CN116628418A - 基于传感器信号与深度迁移学习的易损件失效预测方法 - Google Patents
基于传感器信号与深度迁移学习的易损件失效预测方法 Download PDFInfo
- Publication number
- CN116628418A CN116628418A CN202310348914.6A CN202310348914A CN116628418A CN 116628418 A CN116628418 A CN 116628418A CN 202310348914 A CN202310348914 A CN 202310348914A CN 116628418 A CN116628418 A CN 116628418A
- Authority
- CN
- China
- Prior art keywords
- domain
- signal
- target
- vulnerable part
- target domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013508 migration Methods 0.000 title claims abstract description 29
- 230000005012 migration Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013526 transfer learning Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002472 multi-metal deposition Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于传感器信号与深度迁移学习的易损件失效预测方法，包括S1、将传感器安装于易损件上的不同位置；S2、接收不同传感器在易损件上采集到的信号；对接收的信号进行数据处理与频谱分析，确定传感器最佳安装位置；S3、将最佳位置采集到信号经过异常值与降噪处理，再提取其不同作用域的特征；S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型；S5、采用易损件的深度学习预测模型进行易损件的失效预测。本发明利用迁移学习进行易损件失效预测可以提高预测精度、减少数据需求、加速模型训练，同时实现知识共享，具有很大的应用前景和实际价值。
Description
技术领域
本发明属于信号处理与机器学习的技术领域，具体涉及一种基于传感器信号与深度迁移学习的易损件失效预测方法。
背景技术
易损件作为机械设备中的核心部件之一，其失效可能导致机器停机、生产中断、设备维修等问题，因此对于易损件的失效预测一直是机械领域的研究热点。传统的易损件失效预测方法通常需要大量的数据和领域专家的经验知识，且在实际应用中存在一定的限制。近年来，随着传感器技术与深度迁移学习技术的发展和应用，在解决小样本、多任务等领域问题上具有广泛的应用前景。迁移学习利用源域的知识来辅助目标域的学习，可以有效地提高模型的性能和泛化能力。因此，基于迁移学习的易损件失效预测方法逐渐成为了研究热点。在实际应用中，易损件的失效预测任务通常面临着以下几个挑战：一方面，实际的数据往往比较少，这导致传统的机器学习方法难以取得好的效果；另一方面，易损件失效预测需要结合多个方面的信息，如振动信号、温度、转速等，这些信息来源不同，存在不同的噪声和干扰，需要对其进行合理的信号处理与特征提取。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种基于传感器信号与深度迁移学习的易损件失效预测方法，以解决现有传统的机器学习方法，难以准确实现易损件失效预测的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于传感器信号与深度迁移学习的易损件失效预测方法，其包括以下步骤：
S1、将不同传感器安装于易损件上的不同位置；
S2、接收不同传感器在易损件上采集的信号，对接收的信号进行数据处理与频谱分析，确定传感器最佳安装位置；
S3、将最佳位置采集到信号经过异常值与降噪处理，提取其不同作用域的特征；
S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型；
S5、采用易损件的深度学习预测模型进行易损件的失效预测。
进一步地，步骤S2中将不同位置的传感器信号进行时域幅值比对以及傅里叶变化的频谱分析，确定传感器最佳的安装位置；
进一步地，步骤S3具体包括：
采用均值和标准差识别并剔除信号中的异常值；
采用傅里叶变化对信号进行频谱分析；
采用小波半软阈值降噪方法对异常值处理后的信号进行降噪，其阈值函数为：
其中，λ为给定阈值，wj,k为小波系数，为估计后的小波系数，α为矫正系数；
提取降噪后的信号在时域、频域和时频域的信号特征。
进一步地，步骤S4中的深度迁移学习模型，具体包括：
