CN116541713B - 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 - Google Patents
基于局部时频特征迁移学习的轴承故障诊断模型训练方法 Download PDFInfo
- Publication number
- CN116541713B CN116541713B CN202310764976.5A CN202310764976A CN116541713B CN 116541713 B CN116541713 B CN 116541713B CN 202310764976 A CN202310764976 A CN 202310764976A CN 116541713 B CN116541713 B CN 116541713B
- Authority
- CN
- China
- Prior art keywords
- source domain
- local time
- fault diagnosis
- domain
- 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 149
- 238000012549 training Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013526 transfer learning Methods 0.000 title claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 133
- 238000013136 deep learning model Methods 0.000 claims abstract description 103
- 239000011159 matrix material Substances 0.000 claims abstract description 102
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000002679 ablation Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000036541 health Effects 0.000 description 11
- 238000013508 migration Methods 0.000 description 11
- 230000005012 migration Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/096—Transfer learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，应用于机械技术领域。该方法包括：获取参考轴承的源域振动信号及待测轴承的目标域振动信号；根据源域振动信号确定局部时频谱矩阵；接收局部时频谱矩阵的特征信息，根据携带特征信息的局部时频谱矩阵构建源域训练集；利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型；建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型；根据目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，以识别待测轴承的故障，提高了精准率。
Description
技术领域
本申请涉及机械技术领域，尤其涉及一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法。
背景技术
轴承作为一种旋转机械关键部件，在工业生产中得以广泛应用。为保障生产过程的安全性，对轴承进行故障诊断是十分必要的。
现有可基于迁移学习，对轴承故障进行诊断。迁移学习是一种机器学习方法，将适用于源域的模型被重新用在目标域中。迁移学习的出现将轴承等旋转机械关键部件的智能故障诊断带入了一个跨域的时代，跨域知识利用促进了智能故障诊断在工业应用中的推广。
然而，对于目标域为复杂工况下轴承的监测、诊断任务而言，已经构建的迁移学习模型对复杂工况下的轴承进行故障诊断的精准性较差。
发明内容
本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，用以解决现有技术中，构建的迁移学习模型对复杂工况下的轴承进行故障诊断时，精准性较差的问题。
第一方面，本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，包括：
获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，参考轴承与待测轴承类型一致；
根据源域振动信号确定对应的局部时频谱矩阵；
接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息，并根据携带特征信息的局部时频谱矩阵构建源域训练集；
建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，损失函数用于计算分类损失、定位损失以及置信度损失的和；
建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型；
根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，目标域轴承故障诊断模型用于确定待测轴承在目标工况下的故障。
第二方面，本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练装置，包括：
