识迁移至目标域时的表现效果。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述故障诊断数据集包括：将数据集划分为源域和目标域，并将其分为训练集和测试集。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述故障诊断模型包括：主干特征提取网络、领域自适应迁移算法。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述主干特征提取网络包括：
以一维残差卷积网络为基础，融合空洞卷积单元、Shrinkage降噪单元、Non-LocalBlock单元；
所述空洞卷积单元包括采用使用两种扩张率的卷积核对振动信号进行特征提取，通过感受野判断模型能否学习振动信号多的多尺度特征；
所述Shrinkage降噪单元包括通过反向传播算法自动优化得到所使用的降噪滤波器参数，通过软阈值化和深度学习相结合的方式消除噪声信息并提取有效特征；
所述Non-LocalBlock单元包括通过构建一种兼备结构简单、可直接嵌入到任何深度网络中的非局部操作算子，用来捕获时间、空间和时空数据长范围特征间的联系；
所述领域自适应迁移算法包括综合考虑源域数据的分类损失PolyLoss-CE、联合最大平均差异和条件领域对抗网络相应数值。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述感受野表示为：
其中，RFl+1为当前特征图的感受野大小；RFl为前一层特征图对应的感受野大小；fl+1表示当前卷积核大小；si为第i个卷积层的步长，a为扩张率。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述Non-LocalBlock单元，表示为：
其中，x为输入的feature map，i与j为索引值，f函数计算i与j的相似度，g函数计算位置j处feature map的相应表示，C(x)为响应因子；
所述损失函数表示为，
其中，LCE为标准的交叉熵损失；ξ为多项式系数；y与分别为真实故障标签及标签分类网络Gy的预测输出；
JMMD重点考虑与输出特征的联合概率分布表示为，
其中，Hk为使用内核k的RKHS(通常为高斯核)；E为数学期望；xs和xt分别为源域和目标域的数据分布；为特征张量积在希尔伯特空间的映射；L是指定的高维特征输出层；zsl和ztl分别为源域及目标域第l层的激活；
设z为特征空间，该框架主要由特征映射网络标签分类网络Gy(z；θy)及域判别网络Gd(z；θd)构成，CDAN损失值表示为：
w(H(p))＝1+e-H(p)
其中，Gf将源域及目标域的数据都映射到一个特征空间中；Gy预测源域标签y，使用标准的交叉熵计算损失，Gd预测特征的来源，即源域或目标域。Gd目的旨在使源域和目标域的数据在z中分布一致，表示外积运算，pc为域标签；
将无监督智能故障诊断模型的损失函数表示为，
LUFD＝LPoly-CE+λ1LJMMD+λ2LCDAN。
作为本发明所述的机械零部件无监督智能故障诊断方法的一种优选方案，其中，所述训练无监督智能故障诊断模型包括：
输入训练集数据作为模型特征学习样本，每训练一个Epoch输入测试数据作为模型评估和验证样本，改进模型参数；
所述评估预测模型包括，使用整体准确度和平均准确度作为相关指标；
在最后10个Epoch内使用平均精度和最大精度指标；
在模型达到最佳性能后的10个Epoch内，使用阶段的平均精度和最大精度指标。
本发明的另外一个目的是提供一种机械零部件无监督智能故障诊断系统其能通过设计一种端到端的高效特征提取网络，解决了如何在最大化保留特征原始信息的前提下降低噪声的问题。
为解决上述技术问题，本发明提供如下技术方案：一种机械零部件无监督智能故障诊断系统，包括：
数据采集模块，故障诊断模块，控制模块，显示模块；
作为本发明所述的机械零部件无监督智能故障诊断系统的一种优选方案，其中，所述数据采集模块是获取设备数据的装置，用于以固定频率采集旋转设备振动信号，完成后上传至故障诊断模块；
作为本发明所述的机械零部件无监督智能故障诊断系统的一种优选方案，其中，所述故障诊断模块是通过数据进行诊断的装置，用于接收数据采集模块上传的数据，并计算得到当前旋转设备的故障情况并在显示模块上显示；
作为本发明所述的机械零部件无监督智能故障诊断系统的一种优选方案，其中，所述控制报警模块是根据诊断信息进行报警的装置，用于接收故障诊断模块传递的故障诊断信息，当出现故障时，启动报警设备并播放相关提示语音；
作为本发明所述的机械零部件无监督智能故障诊断系统的一种优选方案，其中，所述显示模块是显示设备故障情况的装置，用于通过总线连接数据采集模块，故障诊断模块，控制模块，报警模块。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明的有益效果：本发明提供的机械零部件无监督智能故障诊断方法以深度学习和域自适应理论为基础，在数据集非完备(仅包含源域训练样本)的前提下将特征学习能力进行迁移，不断减小源域与目标域之间的分布差异，以此基于源域数据搭建一个具有域不变特性的强鲁棒预测模型。