S4.1、特征提取器：将源域信号与目标域信号通过CNN卷积神经网络进行深度特征提取，并将所得特征进行扁平化处理；
S4.2、预测器：将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，并将损失函数最小化作为训练目标，以更新预测器的网络参数θP与特征提取器的网络参数θF；
S4.3、领域分类器：将提取到的源域信号特征与目标域信号特征输入到领域分类模型中进行分类训练，其损失函数采样交叉熵函数为：
其中，为源域信号与目标域信号的分类损失，/>分别为源域信号与目标域信号，m为批量次数，/>为源域信号所对应的域分类输出，/>为目标域信号所对应的域分类输出，/>为源域信号在特征提取器上所提取到的特征，/>为目标域信号在特征提取器上所提取到的特征；
以该损失函数更新领域分类器的网络参数θD；
将目标域信号特征赋予相反的域标签之后输入到领域分类器中进行训练，并计算其损失函数：
其中，为目标域分类损失；
通过目标域信号特征的领域划分损失函数更新领域分类器参数θD与特征提取器参数θF；
采用正常的源域、目标域的分类损失与反域标签的目标域分类损失之间的对抗训练混淆特征提取器，即将正常的源域、目标域的分类损失/>达到最大；
S4.4、MMD最大均值化差异计算：将源域信号特征与目标域信号特征映射到希尔伯特高维空间，计算其最大均值化差异：
其中，为源域特征与目标域特征在高维希尔伯特空间上计算的最大均值化差异，nS和nt分别为源域和目标域的样本数，/>为映射函数，/>为对源域样本进行映射，/>为对目标域样本进行映射，||·||为L2范数，Η为希尔伯特空间；
并以最小化为目标对特征提取器的网络参数θF进行更新。
进一步地，步骤S4.2中将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，其损失函数为：
其中，为预测器的输出/>与实际标签/>结果均方根误差函数计算后的误差值。
本发明提供的基于传感器信号与深度迁移学习的易损件失效预测方法，具有以下有益效果：
本发明基于迁移学习的方法可以充分利用源域的数据和知识，来提高目标域的学习效果，同时有效地利用多个信息来源的信息，提高模型的预测性能和泛化能力，对于提高机械设备的可靠性和安全性，具有重要的实际应用价值。
本发明采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型，同时引入领域对抗与领域自适应的思想，使得模型的迁移效果和模型的泛化性更好。
本发明可减少数据需求：利用传统的机器学习方法进行易损件失效预测需要大量的样本数据，而采用迁移学习方法可以利用其他相关领域的数据，从而减少对于易损件实验数据需求，降低数据采集和标注的成本。
本发明可提高预测精度：由于易损件失效预测是一个复杂的任务，迁移学习可以利用其他领域的知识来提高模型的泛化能力，从而提高预测的准确性和精度。
本发明可加速模型训练：利用预训练的模型进行迁移学习可以减少模型训练的时间，提高训练效率。
本发明可实现知识共享：通过迁移学习，同领域的知识可以相互借鉴和共享，从而促进领域之间的交叉融合，提高创新能力。
附图说明
图1为基于传感器信号与深度迁移学习的易损件失效预测方法的流程图。
图2为迁移学习方法的模型结构。
图3为轴承退化的加速实验平台和不同失效方式以及三种不同工况下的振动信号。
图4为传统CNN深度学习模型的预测结果。
图5为本发明提出的迁移学习模型的预测结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
本实施例提供一种基于传感器信号与深度迁移学习的易损件失效预测方法，本实施例基于迁移学习的方法可以充分利用源域的数据和知识，来提高目标域的学习效果，同时有效地利用多个信息来源的信息，提高模型的预测性能和泛化能力，参考图1，其具体包括以下步骤：
步骤S1、将不同的传感器安装于易损件上的不同位置；
本步骤的传感器安装方式可根据易损件的结构以及材料特征进行安装，同时采用试错法在不同位置安装传感器。
步骤S2、接收传感器在易损件上采集的信号并进行信号分析；
本步骤将采集到的信号进行时域振幅比对以及频谱分析，最后根据易损件的固有频率与振动幅值进判断传感器的最佳安装位置。
步骤S3、对最佳位置接收的传感器信号进行处理，提取该信号的信号特征，其具体包括以下内容：
异常值处理：传感器采集信号过程中偶尔会有一些人为因素或其他因素的影响导致采集的信号出现一些明显的异常值，本步骤通过基于均值和标准差的方法来识别和剔除异常值，使得所收集的信号更有利于反应易损件的真实运行状况；
频谱分析：利用傅里叶变化，观察所采集的信号的频域范围并根据已有经验判定重点需要进行分析处理的频段；
小波降噪：易损件运行过程中，由传感器所采集到的信号不完全是由该易损件的运转所造成的，其中夹杂着一些噪声信号的干扰，因此本发明采用一种小波半软阈值降噪的方法来对异常值处理后的信号进行降噪，阈值函数如下所示：
其中，λ为给定阈值，wj,k为小波系数，为估计后的小波系数，α为矫正系数；
α＝0时，硬阈值函数，去噪效果显著，但处理后信号的连续性差；