获取模块，用于获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，参考轴承与待测轴承类型一致；
处理模块，用于根据源域振动信号确定对应的局部时频谱矩阵；
接收模块，用于接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息；
处理模块，还用于根据携带特征信息的局部时频谱矩阵构建源域训练集；
处理模块，还用于建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，损失函数用于计算分类损失、定位损失以及置信度损失的和；
处理模块，还用于建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型；
处理模块，还用于根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，目标域轴承故障诊断模型用于确定待测轴承在目标工况下的故障。
第三方面，本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练设备，包括：处理器、存储器，存储器中存储代码，处理器运行存储器中存储的代码，以执行如第一方面中任一项的方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项的方法。
本申请提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，该方法包括：获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，其中，参考轴承与待测轴承的类型一致。根据源域振动信号确定对应的局部时频谱矩阵。接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息，并根据携带特征信息的局部时频谱矩阵构建源域训练集。建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型。建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型。根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，以获取目标域轴承故障诊断模型，利用目标域轴承故障诊断模型可对目标域即目标工况下，待测轴承的健康状态进行监测。本申请的方法是通过对局部时频谱矩阵进行训练得到的源域轴承故障诊断模型，基于迁移学习，使得目标域轴承故障诊断模型能够识别局部时频谱，并基于局部时频谱识别待测轴承的故障类型，有利于降低全局噪声等干扰信息的影响，从而提升了目标域轴承故障诊断模型识别待测轴承故障的精准性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断场景示意图；
图2为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法流程图；
图3为本申请实施例提供的一种源域轴承故障诊断模型的训练方法流程图；
图4为本申请实施例提供的一种定位损失的参数示意图；
图5为本申请实施例提供的一种目标域轴承故障诊断模型的性能评估方法流程图；
图6为本申请实施例提供的一种内圈故障识别结果示意图；
图7为本申请实施例提供的一种精准率与置信度的关系曲线示意图；
图8为本申请实施例提供的一种F1分数与置信度的关系曲线示意图；
图9为本申请实施例提供的一种源域轻量级深度学习模型的结构示意图；
图10为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练装置示意图；
图11为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练设备示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
首先对本申请所涉及的名词进行解释：
智能故障诊断：是人工智能和故障诊断相结合的产物，主要体现在诊断过程中领域专家知识和人工智能技术的运用。
对于轴承等旋转机械的故障诊断任务，实现跨多变工况的迁移诊断是极其重要的。迁移学习的出现将轴承等旋转机械关键部件的智能故障诊断（Intelligent FaultDiagnosis，IFD）带入了一个跨域的时代，跨域知识利用大大促进了IFD在工业应用中的推广。然而，对于复杂工况下的高端装备的监测、诊断任务，迁移学习方法目前仍然存在一些问题亟待解决。其具体体现在：通常复杂工况下可用的有标签数据量较少，且时频特征会受到其他设备激励影响，容易产生模型负迁移问题。
具体的，迁移学习强依赖于源域和目标域的独立同分布假设。在实际应用中，来自不同机器的数据在分布特征上可能会出现较大的差异，这些域差异会导致域偏移现象的发生，即由于目标监测任务数据的分布可能与源数据的分布不同，从而导致已经构建的迁移学习模型在目标域任务上的性能下降。域偏移现象可以以各种形式表现，包括数据分布统计、噪声水平、传感器特征的差异等，这些根本性的差异可能导致迁移学习模型的性能严重降低，因此对于源数据学习的特征可能对目标域无效。
为了解决上述问题，目前可通过域泛化和域自适应技术等。但是在航空航天、风机等大型装备工作的复杂工况下，仍难以避免时频谱中的全局噪声等干扰信息对故障诊断模型的干扰，从而导致利用迁移学习模型对复杂工况下的轴承进行故障诊断的精准性较差。