着重优化模型的骨干网络和域适应学习方式，融合空洞卷积单元、Shrinkage降噪单元、Non-LocalBlock单元，分别从全局特征感受野、信号自适应降噪、抑制长范围特征信息损失的角度提升模型性能，完善特征工程。
此外，综合考虑分类损失、映射域迁移损失及对抗域迁移损失的反向优化过程，使模型准确程度得到提升。可直接在个人计算机、嵌入式设备上运行，无需额外的硬件设施，且使用方法简单，降低了使用成本，非常利于在任何条件下部署和实施。
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提供的一种机械零部件无监督智能故障诊断方法的整体流程图。
图2为本发明第二个实施例提供的一种机械零部件无监督智能故障诊断系统的整体结构图。
图3为本发明第四个实施例提供的一种机械零部件无监督智能故障诊断方法在CWRU数据集总体对比实验效果图；
图4为本发明第四个实施例提供的一种机械零部件无监督智能故障诊断方法在PU数据集总体对比结果图；
图5为本发明第四个实施例提供的一种机械零部件无监督智能故障诊断方法在PHM数据集总体对比结果图；
图6为本发明第四个实施例提供的一种机械零部件无监督智能故障诊断方法在JNU数据集总体对比结果图。
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，为本发明的一个实施例，提供了一种机械零部件无监督智能故障诊断方法，包括：
制作旋转机械无监督智能故障诊断数据集，搭建旋转机械无监督智能故障诊断模型；
故障诊断数据集包括：
使用国际上公开的领域数据集进行算法性能的比较和评估；
将每个数据集依据工况划分出源域和目标域数据，并以源域和目标域数据的80％作为训练集，余下20％作为测试集；
训练过程中每迭代一遍数据集将使用测试集进行一次验证，以掌握训练过程中是否发生过拟合现象。
故障诊断模型包括：主干特征提取网络、领域自适应迁移算法。
训练无监督智能故障诊断模型，设计综合考虑基于映射和基于对抗的损失函数作为优化目标；
主干特征提取网络包括：
以一维残差卷积网络为基础，融合空洞卷积单元、Shrinkage降噪单元、Non-LocalBlock单元；
空洞卷积单元包括采用使用两种扩张率的卷积核对振动信号进行特征提取，通过感受野判断模型能否学习振动信号多的多尺度特征；
Shrinkage降噪单元包括通过反向传播算法自动优化得到所使用的降噪滤波器参数，通过软阈值化和深度学习相结合的方式消除噪声信息并提取有效特征；
Non-LocalBlock单元包括通过构建一种兼备结构简单、可直接嵌入到任何深度网络中的非局部操作算子，用来捕获时间、空间和时空数据长范围特征间的联系；
领域自适应迁移算法包括综合考虑源域数据的分类损失PolyLoss-CE、联合最大平均差异和条件领域对抗网络相应数值。
在主干特征提取网络中，设计Shrinkage降噪单元，通过反向传播算法自动优化得到使用的降噪滤波器参数，通过软阈值化和深度学习相结合的方式消除噪声信息并提取有效特征。
Shrinkag单元首先将全局平均池化被应用在特征图中，来获得一维特征向量；此后，将该向量输入至两层的全连接网络中，获得一个尺度化参数，并通过Sigmoid函数将其归一化；最后，将尺度化参数乘以先前的一维向量通道均值作为阈值。
当一定数量的Bottleneck均加入该种滤波器后，信号中噪声相关的特征将被逐渐削减。
感受野表示为：
其中，RFl+1为当前特征图的感受野大小；RFl为前一层特征图对应的感受野大小；fl+1表示当前卷积核大小；si为第i个卷积层的步长。可以看出RFl+1与RFl、fl+1及si的取值密切相关。空洞卷积巧妙地做到在不增加参数的前提下增大感受野。其核心思想在于引入名为“扩张率(dilation rate)”的超参数(hyper-parameter)，该参数定义了卷积核中各实际数值的间距，间隔处以零值填充。则融入了该思想的感受野计算公式可表示为：
其中，a为扩张率。当a数值改变时，感受野将会改变。不同于起到相似作用的池化层，空洞卷积在扩大感受野的同时不丢失分辨率，且保持像素的相对空间位置不变。
在主干特征提取网络中，设计Non-LocalBlock单元，特征在于，该模块通过构建一种兼备结构简单、可直接嵌入到任何深度网络中的非局部操作算子，用来捕获时间(一维时序信号)、空间(图片)和时空(视频序列)数据长范围特征间的联系。其只需要很少的计算量即可捕获长范围的特征，在作用期间保证特征输入尺度与输出尺度的一致性，具备很强的普适性。
Non-LocalBlock单元，表示为：
其中，x为输入的feature map，i与j为索引值，f函数计算i与j的相似度，g函数计算位置j处feature map的相应表示，C(x)为响应因子；
综合考虑源域数据的分类损失，联合最大平均差异(Joint Maximum MeanDiscrepancy,JMMD)及条件领域对抗网络(Conditional Domain Adversarial Network,CDAN)的数值，以基于映射和基于对抗的方法共同组成模型的优化目标。不同于传统的交叉熵损失，此处源域数据的分类损失将使用PolyLoss-CE。PolyLoss-CE将交叉熵设计为多项式函数的线性组合，通过泰勒展开来逼近该损失函数，已在多类深度学习任务上取得了优于原损失函数的效果。