α＝1时:软阈值函数，处理的连续性虽好，但残留了相对较多的噪声；采用半软阈值的方法选取恰当的α来平衡去噪效果；
特征提取：主要反应易损件整个运行周期的变化状态，分别在统计域、频域、时频域三个作用域来提取信号特征，具体提取方法如下表所示：
特征提取表
上表中，表示时域信号的个数；xi表示时域信号；μ表示时域均值；σ表示标准差；E[·]表示期望；k表示频域信号的批量；fi表示第i处频率对应的幅值；表示频域均值；S(·)是通过Welch方法得到的功率谱密度；wtA(i)、wtD(i)分别代表小波分解后的一阶近似系数和一阶细节系数。
步骤S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型；
其中，DANN(Domain-Adversarial Neural Networks)是一种迁移学习的方法，它可以在源域和目标域之间进行知识迁移，以提高目标域上的学习性能和泛化能力。其基本思想是通过一个领域分类器来学习区分源域和目标域数据，并将这个领域分类器与原有的任务分类器进行整合，从而实现对源域和目标域的知识共享。一般来说，DANN方法的核心部分在于领域分类器与特征提取器相互对抗。其中，特征提取器是用于从原始数据中提取有用特征的模型；领域分类器是用于区分源域和目标域数据的模型。该分类器对于相同的输入数据，会输出对应数据来自源域还是目标域的概率。在训练领域分类器的过程中，DANN使用反向传播算法来最小化领域分类器的误差，并通过最小化源域和目标域之间的领域分布差异来实现迁移学习的效果。通过这种方式，DANN可以利用源域和目标域之间的相似性来提高目标域上的学习性能和泛化能力，从而实现跨领域的迁移学习。
MMD(Maximum Mean Discrepancy)是一种基于核方法的迁移学习方法，它可以度量不同领域之间的相似性，并通过最小化不同领域之间的差异来实现迁移学习的效果。其基本思想是通过比较源域和目标域之间的特征分布来评估它们之间的差异，并通过最小化这种差异来实现知识迁移。MMD方法通过以下公式来计算源域和目标域之间的特征分布差异：
其中，Xs和Xt分别表示源域和目标域的样本集合，nS和nt分别表示源域和目标域的样本数，表示将样本x映射到高维空间中的函数，||·||表示L2范数。由于/>很难直接计算，因此MMD通常采用核方法来近似计算。基于MMD的迁移学习方法可以通过最小化源域和目标域之间的特征分布差异来实现迁移学习的效果。具体来说，MMD可以通过以下公式来定义最小化目标域上的风险函数：
miθ_θL(Xs,Ys,θ)+λMMD(Xs,Xt)
其中，L(Xs,Ys,θ)表示在源域上的分类损失函数，θ表示模型参数，λ表示控制MMD项权重的超参数。通过最小化这个风险函数，MMD可以同时优化目标域上的分类性能和源域和目标域之间的特征分布差异，从而实现迁移学习的效果。总的来说，MMD方法通过比较源域和目标域之间的特征分布来度量它们之间的相似性，并通过最小化这种差异来实现知识迁移。这种方法可以在迁移学习任务中取得很好的性能，特别是在源域和目标域的特征空间具有较高相似性的情况下。
参考图2，本步骤将上述两种方法MMD和DANN进行结合，同时引入领域对抗与领域自适应的思想，使得模型的迁移效果和模型的泛化性更好，其包括以下四个部分：
步骤S4.1、特征提取器：将源域信号与目标域信号通过多层卷积神经网络进行深度特征提取，最后将其特征扁平化用于后续分析。
步骤S4.2、预测器：将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算网络输出值与目标值的均方根误差并将其作为损失函数,：
将损失函数最小化作为训练目标，更新预测器的网络参数θP与特征提取器的网络参数θF，使得模型具有一定的收敛性。
步骤S4.3、领域分类器：
第一步，将提取到的源域信号特征与目标域信号特征输入到领域分类模型当中进行分类训练，损失函数采样交叉熵函数为：
以此损失函数来更新域分类器的网络参数θD；
第二步，将目标域信号特征赋予相反的域标签之后输入到领域分类器中进行训练，其损失函数为：
通过目标域信号特征的领域划分损失函数来更新域分类器参数θD与特征提取器参数θF。
利用正常的源域、目标域的分类损失与反域标签的目标域分类损失/>之间的对抗训练来混淆特征提取器，使得特征提取器所提取到的特征在域分类器上无法准确的区分其来自源域还是目标域，也就是说使得域分类损失/>达到最大。
MMD最大均值化差异计算：通过如下公式将源域特征与目标域特征映射到希尔伯特高维空间计算其最大均值化差异：
以最小化MMD为目标对特征提取的网络参数θF进行更新，使得提取到的源域与目标域的特征分布更具有一致性，到达迁移学习的目的。
步骤S5、采用易损件的深度学习预测模型进行易损件的失效预测。
在传统技术中，故障预测方面通常是采用额定阈值进行失效判定，不同应用场景选用的额定阈值各有差异，例如针对机械加工的刀具磨损失效预测，通常是设定一个磨损值上限，当模型预测值超过其阈值上限时，判断当前所采集到的信号对应了刀具已失效状态；又比如常见的轴承零件，其失效方式不仅是单一的磨损行为，难以通过具体的物理量来作为失效阈值，一般是通过收集完整周期的失效数据，统计其每个循环周期对应的剩余寿命值，再设定一个额定剩余寿命下限作为失效判定阈值。