本申请实施例提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，由于现有技术中通常是基于全局的时频特征迁移，在复杂工况下难以避免全局噪声等干扰信息的影响。基于此，本申请基于局部时频特征迁移学习的轴承故障诊断模型训练方法获取适用于目标域的轴承故障诊断模型，该轴承故障诊断模型可基于局部时频特征进行故障识别。具体的，获取参考轴承在特定工况下的源域振动信号，进一步确定对应的局部时频谱矩阵。接收用户对局部时频谱矩阵进行标注的特征信息，利用携带特征信息的局部时频谱矩阵训练得到源域轴承故障诊断模型。基于迁移学习，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型中。通过获取的待测轴承对应的目标域振动信号对目标域轻量级深度学习模型的参数进行轻微调整，以获取目标域轴承故障诊断模型，提高目标域轴承故障诊断模型在目标域下的轴承故障识别的精准率。同时，基于局部时频谱矩阵即局部时频特征对轴承故障进行识别，解决了现有技术在利用时频特征只注重全局时频特征的迁移学习，而缺乏对局部时频特征迁移学习能力的问题，降低了时频谱中全局噪声等干扰信息的影响，因此有效提升了目标域轴承故障诊断模型对待测轴承处于目标域即复杂工况下进行故障识别的精准率。
由于同一型号的轴承可以应用在多种工况下，比如实验室开展的轴承退化实验等较为简单的工况，也可能应用在航空航天、风机等较为复杂的工况下。由于与复杂工况相比，简单工况下获取较多的携带标签信息的振动信号相对容易，因此可将简单工况作为源域，在简单工况下运行的轴承作为参考轴承。将复杂工况作为目标域，在复杂工况下运行的轴承作为待测轴承。图1为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断场景示意图，利用源域内，携带特征信息的局部时频谱矩阵，对建立的源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型。基于迁移学习，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型中，并利用少量的目标域时频谱矩阵，对目标域轻量级深度学习模型进行训练，以对模型参数进行轻微调整，获取能够对目标域待测轴承的健康状态进行识别的目标域轴承故障诊断模型。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法流程图。本实施例的方法可以由轴承故障诊断模型训练设备执行，可以通过硬件、软件、或者硬件和软件相结合的方式实现。如图2所示，该方法可以包括：
S201：获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，参考轴承与待测轴承类型一致。
在一种实施场景下，特定工况作为迁移学习的源域，通常为轴承在较为简单的工况下运行，比如某实验室开展的某一型号轴承的轴承退化实验。在该工况下，容易获取较多的携带标签信息的振动信号。振动信号可以是轴承支撑座处的振动信号数据。标签信息可以包括下述至少一项信息：振动信号对应的轴承健康状态信息、故障类型等。
目标工况作为迁移学习的目标域，通常为风机、航空航天等较为复杂的工况。在一些实施例中，目标域振动信号可包含携带标签信息的目标域振动信号和未携带标签信息的目标域振动信号。其中，携带标签信息的目标域振动信号用于进行模型的训练和验证，未携带标签信息的目标域振动信号可用于对模型进行测试。
在一些实施例中，获取到源域振动信号和目标域振动信号后，可对源域振动信号和目标域振动信号进行降采样处理，以便于后续的时频分析。
需要说明的是，特定工况下的参考轴承和目标工况下的待测轴承的类型一致，即为同一型号的轴承，本申请的迁移学习应用于同一型号的轴承在不同工况下运行的场景。
S202：根据源域振动信号确定对应的局部时频谱矩阵。
局部时频谱矩阵用于表征局部时频特征。在一种实施场景下，可对源域振动信号进行时频分析，获取源域振动信号对应的时频谱矩阵；对时频谱矩阵进行非负矩阵分解，获取至少两个局部时频谱矩阵。其中，时频谱矩阵是指利用矩阵描述对应的时频谱，局部时频谱矩阵则是利用矩阵描述对应的局部时频谱。通常局部时频谱位于时频谱内部，时频谱和局部时频谱均包含一定的时频特征。
非负矩阵分解是一种矩阵分解方法，能够使分解后的所有分量均为非负值，并且同时实现非线性的维数约减。非负矩阵分解的方法可如下所示：
式中，为基矩阵，/>为系数矩阵，/>是一个/>维的矩阵，其中每一列为一个属于/>空间的向量，共m个向量。在本申请中，/>为获取的时频谱矩阵，经过非负矩阵分解为/>和/>矩阵。
基于此，设计的无监督非负矩阵分解的优化函数可为以下形式：
上式中，argmin表示使目标函数取最小值时，变量的取值，其中，变量为上式中的k，目标函数即为上式的。
其边界条件如下：任取属于/>，任取/>属于/>，满足且/>，上式中，i、j、p和q为对应矩阵的索引值，即满足分解的矩阵为非负矩阵。
在一些实施例中，对时频谱矩阵进行非负矩阵分解后，可以将分解后得到的基矩阵作为局部时频谱矩阵。
S203：接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息，并根据携带特征信息的局部时频谱矩阵构建源域训练集。
在一些实施例中，获取到局部时频谱矩阵后，用户可根据源域振动信号对应的标签信息，对局部时频谱矩阵进行标注，具体的，可以对局部时频谱标注对应的故障类型。
在一些实施例中，获取至少两个局部时频谱矩阵之后，还可以基于每一个局部时频谱矩阵出现的频次，确定关键局部时频谱矩阵，以使用户对关键局部时频谱矩阵进行标注。
在一种实施场景下，当某一局部时频谱矩阵出现的次数较多，表明该局部时频谱矩阵对于全局的时频谱而言更为重要。一种可行的实施方式，可预设频次阈值，当局部时频谱矩阵出现的频次大于该频次阈值时，将该局部时频谱矩阵作为关键局部时频谱矩阵。用户仅需对关键局部时频谱矩阵进行标注，有利于提高标注效率。
在一些实施例中，根据携带特征信息的局部时频谱矩阵构建源域训练集时，可根据预设比例，将携带特征信息的局部时频谱矩阵划分为源域训练集和源域测试集。源域训练集可用于模型的训练，源域测试集可对训练完成后的模型进行测试，以确定模型的性能。