损失函数表示为，
其中，LCE为标准的交叉熵损失；ξ为多项式系数；y与分别为真实故障标签及标签分类网络Gy的预测输出；
JMMD重点考虑与输出特征的联合概率分布表示为，
其中，Hk为使用内核k的RKHS，通常为高斯核；E为数学期望；xs和xt分别为源域和目标域的数据分布；为特征张量积在希尔伯特空间的映射；L是指定的高维特征输出层；zsl和ztl分别为源域及目标域第l层的激活；
设z为特征空间，该框架主要由特征映射网络标签分类网络Gy(z；θy)及域判别网络Gd(z；θd)构成，CDAN损失值表示为：
w(H(p))＝1+e-H(p)
其中，Gf将源域及目标域的数据都映射到一个特征空间中；Gy预测源域标签y，使用标准的交叉熵计算损失，Gd预测特征的来源，即源域或目标域。Gd目的旨在使源域和目标域的数据在z中分布一致，表示外积运算，pc为域标签；
将无监督智能故障诊断模型的损失函数表示为，
LUFD＝LPoly-CE+λ1LJMMD+λ2LCDAN。
训练无监督智能故障诊断模型包括：
输入训练集数据作为模型特征学习样本，每训练一个Epoch输入测试数据作为模型评估和验证样本，改进模型参数；
评估模型，输入测试集样本，输出预测结果，得到在无监督前提下模型将源域知识迁移至目标域时的表现效果。
评估预测模型包括，使用整体准确度和平均准确度作为相关指标；
在最后10个Epoch内使用平均精度和最大精度指标；
在模型达到最佳性能后的10个Epoch内，使用阶段的平均精度和最大精度指标。
实施例2
参照图2，为本发明的一个实施例，提供了一种机械零部件无监督智能故障诊断系统，包括：
数据采集模块100，故障诊断模块200，控制模块300，显示模块400；
数据采集模块100是获取设备数据的装置，用于以固定频率采集旋转设备振动信号，完成后上传至故障诊断模块200；
故障诊断模块200是通过数据进行诊断的装置，用于接收数据采集模块100上传的数据，并计算得到当前旋转设备的故障情况并在显示模块400上显示；
控制报警模块300是根据诊断信息进行报警的装置，用于接收故障诊断模块200传递的故障诊断信息，当出现故障时，启动报警设备并播放相关提示语音；
显示模块500是显示设备故障情况的装置，用于通过总线连接数据采集模块100，故障诊断模块200，控制模块300，报警模块400。
实施例3
本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例4
参照图3-6，为本发明的一个实施例，提供了一种机械零部件无监督智能故障诊断方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
目前大多数研究都是采用基于监督学习方法实现智能故障诊断，存在如下问题：
从加工中心工作区采集的振动信号往往包含大量噪声，这类含噪信号如果直接输入深度神经网络中将直接导致模型特征学习能力下降，对预测精度造成负面影响。通常情况下将对含噪信号进行相应预处理，但这无疑增加了预处理工作的不确定性。怎样设计一种端到端的高效特征提取网络，在最大化保留特征原始信息的前提下降低噪声影响尤为重要。
柔性化生产过程具有较多的变化因素，主要包括加工零件种类不一致、原材料不一致、工况不一致、加工设备种类不一致等。实际上获得每一种工况下完备的数据集用于深度模型训练非常困难，甚至是不现实的。
本实施例中，对本发明的方法进行具体的模拟实验，在预设好的同等的实验环境下，针对上述实施例算法，与一些主流的深度学习电力负荷预测结构进行了比较，衡量算法的经济效益，实验结果如图3-4所示：
具体实验结果如图3-6所示，ResNet18、ResNet50、融合降噪注意力机制的TCN、CNN+BiLSTM+ECA_Attention、CNN+BiGRU+Coord_Attention以及本文提出模型依次命名为A、B、C、D、E、F。
展现了对比实验中的每个模型在不同数据集中局部迁移及全局迁移效果。整体来看，模型F在四个公共数据集上综合性能表现最优，仅在CWRU中略逊色于A。
四个数据集上F相较于其它模型的表现结果可概述如下：
在CWRU数据集中，Best-Max、Best-Mean、Last-Max、Last-Mean4项指标总体提升区间为0％-1.06％、0.03％-4.46％、-0.64％-4.44％、-0.26％-4.68％；
在PU数据集中，4项指标总体提升区间为10.02％-32.63％、10.89％-33.31％、9.15％-32.20％、9.26％-34.91％；
在PHM数据集中，4项指标总体提升区间为4.87％-19.00％、3.99％-19.92％、5.02％-21.58％、5.13％-21.54％；在JNU数据集中，4项指标总体提升区间为0.57％-2.59％、0.40％-3.24％、0.29％-2.59％、0.65％-2.70％。
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 (10)
1.一种机械零部件无监督智能故障诊断方法，其特征在于，包括：
制作旋转机械无监督智能故障诊断数据集，搭建旋转机械无监督智能故障诊断模型；
训练无监督智能故障诊断模型，设计综合考虑基于映射和基于对抗的损失函数作为优化目标；
评估模型，输入测试集样本，输出预测结果，得到在无监督前提下模型将源域知识迁移至目标域时的表现效果。
2.如权利要求1所述的机械零部件无监督智能故障诊断方法，其特征在于，所述故障诊断数据集包括：
将数据集划分为源域和目标域，并将其分为训练集和测试集。
3.如权利要求1或2所述的机械零部件无监督智能故障诊断方法，其特征在于，所述故障诊断模型包括：主干特征提取网络、领域自适应迁移算法。
4.如权利要求3所述的机械零部件无监督智能故障诊断方法，其特征在于，所述主干特征提取网络包括：
以一维残差卷积网络为基础，融合空洞卷积单元、Shrinkage降噪单元、Non-LocalBlock单元；
所述空洞卷积单元包括采用使用两种扩张率的卷积核对振动信号进行特征提取，通过感受野判断模型能否学习振动信号多的多尺度特征；
所述Shrinkage降噪单元包括通过反向传播算法自动优化得到所使用的降噪滤波器参数，通过软阈值化和深度学习相结合的方式消除噪声信息并提取有效特征；
所述Non-LocalBlock单元包括通过构建一种兼备结构简单、可直接嵌入到任何深度网络中的非局部操作算子，用来捕获时间、空间和时空数据长范围特征间的联系；
所述领域自适应迁移算法包括综合考虑源域数据的分类损失PolyLoss-CE、联合最大平均差异和条件领域对抗网络相应数值。
5.如权利要求1或4所述的机械零部件无监督智能故障诊断方法，其特征在于，所述感受野表示为：
其中，RFl+1为当前特征图的感受野大小；RFl为前一层特征图对应的感受野大小；fl+1表示当前卷积核大小；si为第i个卷积层的步长，a为扩张率。
6.如权利要求5所述的机械零部件无监督智能故障诊断方法，其特征在于，所述Non-LocalBlock单元，表示为：
其中，x为输入的feature map，i与j为索引值，f函数计算i与j的相似度，g函数计算位置j处feature map的相应表示，C(x)为响应因子；
所述损失函数表示为，
其中，LCE为标准的交叉熵损失；ξ为多项式系数；y与分别为真实故障标签及标签分类网络Gy的预测输出；
JMMD重点考虑与输出特征的联合概率分布表示为，
其中，Hk为使用内核k的RKHS；E为数学期望；xs和xt分别为源域和目标域的数据分布；为特征张量积在希尔伯特空间的映射；L是指定的高维特征输出层；zsl和ztl分别为源域及目标域第l层的激活；
设z为特征空间，框架主要由特征映射网络标签分类网络Gy(z；θy)及域判别网络Gd(z；θd)构成，CDAN损失值表示为：
w(H(p))＝1+e-H(p)
其中，Gf将源域及目标域的数据都映射到一个特征空间中；Gy预测源域标签y，使用标准的交叉熵计算损失，Gd预测特征的来源，即源域，目标域，Gd使源域和目标域的数据在z中分布一致，表示外积运算，pc为域标签；
将无监督智能故障诊断模型的损失函数表示为，
LUFD＝LPoly-CE+λ1LJMMD+λ2LCDAN。
7.如权利要求1或6所述的机械零部件无监督智能故障诊断方法，其特征在于，所述训练无监督智能故障诊断模型包括：
输入训练集数据作为模型特征学习样本，每训练一个Epoch输入测试数据作为模型评估和验证样本，改进模型参数；
所述评估预测模型包括，使用整体准确度和平均准确度作为相关指标；
在最后10个Epoch内使用平均精度和最大精度指标；
在模型达到最佳性能后的10个Epoch内，使用阶段的平均精度和最大精度指标。
8.一种机械零部件无监督智能故障诊断系统，其特征在于，包括：
数据采集模块(100)，故障诊断模块(200)，控制模块(300)，显示模块(400)；
所述数据采集模块(100)是获取设备数据的装置，用于以固定频率采集旋转设备振动信号，完成后上传至故障诊断模块(200)；
所述故障诊断模块(200)是通过数据进行诊断的装置，用于接收数据采集模块(100)上传的数据，并计算得到当前旋转设备的故障情况并在显示模块(400)上显示；
所述控制报警模块(300)是根据诊断信息进行报警的装置，用于接收故障诊断模块(200)传递的故障诊断信息，当出现故障时，启动报警设备并播放相关提示语音；
所述显示模块(500)是显示设备故障情况的装置，用于通过总线连接数据采集模块(100)，故障诊断模块(200)，控制模块(300)，报警模块(400)。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263292.7A CN116522070A (zh) | 2023-03-17 | 2023-03-17 | 一种机械零部件无监督智能故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263292.7A CN116522070A (zh) | 2023-03-17 | 2023-03-17 | 一种机械零部件无监督智能故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116522070A true CN116522070A (zh) | 2023-08-01 |
Family
ID=87403671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310263292.7A Pending CN116522070A (zh) | 2023-03-17 | 2023-03-17 | 一种机械零部件无监督智能故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522070A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574244A (zh) * | 2024-01-15 | 2024-02-20 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表故障预测方法、装置及设备 |
-
2023
- 2023-03-17 CN CN202310263292.7A patent/CN116522070A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574244A (zh) * | 2024-01-15 | 2024-02-20 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表故障预测方法、装置及设备 |
| CN117574244B (zh) * | 2024-01-15 | 2024-04-02 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表故障预测方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210034980A1 (en) | Real-time visualization of machine learning models | |
| CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
| CN111402257B (zh) | 一种基于多任务协同跨域迁移的医学图像自动分割方法 | |
| CN113344295A (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
| CN113256592B (zh) | 图像特征提取模型的训练方法、系统及装置 | |
| CN114742802B (zh) | 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法 | |
| KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
| CN116522070A (zh) | 一种机械零部件无监督智能故障诊断方法及系统 | |
| 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 | |
| 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 | |
| CN117974693B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN110427978B (zh) | 面向小样本学习的变分自编码器网络模型和装置 | |
| CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
| CN117495071B (zh) | 一种基于预测性日志增强的流程发现方法及系统 | |
| CN114428860A (zh) | 院前急救病例文本的识别方法、装置、终端及存储介质 | |
| CN118152780A (zh) | 一种gil气体泄漏故障监测方法、装置、设备及介质 | |
| KR20220079726A (ko) | 의료 영상 기반의 질환 예측 방법 | |
| DE102023209512A1 (de) | Verfahren und Systeme zum Durchführen einer Grundursachenanalyse mit einem trainierten maschinellen Lernmodell | |
| CN113408721A (zh) | 神经网络结构搜索方法、装置、计算机设备和存储介质 | |
| CN116955947A (zh) | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 | |
| CN111598891B (zh) | 斑块稳定性的识别方法、装置、设备及存储介质 | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| CN118352085B (zh) | 基于多时间点多模态脑影像数据的脑疾病病程预测系统 | |
| You | [Retracted] Modeling and Analysis of Multifocus Picture Division Algorithm Based on Deep Learning |
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 |