本发明预测方法在不同易损件上具有通用性，因此本实施例选用美国2012年PHM故障预测与健康管理挑战赛的公开轴承失效数据集来对本发明的迁移学习模型进行测试。
参考图3，展示了轴承退化的加速实验平台和不同失效方式以及三种不同工况下的振动信号，从信号图谱发现不同工况运行下的轴承其整个周期的振动信号形式具有一定的差异性，这种差异性在迁移学习上通常叫做特征分布不一致，而传统机器学习能发挥作用的必要条件是特征分布的一致性，因此本发明拟通过迁移学习的方式来拉近不同领域信号的特征分布，使得机器学习模型发挥出更好的预测性能。
首先选用第三种工况下的轴承数据作为源域(需要向模型导入其振动信号与相对应的寿命标签)，然后搭建一个普通的CNN卷积神经网络模型，之后进行模型的训练，最后将训练好的模型用在第一种工况下测试，其预测结果如图4所示，预测效果很差，说明模型的泛化性较弱。
测试本发明提出的迁移学习预测模型，同样选用第三种工况下的轴承数据作为源域(需要向模型导入其振动信号与相对应的寿命标签)，再选择第一种工况作为目标域(仅将其振动信号导入模型)，模型的卷积模块设置与之前的CNN模型一致，之后进行模型的训练与测试。预测结果与图5所示，由该图可知，本发明提出的迁移学习模型的预测效果明显优于传统的CNN网络模型，也验证了迁移学习在不同工况或不同领域问题上的优越性。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (5)
1.一种基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，包括以下步骤：
S1、将不同传感器安装于易损件上的不同位置；
S2、接收不同传感器在易损件上采集的信号，对接收的信号进行数据处理与频谱分析，确定传感器最佳安装位置；
S3、将最佳位置采集到信号经过异常值与降噪处理，提取其不同作用域的特征；
S4、采用CNN卷积神经网络、并结合DANN和MMD特征迁移方法构建易损件的深度学习预测模型；
S5、采用易损件的深度学习预测模型进行易损件的失效预测。
2.根据权利要求1所述的基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，所述步骤S2中将不同位置的传感器信号进行时域幅值比对以及傅里叶变化的频谱分析，确定传感器最佳安装位置。
3.根据权利要求2所述的基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，所述步骤S3具体包括：
采用均值和标准差识别并剔除信号中的异常值；
采用傅里叶变化对信号进行频谱分析；
采用小波半软阈值降噪方法对异常值处理后的信号进行降噪，其阈值函数为：
其中，λ为给定阈值，wj,k为小波系数，为估计后的小波系数，α为矫正系数；
提取降噪后的信号在时域、频域和时频域的信号特征。
4.根据权利要求3所述的基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，所述步骤S4中的深度迁移学习模型，具体包括：
S4.1、特征提取器：将源域信号与目标域信号通过CNN卷积神经网络进行深度特征提取，并将所得特征进行扁平化处理；
S4.2、预测器：将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，并将损失函数最小化作为训练目标，以更新预测器的网络参数θP与特征提取器的网络参数θF；
S4.3、领域分类器：将提取到的源域信号特征与目标域信号特征输入到领域分类模型中进行分类训练，其损失函数采样交叉熵函数为：
其中，为源域信号与目标域信号的分类损失，/>分别为源域信号与目标域信号，m为批量次数，/>为源域信号所对应的域分类输出，/>为目标域信号所对应的域分类输出，/>为源域信号在特征提取器上所提取到的特征，/>为目标域信号在特征提取器上所提取到的特征；
以该损失函数更新领域分类器的网络参数θD；
将目标域信号特征赋予相反的域标签之后输入到领域分类器中进行训练，并计算其损失函数：
其中，为目标域分类损失；
通过目标域信号特征的领域划分损失函数更新领域分类器参数θD与特征提取器参数θF；
采用正常的源域、目标域的分类损失与反域标签的目标域分类损失/>之间的对抗训练混淆特征提取器，即将正常的源域、目标域的分类损失/>达到最大；
S4.4、MMD最大均值化差异计算：将源域信号特征与目标域信号特征映射到希尔伯特高维空间，计算其最大均值化差异：
其中，为源域特征与目标域特征在高维希尔伯特空间上计算的最大均值化差异，nS和nt分别为源域和目标域的样本数，/>为映射函数，/>为对源域样本进行映射，/>为对目标域样本进行映射，||·||为L2范数，Η为希尔伯特空间；
并以最小化为目标对特征提取器的网络参数θF进行更新。