S204：建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，损失函数用于计算分类损失、定位损失以及置信度损失的和。
在一些实施例中，源域轻量级深度学习模型可以是目标检测模型，举例而言，可以是YOLO（You Only Look Once）模型或SSD（Single Shot MultiBox Detector）模型等。
在一些实施例中，可分别计算分类损失、定位损失以及置信度损失，进一步计算分类损失、定位损失及置信度损失的和，将其作为目标损失，此时可基于目标损失，对源域轻量级深度学习模型进行训练。
S205：建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型。
在一些实施例中，目标域轻量级深度学习模型也可以是目标检测模型，比如YOLO模型或SSD模型等。
在一些实施例中，建立目标域轻量级深度学习模型后，可将源域轴承故障诊断模型的权重迁移至目标域轻量级深度学习模型中。
S206：根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，目标域轴承故障诊断模型用于确定待测轴承在目标工况下的故障。
在一些实施例中，可对目标域训练集中的目标域振动信号进行时频分析，获取目标域振动信号对应的时频谱矩阵。利用时频谱矩阵对目标域轻量级深度学习模型进行训练，以对目标域轻量级深度学习模型的权重进行适应的调整，使获取的目标域轴承故障诊断模型对目标工况下待测轴承故障的识别更加精准。
在一些实施例中，获取目标域轴承故障诊断模型后，即可利用目标域轴承故障诊断模型对目标工况下，待测轴承的健康状态进行识别。具体的，可获取目标工况下，待测轴承的振动信号，并对振动信号进行时频分析，获取时频谱矩阵。将时频谱矩阵输入至目标域轴承故障诊断模型中，目标域轴承故障诊断模型则会输出相应的故障识别结果。
在一些实施例中，获取目标域轴承故障诊断模型后，可将目标域轴承故障诊断模型部署在轴承健康状态监测平台，实现轴承健康状态的一个监测。其中，轴承健康状态监测平台能够采集待测轴承的振动信号。轴承故障诊断模型训练设备可接收振动信号，并对振动信号进行时频分析，获取时频谱矩阵，将时频谱矩阵输入至目标域轴承故障诊断模型进行故障识别。轴承健康状态监测平台还可以接收目标域轴承故障诊断模型输出的故障识别结果，并对故障识别结果进行存储。
本申请实施例提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，其中，参考轴承与待测轴承类型一致。根据源域振动信号确定对应的局部时频谱矩阵，接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息，并根据携带特征信息的局部时频谱矩阵构建源域训练集。建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型。建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型。根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，利用目标域轴承故障诊断模型即可对目标工况下，待测轴承的健康状态进行监测识别。本申请实施例提供的方法通过对局部时频谱矩阵进行训练得到的源域轴承故障诊断模型，能够有效识别局部时频谱中的关键空间信息和几何特征，避免了全局噪声等干扰信息的影响，因此基于局部时频谱的迁移复用，使得目标域轴承故障诊断模型也能够有效识别局部时频谱中的关键空间信息和几何特征，根据上述信息可对较为复杂的目标工况下待测轴承的故障进行识别，提升了目标域轴承故障诊断模型识别待测轴承故障的精准性。
图3为本申请实施例提供的一种源域轴承故障诊断模型的训练方法流程图。在本申请的一个或多个实施例中，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，可以包括如图3所示的步骤：
S301：将源域训练集输入至源域轻量级深度学习模型中，并根据源域训练集分别计算分类损失、定位损失以及置信度损失。
分类损失用于表征源域轴承故障诊断模型预测的局部时频谱矩阵中故障的类别与实际类别之间的差异，能够表示源域轻量级深度学习模型识别局部时频谱矩阵中不同类别的能力。
定位损失用于表征源域轴承故障诊断模型预测的局部时频谱的位置与实际局部时频谱位置之间的差异，能够表示源域轻量级深度学习模型确定局部时频谱的精准性。
置信度损失用于表征源域轴承故障诊断模型预测的局部时频谱的置信度与实际局部时频谱的置信度之间的差异，能够表示源域轻量级深度学习模型对某一类别进行识别的置信度。
S302：将类比损失、定位损失及置信度损失的和作为目标损失。
在一些实施例中，损失函数用于计算目标损失，损失函数可参考如下所示：
上式中，表示目标损失，/>表示分类损失，/>表示定位损失，/>表示置信度损失。
其中，定位损失可采用以下形式进行描述：
上式中，表示欧式距离，用于衡量预测框与真实框的中心点之间的距离，c表示预测框与真实框的最小矩形对角线长度，b表示预测框的中心点，/>表示真实框的中心点，为交并比，表示预测框和真实框的交叠率。具体的，可参考图4所示，图4为本申请实施例提供的一种定位损失的参数示意图。
需要说明的是，上述中的预测框为源域轴承故障诊断模型预测的局部时频谱的位置，真实框为实际局部时频谱位置。其中，局部时频谱能够表示某一故障特有的局部时频谱特征。
S303：根据目标损失调整源域轻量级深度学习模型的参数，直至目标损失处于预设范围内结束训练，以获取源域轴承故障诊断模型。
根据目标损失调整源域轻量级深度学习模型的参数，直至目标损失处于预设范围内结束训练，即目标损失收敛。训练完成后的源域轻量级深度学习模型即为源域轴承故障诊断模型，能够对源域即特定工况下，参考轴承的健康状态进行监测和故障识别。
综上，在利用源域训练集对源域轻量级深度学习模型进行训练的过程中，通过分类损失、定位损失和置信度损失确定目标损失，并根据目标损失调整源域轻量级深度学习模型的参数，能够有效提高源域轴承故障诊断模型进行故障识别的精准性。
图5为本申请实施例提供的一种目标域轴承故障诊断模型的性能评估方法流程图。在本申请的一个或多个实施例中，获取目标域轴承故障诊断模型之后，还可以包括图5所示的步骤：
S501：将携带标签信息的目标域振动信号中，构建目标域训练集后剩余的数据作为目标域验证集，并将目标域验证集输入至目标域轴承故障诊断模型，获取故障识别结果。
在一些实施例中，图6为本申请实施例提供的一种内圈故障识别结果示意图，图6中示出的图为全局的时频谱，其内部虚线框内为目标域轴承故障诊断模型识别的局部时频谱。从图6中可以看到故障识别结果中不仅包含故障类型，还包含其对应的置信度。图6仅对内圈故障进行了示意，除内圈故障外，还可以包括外圈故障以及健康等多种类型。
S502：基于故障识别结果，确定目标域轴承故障诊断模型的精准率及F1分数，以评估目标域轴承故障诊断模型的性能。
图7为本申请实施例提供的一种精准率与置信度的关系曲线示意图，图7分别给出了轴承在健康、内圈故障、外圈故障等多种状态下，不同置信度对应的精准率，以及上述三类状态置信度的平均值对应的精准率。图8为本申请实施例提供的一种F1分数与置信度的关系曲线示意图。图8也分别给出了轴承在健康、内圈故障、外圈故障等多种状态下，不同置信度对应的F1分数，以及上述三类状态置信度的平均值对应的F1分数。通过精准率及F1分数可评估目标域轴承故障诊断模型的识别效果是否达到预设效果。
在一些实施例中，精准率的一种计算方式如下所示：
上式中，Prec表示精准率，TP表示真正例，FP表示假正例。具体的，真正例表示目标域轴承故障诊断模型识别的正确的轴承故障样例，假正例表示目标域轴承故障诊断模型识别的错误的轴承故障样例。
在一些实施例中，F1分数的一种计算方式如下所示：
上式中，F1即为F1分数，表示精准率和召回率的调和平均值，Prec表示精准率，Rec表示召回率。
召回率可通过现有技术的计算方法进行计算，本申请不再赘述。
在一些实施例中，由于目标域振动信号可包含携带标签的目标域振动信号和未携带标签信息的目标域振动信号。其中，可在携带标签的目标域振动信号中按一定比例划分目标域训练集和目标域验证集，目标域验证集包含少量数据即可。未携带标签信息的目标域振动信号作为目标域训练集，在利用目标域验证集对目标域轴承故障诊断模型的性能验证完成后，可利用目标域测试集进行测试。
综上，利用目标域验证集对目标域轴承故障诊断模型进行验证，确定目标域轴承故障诊断模型的精准率和F1分数，以对训练完成后的目标域轴承故障诊断模型的性能进行评估。
在本申请的一个或多个实施例中，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型的过程中，还可以包括：对源域轻量级深度学习模型进行消融实验，以精简源域轻量级深度学习模型的结构。
在一些实施例中，图9为本申请实施例提供的一种源域轻量级深度学习模型的结构示意图，如图9所示，源域轻量级深度学习模型可包括特征提取网络层、池化层和决策层。其中，决策层包括对局部时频特征即局部时频谱的识别，还包括对轴承故障类型的识别。池化层可以是RoI（Region of interest，感兴趣区域）池化层。源域轻量级深度学习模型通过识别时频谱中关键的局部时频谱，实现对轴承故障类型的识别。
在一些实施例中，特征提取网络层用于接收时频谱，对时频谱进行特征提取。特征提取网络层可包括多层，可利用消融实验对不必要的特征提取网络层进行删除，以精简源域轻量级深度学习模型的结构。具体的，利用源域训练集对源域轻量级深度学习模型进行训练的过程中开展消融实验，确定精简后的模型。举例而言，可删除某一层的特征提取网络层，通过比较删除后的模型输出的识别结果与删除前的模型输出的识别结果是否存在差异。若该特征提取网络层删除前与删除后，源域轻量级深度学习模型的识别结果一致，则可以删除该特征提取网络层。若删除该特征提取网络层后，源域轻量级深度学习模型输出的识别结果准确率降低，表明该特征提取网络层不能进行删除。
在一些实施例中，对源域轻量级深度学习模型的结构进行精简后，目标域轻量级深度学习模型也可以进行相应的精简，与精简后的源域轻量级深度学习模型的结构保持一致。
综上，通过在训练源域轻量级深度学习模型的过程中进行消融实验，对源域轻量级深度学习模型的结构进行精简，提高了源域轻量级深度学习模型的轻量化程度。根据源域轻量级深度学习模型精简后的结构，对目标域轻量级深度学习模型进行精简，提升了目标域轴承故障诊断模型的轻量级程度，因此有利于提升大尺寸时频特征的提取效率，实现高速精准的工业现场轴承故障的识别，从而能够及时避免设备出现进一步的故障劣化，有利于提高安全性。
图10为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练装置示意图。如图10所示，本申请实施例提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练装置1000，可以包括获取模块1001、处理模块1002和接收模块1003。
获取模块1001，用于获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，参考轴承与待测轴承类型一致；
处理模块1002，用于根据源域振动信号确定对应的局部时频谱矩阵；
接收模块1003，用于接收用户基于源域振动信号对应的标签信息，对局部时频谱矩阵进行标注的特征信息；
处理模块1002，还用于根据携带特征信息的局部时频谱矩阵构建源域训练集；
处理模块1002，还用于建立源域轻量级深度学习模型，基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，损失函数用于计算分类损失、定位损失以及置信度损失的和；
处理模块1002，还用于建立目标域轻量级深度学习模型，将源域轴承故障诊断模型的参数迁移至目标域轻量级深度学习模型；
处理模块1002，还用于根据携带标签信息的目标域振动信号构建目标域训练集，利用目标域训练集对目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，目标域轴承故障诊断模型用于确定待测轴承在目标工况下的故障。
在一种可能的实现方式中，处理模块1002在根据源域振动信号确定对应的局部时频谱矩阵时，具体用于：
对源域振动信号进行时频分析，获取源域振动信号对应的时频谱矩阵；
对时频谱矩阵进行非负矩阵分解，获取至少两个局部时频谱矩阵。
在一种可能的实现方式中，处理模块1002在获取至少两个局部时频谱矩阵之后，还包括：
基于每一个局部时频谱矩阵出现的频次，确定关键局部时频谱矩阵，以使用户对关键局部时频谱矩阵进行标注。
在一种可能的实现方式中，处理模块1002在基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，具体用于：
将源域训练集输入至源域轻量级深度学习模型中，并根据源域训练集分别计算分类损失、定位损失以及置信度损失，分类损失用于表征源域轴承故障诊断模型预测的局部时频谱矩阵中故障的类别与实际类别之间的差异，定位损失用于表征源域轴承故障诊断模型预测的局部时频谱的位置与实际局部时频谱位置之间的差异，置信度损失用于表征源域轴承故障诊断模型预测的局部时频谱的置信度与实际局部时频谱的置信度之间的差异；
将类比损失、定位损失及置信度损失的和作为目标损失；
根据目标损失调整源域轻量级深度学习模型的参数，直至目标损失处于预设范围内结束训练，以获取源域轴承故障诊断模型。
在一种可能的实现方式中，处理模块1002在获取目标域轴承故障诊断模型之后，还用于：
将携带标签信息的目标域振动信号中，构建目标域训练集后剩余的数据作为目标域验证集，并将目标域验证集输入至目标域轴承故障诊断模型，获取故障识别结果；
基于故障识别结果，确定目标域轴承故障诊断模型的精准率及F1分数，以评估目标域轴承故障诊断模型的性能。
在一种可能的实现方式中，处理模块1002，还用于对源域轻量级深度学习模型进行消融实验，以精简源域轻量级深度学习模型的结构。
本实施例的装置，可用于执行上述所示的方法实施例，其实现原理和技术效果类似，此处不再赘述。
图11为本申请实施例提供的一种基于局部时频特征迁移学习的轴承故障诊断模型训练设备示意图。如图11所示，本申请实施例提供一种基于局部时频特征迁移学习的轴承故障诊断模型训练设备1100包括处理器1101和存储器1102，其中，处理器1101、存储器1102通过总线1103连接。
在具体实现过程中，存储器1102中存储代码，处理器1101运行存储器1102中存储的代码，以执行上述方法实施例的基于局部时频特征迁移学习的轴承故障诊断模型训练方法。
处理器1101的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图11所示的实施例中，应理解，处理器1101可以是中央处理单元（英文：Central Processing Unit，简称：CPU），还可以是其他通用处理器、数字信号处理器（英文：Digital Signal Processor，简称：DSP）、专用集成电路（英文：Application SpecificIntegrated Circuit，简称：ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1102可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线1103可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线1103可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线1103并不限定仅有一根总线或一种类型的总线。
本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述方法实施例的方法。
上述的计算机可读存储介质，可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述本申请实施例中任意实施例提供的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (6)
1.一种基于局部时频特征迁移学习的轴承故障诊断模型训练方法，其特征在于，包括：
获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，所述参考轴承与所述待测轴承类型一致；
根据所述源域振动信号确定对应的局部时频谱矩阵；
接收用户基于所述源域振动信号对应的标签信息，对所述局部时频谱矩阵进行标注的特征信息，并根据携带特征信息的局部时频谱矩阵构建源域训练集；
建立源域轻量级深度学习模型，基于预设的损失函数，利用所述源域训练集对所述源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，所述损失函数用于计算分类损失、定位损失以及置信度损失的和；
建立目标域轻量级深度学习模型，将所述源域轴承故障诊断模型的参数迁移至所述目标域轻量级深度学习模型，所述源域轻量级深度学习模型包括特征提取网络层、池化层和决策层，其中，所述决策层包括对局部时频谱的识别和对轴承故障类型的识别；
根据携带标签信息的目标域振动信号构建目标域训练集，利用所述目标域训练集对所述目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，所述目标域轴承故障诊断模型用于确定所述待测轴承在目标工况下的故障；
所述根据所述源域振动信号确定对应的局部时频谱矩阵，包括：
对所述源域振动信号进行时频分析，获取所述源域振动信号对应的时频谱矩阵；
对所述时频谱矩阵进行非负矩阵分解，获取至少两个局部时频谱矩阵；
所述基于预设的损失函数，利用所述源域训练集对所述源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，包括：
将所述源域训练集输入至所述源域轻量级深度学习模型中，并根据所述源域训练集分别计算分类损失、定位损失以及置信度损失，所述分类损失用于表征所述源域轴承故障诊断模型预测的局部时频谱矩阵中故障的类别与实际类别之间的差异，所述定位损失用于表征所述源域轴承故障诊断模型预测的局部时频谱的位置与实际局部时频谱位置之间的差异，所述置信度损失用于表征所述源域轴承故障诊断模型预测的局部时频谱的置信度与实际局部时频谱的置信度之间的差异；
将类比损失、定位损失及置信度损失的和作为目标损失；
根据所述目标损失调整所述源域轻量级深度学习模型的参数，直至所述目标损失处于预设范围内结束训练，以获取源域轴承故障诊断模型；
所述方法还包括：
对所述源域轻量级深度学习模型进行消融实验，以精简所述源域轻量级深度学习模型的结构。
2.根据权利要求1所述的方法，其特征在于，所述获取至少两个局部时频谱矩阵之后，还包括：
基于每一个局部时频谱矩阵出现的频次，确定关键局部时频谱矩阵，以使用户对所述关键局部时频谱矩阵进行标注。
3.根据权利要求1或2所述的方法，其特征在于，所述获取目标域轴承故障诊断模型之后，包括：
将携带标签信息的目标域振动信号中，构建所述目标域训练集后剩余的数据作为目标域验证集，并将所述目标域验证集输入至所述目标域轴承故障诊断模型，获取故障识别结果；
基于所述故障识别结果，确定所述目标域轴承故障诊断模型的精准率及F1分数，以评估所述目标域轴承故障诊断模型的性能。
4.一种基于局部时频特征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，用于获取参考轴承在特定工况下，携带标签信息的源域振动信号以及待测轴承在目标工况下，携带标签信息的目标域振动信号，所述参考轴承与所述待测轴承类型一致；
处理模块，用于根据所述源域振动信号确定对应的局部时频谱矩阵；
接收模块，用于接收用户基于所述源域振动信号对应的标签信息，对所述局部时频谱矩阵进行标注的特征信息；
处理模块，还用于根据携带特征信息的局部时频谱矩阵构建源域训练集；
处理模块，还用于建立源域轻量级深度学习模型，基于预设的损失函数，利用所述源域训练集对所述源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，所述损失函数用于计算分类损失、定位损失以及置信度损失的和，所述源域轻量级深度学习模型包括特征提取网络层、池化层和决策层，其中，所述决策层包括对局部时频谱的识别和对轴承故障类型的识别；
处理模块，还用于建立目标域轻量级深度学习模型，将所述源域轴承故障诊断模型的参数迁移至所述目标域轻量级深度学习模型；
处理模块，还用于根据携带标签信息的目标域振动信号构建目标域训练集，利用所述目标域训练集对所述目标域轻量级深度学习模型的参数进行调整，获取目标域轴承故障诊断模型，所述目标域轴承故障诊断模型用于确定所述待测轴承在目标工况下的故障；
所述处理模块在根据所述源域振动信号确定对应的局部时频谱矩阵时，具体用于：
对所述源域振动信号进行时频分析，获取所述源域振动信号对应的时频谱矩阵；
对所述时频谱矩阵进行非负矩阵分解，获取至少两个局部时频谱矩阵；
所述处理模块在基于预设的损失函数，利用源域训练集对源域轻量级深度学习模型进行训练，获取源域轴承故障诊断模型，具体用于：
将所述源域训练集输入至所述源域轻量级深度学习模型中，并根据所述源域训练集分别计算分类损失、定位损失以及置信度损失，所述分类损失用于表征所述源域轴承故障诊断模型预测的局部时频谱矩阵中故障的类别与实际类别之间的差异，所述定位损失用于表征所述源域轴承故障诊断模型预测的局部时频谱的位置与实际局部时频谱位置之间的差异，所述置信度损失用于表征所述源域轴承故障诊断模型预测的局部时频谱的置信度与实际局部时频谱的置信度之间的差异；
将类比损失、定位损失及置信度损失的和作为目标损失；
根据所述目标损失调整所述源域轻量级深度学习模型的参数，直至所述目标损失处于预设范围内结束训练，以获取源域轴承故障诊断模型；
所述处理模块，还用于对源域轻量级深度学习模型进行消融实验，以精简源域轻量级深度学习模型的结构。
5.一种基于局部时频特征迁移学习的轴承故障诊断模型训练设备，包括：处理器、存储器，所述存储器中存储代码，所述处理器运行所述存储器中存储的代码，以执行如权利要求1-3中任一项所述的方法。
6.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310764976.5A CN116541713B (zh) | 2023-06-27 | 2023-06-27 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310764976.5A CN116541713B (zh) | 2023-06-27 | 2023-06-27 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541713A CN116541713A (zh) | 2023-08-04 |
| CN116541713B true CN116541713B (zh) | 2023-12-12 |
Family
ID=87445657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310764976.5A Active CN116541713B (zh) | 2023-06-27 | 2023-06-27 | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541713B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| CN111199209A (zh) * | 2019-12-31 | 2020-05-26 | 林龙 | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 |
| CN111721536A (zh) * | 2020-07-20 | 2020-09-29 | 哈尔滨理工大学 | 一种改进模型迁移策略的滚动轴承故障诊断方法 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114964778A (zh) * | 2022-05-13 | 2022-08-30 | 重庆理工大学 | 一种基于小波时频图与深度学习的轴承故障诊断方法 |
| CN115060494A (zh) * | 2022-05-27 | 2022-09-16 | 燕山大学 | 一种滚动轴承的故障诊断方法 |
| CN115358259A (zh) * | 2022-07-27 | 2022-11-18 | 燕山大学 | 一种基于自学习的无监督跨工况轴承故障诊断方法 |
| 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 |
-
2023
- 2023-06-27 CN CN202310764976.5A patent/CN116541713B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
| CN111199209A (zh) * | 2019-12-31 | 2020-05-26 | 林龙 | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 |
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| CN111721536A (zh) * | 2020-07-20 | 2020-09-29 | 哈尔滨理工大学 | 一种改进模型迁移策略的滚动轴承故障诊断方法 |
| CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
| CN114964778A (zh) * | 2022-05-13 | 2022-08-30 | 重庆理工大学 | 一种基于小波时频图与深度学习的轴承故障诊断方法 |
| CN115060494A (zh) * | 2022-05-27 | 2022-09-16 | 燕山大学 | 一种滚动轴承的故障诊断方法 |
| CN115358259A (zh) * | 2022-07-27 | 2022-11-18 | 燕山大学 | 一种基于自学习的无监督跨工况轴承故障诊断方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541713A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| WO2018112783A1 (zh) | 图像识别方法及装置 | |
| CN113065525B (zh) | 年龄识别模型训练方法、人脸年龄识别方法及相关装置 | |
| CN109685805B (zh) | 一种图像分割方法及装置 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
| CN110197213B (zh) | 基于神经网络的图像匹配方法、装置和设备 | |
| CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
| CN113743455A (zh) | 目标检索方法、装置、电子设备及存储介质 | |
| CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
| CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
| CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
| CN110263618B (zh) | 一种核身模型的迭代方法和装置 | |
| CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
| CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
| CN116204648A (zh) | 样本确定方法、装置、计算机设备及计算机可读存储介质 | |
| CN113239075B (zh) | 一种施工数据自检方法及系统 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN111723719B (zh) | 基于类别外部记忆的视频目标检测方法、系统、装置 | |
| CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
| CN111402335B (zh) | 深度学习模型的评价方法、装置、电子设备及存储介质 | |
| CN117593746B (zh) | 基于目标检测的细胞分裂均衡度评估系统及装置 | |
| CN115880486B (zh) | 一种目标检测网络蒸馏方法、装置、电子设备及存储介质 | |
| CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 |
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 |