5.根据权利要求4所述的基于传感器信号与深度迁移学习的易损件失效预测方法，其特征在于，所述步骤S4.2中将特征提取器所获取的源域信号特征代入到多个全连接神经网络中进行模型的预训练，计算该全连接神经网络输出值与目标值的均方根误差并将其作为损失函数，其损失函数为：
其中，为预测器的输出/>与实际标签/>结果均方根误差函数计算后的误差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310348914.6A CN116628418A (zh) | 2023-04-03 | 2023-04-03 | 基于传感器信号与深度迁移学习的易损件失效预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310348914.6A CN116628418A (zh) | 2023-04-03 | 2023-04-03 | 基于传感器信号与深度迁移学习的易损件失效预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116628418A true CN116628418A (zh) | 2023-08-22 |
Family
ID=87590857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310348914.6A Pending CN116628418A (zh) | 2023-04-03 | 2023-04-03 | 基于传感器信号与深度迁移学习的易损件失效预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628418A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150918A (zh) * | 2023-09-08 | 2023-12-01 | 南京理工大学 | 一种基于小样本机器学习的高精度疲劳寿命预测方法 |
-
2023
- 2023-04-03 CN CN202310348914.6A patent/CN116628418A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150918A (zh) * | 2023-09-08 | 2023-12-01 | 南京理工大学 | 一种基于小样本机器学习的高精度疲劳寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110285969B (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
| CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
| CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
| CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| CN110796120A (zh) | 基于时域特征的断路器机械故障XGBoost诊断方法 | |
| CN116628418A (zh) | 基于传感器信号与深度迁移学习的易损件失效预测方法 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
| CN112001115B (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
| CN112686372A (zh) | 基于深度残差gru神经网络的产品性能预测方法 | |
| CN112164033A (zh) | 一种基于异常特征编辑的对抗网络纹理表面缺陷检测方法 | |
| CN112101765A (zh) | 一种配电网运行指标数据异常数据处理方法及系统 | |
| CN115452381A (zh) | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN113610188A (zh) | 弓网接触力非区段异常识别方法及装置 | |
| CN116405109A (zh) | 基于线性直驱的光模块通信自适应调制方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| Wang et al. | Application of an oversampling method based on GMM and boundary optimization in imbalance-bearing fault diagnosis | |
| CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
| CN117349595A (zh) | 一种面向工业场景的极端少样本故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |