CN116628587A - 一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 - Google Patents
一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN116628587A CN116628587A CN202310414009.6A CN202310414009A CN116628587A CN 116628587 A CN116628587 A CN 116628587A CN 202310414009 A CN202310414009 A CN 202310414009A CN 116628587 A CN116628587 A CN 116628587A
- Authority
- CN
- China
- Prior art keywords
- domain
- rolling bearing
- fault diagnosis
- data
- classification model
- 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 66
- 238000005096 rolling process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013508 migration Methods 0.000 title claims abstract description 17
- 230000005012 migration Effects 0.000 title claims abstract description 17
- 238000012856 packing Methods 0.000 title claims description 16
- 239000013598 vector Substances 0.000 claims abstract description 45
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000004806 packaging method and process Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011345 viscous material Substances 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法,对源域数据和目的域数据分别进行数据初级特征提取并组成多域特征向量,再对特征向量进行归一化处理;源域数据归一化后的特征向量输入堆叠自动编码器,提取数据的深度特征,再输入SoftMax分类器进行状态分类,堆叠自动编码器和SoftMax分类器串联组成故障诊断分类模型;分类准确率达到要求的故障诊断分类模型从源域迁移到目的域,利用迁移后的故障诊断分类模型对实际工作运行状态下的滚动轴承运行状态检测。本发明有助于提高故障诊断分类模型对早期故障信号的特征提取准确性和早期故障分类的精确度。
Description
技术领域
本发明属于包装机滚动轴承早期故障诊断的技术领域,具体涉及一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法。
背景技术
全自动包装机具有高度的精密性和自动化,其结构复杂,连续不间断包装生产时间一般在一周以上,一旦包装机发生故障停机将造成巨大的经济损失。高强度不间断的包装生产也对包装机连续工作的稳定性提出了更高的要求。在包装机的各类故障中,滚动轴承的故障占比最高,约41%。因此检测包装机滚动轴承的运行状态、研究开发包装机滚动轴承早期故障诊断方法对于发展包装行业,提高企业包装生产效率具有重要的意义。
滚动轴承是一种极其精密的部件,它长时间受到循环交变载荷的作用时容易发生疲劳损坏或磨损开裂等故障。包装机的滚动轴承长期受到过大环境湿度、具有腐蚀性黏性大物料以及机器运转摩擦撞击等因素的影响,其故障分多种形式,主要体现在外圈、内圈及滚珠体的磨损、疲劳、腐蚀、断裂等。
目前研究滚动轴承故障诊断的方法主要分为两类:基于模型的诊断方法和基于数据的诊断方法。基于模型的故障诊断方法主要包括状态估计法和在线近似法,这种方法要求对系统内部的结构有深层的认知,其数学建模的准确性和系统噪声都将影响对发生故障早期诊断的准确性。除此之外,包装机自动化程度高、运行状况复杂,要建立准确的数学模型变得更加的困难。
随着人工智能技术迅速发展,故障诊断逐渐走向数据化和智能化,主要包括信号分析、聚类回归分析、机器学习和深度学习等基于数据的诊断方法,这样的故障诊断研究方式大多基于实验平台下单一电机轴承运转的简单情况。而针对包装机滚动轴承实际复杂的工作运行状况而言,由于其严重的生产噪声干扰的影响,轴承发生早期故障具有信号幅值变化小、故障特征弱、不易被诊断出的特点,相对于一般的故障,其诊断难度更大。此外,由于训练故障诊断模型对数据数量要求很大,而对于在工业应用生产中的包装机而言,要想获得大量的、不同运行工况下的、故障类型齐全的振动信号数据需要付出巨大代价,且难以实施。
发明内容
针对现有技术中存在不足,本发明提供了一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法,提高滚动轴承早期微弱故障诊断的准确性。
本发明是通过以下技术手段实现上述技术目的的。
一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法:
对源域数据和目的域数据分别进行数据初级特征提取并组成多域特征向量,再对所述特征向量进行归一化处理,所述初级特征提取的信息包括时域特征信息、频域特征信息和时频域特征信息;
源域数据归一化后的特征向量输入堆叠自动编码器,提取数据的深度特征,输入SoftMax分类器进行状态分类,所述堆叠自动编码器和SoftMax分类器串联组成故障诊断分类模型;
分类准确率达到要求的故障诊断分类模型从源域迁移到目的域,利用迁移后的故障诊断分类模型对实际工作运行状态下的滚动轴承运行状态检测,若诊断出滚动轴承存在故障状态类型,根据诊断结果及时安排维护或者更换轴承。
进一步的技术方案,所述时域特征信息包括峰值、方差、均方根、绝对平均幅值、波形因子和峭度,所述频域特征信息包括重心频率、均方频率和频率方差。
进一步的技术方案,所述时频域特征信息的提取采用小波包分解,具体为:求滚动轴承振动信号在正交小波包空间上的小波变换系数序列,根据各个不同频带的小波变换系数序列,求得每一个节点的能量值,将每个节点能量值作为时频域特征。
进一步的技术方案,所述源域数据是实验平台获取的滚动轴承振动信号数据,所述目的域数据是实际工作运行状态下的滚动轴承振动信号数据。
进一步的技术方案,所述堆叠自动编码器包括5层自动编码器,所述自动编码器包括输入层、卷积层、池化层和隐藏层。
更进一步的技术方案,所述自动编码器包括编码和解码两个过程,编码过程中计算数据损失,并通过多次迭代运算。
更进一步的技术方案,所述堆叠自动编码器利用源域训练集进行训练,源域测试集用于测试故障诊断分类模型的分类准确率。
更进一步的技术方案,所述故障诊断分类模型利用反向梯度下降算法进行参数优化,具体是优化编码过程的连接权重和偏置。
进一步的技术方案,将故障诊断分类模型从源域迁移到目的域时,目的域训练集归一化后的特征向量作为迁移后故障诊断分类模型的输入,实现目的域初级特征向量的深度特征提取与故障分类。
进一步的技术方案,将故障诊断分类模型从源域迁移到目的域,是通过迁移学习实现目的域归一化后特征向量和源域归一化后特征向量的同分布映射。
本发明的有益效果为:
(1)本发明以提取的9+m个初级多域特征值作为故障诊断分类模型的输入,丰富故障特征信息;利用堆叠自动编码器对多域特征信息进行深度融合处理,提取深度特征,既有利于精准提取微弱故障特征信息,又避免干扰信息过大而特征数据太小被掩盖的问题。
(2)本发明将自动编码器(无监督学习)所提取到的深度特征输入SoftMax分类器进行故障分类,并利用有监督学习进行故障诊断分类模型的参数优化,这种利用有监督学习和无监督学习相结合的方法,有助于提高故障诊断分类模型对早期故障信号的特征提取准确性和早期故障分类的精确度,加强对微弱特征的早期故障诊断的适应性和针对性。
(3)本发明将早期故障诊断分类模型与迁移学习算法进行结合,使故障诊断分类模型既能解决目的域训练数据集少的问题,又能使故障诊断分类模型也适用于目的域的故障诊断及分类,提高了故障诊断分类模型的跨域处理能力。
附图说明
图1为本发明所述基于迁移自编码网络的包装机滚动轴承早期故障诊断流程图;
图2为本发明所述提取多域特征向量及其组成成分的示意图;
图3为本发明所述故障诊断分类模型结构图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法,具体包括如下步骤:
步骤(1),在本发明中,将实验平台所获取的滚动轴承振动信号数据,称之为源域数据(以xs表示);实验平台的滚动轴承运行状况尽可能与实际包装机的运行工况相似,且其故障类型较完备,故障标签齐全。实验平台的滚动轴承状态分为:正常状态、内圈故障状态、外圈故障状态和滚珠体故障状态,在故障状态时分别设置故障直径为7mils、14mils和21mils,分别代表早期、中期和后期三种不同程度的故障状态,一共为9种故障状态类型,合计10种状态。
将包装机实际工作运行状态下的滚动轴承振动信号数据称之为目的域数据(以xo表示)。
分别对源域和目的域数据以7:3的比例进行数据划分,其中70%用于故障诊断分类模型(即堆叠自动编码器+SoftMax分类器)训练,分别称为源域训练集(以train_xs表示)和目的域训练集(以train_xo表示);剩余的30%用于故障诊断分类模型测试,分别称为源域测试集(以val_xs表示)和目的域测试集(以val_xo表示)。
其中滚动轴承振动信号数据的获取为现有技术,在此不再赘述。
步骤(2),如图2所示,对源域数据和目的域数据分别进行数据初级特征提取并组成多域特征向量,初级特征提取的信息包括时域特征信息、频域特征信息和时频域特征信息。
1)时域特征信息主要是计算滚动轴承振动信号与时间相关的统计特征,包括峰值(用xm表示)、方差(用xs2表示)、均方根(用xrms表示)、绝对平均幅值(用xa表示)、波形因子(用xc表示)和峭度(用K表示),相应的计算公式如下:
峰值xm:xm=max(xn);
方差
均方根xrms:
绝对平均幅值xa:
波形因子xc:
峭度K:
其中,滚动轴承振动信号(实验平台数据或实际工作数据)时间序列xn,N为振动信号数据点数,由采集数据的采样频率和采样时间确定,为平均值,且/>
2)频域特征信息的提取包括频谱分析和频域特征提取两步
①频谱分析
由于采集到的滚动轴承振动信号数据是离散的时间序列,利用离散傅里叶变换(DFT)获取滚动轴承振动信号xn的频域谱,DFT的计算公式为:
其中,X(k)表示频域谱序列,j为复数符号。
②频域特征提取
求得频谱后,计算频域的相关特征值参数,包括重心频率(用fb表示)、均方频率(用fz表示)、频率方差(用fp表示),设Ai(f)为频率点fi所对应的幅值,具体计算公式为:
重心频率fb:
均方频率fz:
频率方差fp:
3)时频域特征信息的提取采用小波包分解
求滚动轴承振动信号xn在正交小波包空间上的小波变换系数序列{ps(m,l,k)}k∈Z:
其中:Z表示整数集,wm,l,k(n)表示小波包基,k为节点变量,l表示分解的层数,m表示分解得到的节点数,且m=2l;
根据各个不同频带的小波变换系数序列{ps(m,l,k)}k∈Z,求得每一个节点的能量值将每个节点能量值作为时频域特征。
将提取的6个时域特征值、3个频域特征值、m个时频域特征值组成多域特征向量P,第i个特征值用xi表示,则
步骤(3),由于特征向量的大小范围不一致,直接进行模型训练会增大训练时间,甚至引起无法收敛,因此对特征向量进行归一化处理,采用最大最小标准化的方法对特征向量进行归一化处理,将原始特征向量映射到[-1~1],计算方法如下:
其中:xmin表示特征向量中的最小值,xmax表示特征向量中的最大值,x′表示归一化后的特征向量。
步骤(4),如图3所示,搭建堆叠自动编码器网络,堆叠5层自动编码器对源域数据归一化后的特征向量进行深度融合。
由于滚动轴承振动信号数据具有时间上的局部关联性,意味着自动编码器中每个神经元不需要建立与上一层的全连接,只需要建立局部连接。因此本发明中提出了对于自动编码器的改进方法-在自动编码器的基础上加上卷积和池化运算,即以卷积层和池化层代替自动编码器的全连接层;利用自动编码器输入层到隐藏层的自动编码技术实现对数据的深度特征提取。
每一个完整的自动编码器包括编码和解码两个过程,在编码过程中,卷积层完成对于数据的卷积运算,设经过卷积运算以后输出的特征为h′k,其卷积运算公式为:
其中:fe(·)为编码器非线性激活函数,在本实施例中取RELU函数,w1和b1分别为特征向量在卷积运算中的连接权重和偏置,表示卷积运算。
通过卷积运算,实现深度特征提取。为进一步去除无关干扰防止运算过拟合加入了池化层,在本实施例中采用均值池化,然后进一步的对h′k进行池化运算,设经过池化运算输出的特征为hk,计算公式为:
hk=f(pool(h′k)w2+b2)
其中,pool(·)为池化运算,w2和b2分别为特征向量在池化运算中的连接权重和偏置。
编码器的解码过程实际上就是编码过程的逆运算,目的是验证编码过程的编码损失。利用提取出来的特征值hk进行数据重构,包括反池化和反卷积过程,从而计算出重构数据yk;反池化和反卷积的计算公式如下所示:
其中:unpool(·)为反池化运算,和/>分别为特征向量hk在反池化运算中的连接权重和偏置,/>表示hk经过反池化重构出来的特征值,/>为反卷积激活函数,/>和/>分别反卷积运算中的连接权重和偏置,yk为特征值hk经过解码重构出来的数据。
编码过程是有损的过程,以均方误差(Lmse)表示数据经过编码后的数据损失,均方误差的计算公式为:
式中,yk表示利用编码后的特征值重构所得的重构值。
通过多次迭代运算降低损失值,达到了去除由干扰因素造成的冗余特征,完成数据深度特征提取的作用。
在自动编码器的串联堆叠过程中,第1层AE自编码器的输入节点数与特征向量P中的特征值维数9+m相同,后4层自编码器设置输入节点数分别为1024、512、256、128,最后一层自编码器的输出节点数与故障诊断分类类型数一致,在本实施案例中取10。
在自动编码器的堆叠过程中,将每一层自动编码器进行串联,即上一层自动编码器的隐藏层输出数据作为下一层自动编码器的输入。根据经验设置初始化参数,设置学习率λ=0.1,连接权重ω和偏置b根据经验公式初始化:
式中,randn表示可产生标准正态分布的随机数和矩阵的函数,randn(u,v)代表产生u行v列的标准正态分布矩阵,v为输入节点数,u为输出节点数。设置动量因子Momentum的定义为:
式中,ρ为动量因子学习率,取0.5-0.9;lnL为对数似然函数,β表示衰减率;自动编码器非线性激活函数选用sigmoid激活函数,依次训练好5层自动编码器。
步骤(5),利用步骤(1)中的源域训练集训练堆叠自动编码器,再跟SoftMax分类器进行串联,构成故障诊断分类模型,如图3所示。
将最后一层自动编码器的隐藏层输出作为SoftMax分类器的输入,最后一层自动编码器的输出节点数等于SoftMax分类器的输入节点数。
SoftMax分类器进行分类的方程为:
其中,p(y(i)=K|x(i);θ)代表第K个类别概率下分类概率,x(i)表示故障实际标签值,y(i)表示故障诊断分类模型预测输出值,参数θ为每一个类别对应分类器的参数矩阵,表示为:
根据分类方程计算滚动轴承10种状态分类概率大小。
步骤(6),利用基于反向梯度下降算法对故障诊断分类模型进行参数优化
计算故障诊断分类模型输入的特征向量经过5层自动编码器降维以后最后一层每一个节点的残差
其中,yl (i)为该节点故障实际标签值,xl (i)为故障诊断分类模型节点输出值,表示节点输入加权和,fe'为传递激活函数的导数,根据下式推导出其它l-1,l-2,......,1(l=5)层的节点残差计算公式为:
其中,表示自动编码器第l-1层第i个节点的连接权重。
SoftMax分类器的损失函数▽θ,lJ(θ)表示为:
其中:1(·)表示当括号内真时取1,否则取0。
综合上面两个公式,推算出编码过程的连接权重w和偏置b的偏导值表示为:
其中:(al)T表示第l层激活值的转置。
利用反向梯度下降算法对模型中的参数(编码过程的连接权重w和偏置b)进行迭代更新,进而完成对于整个故障诊断分类模型参数的优化。
步骤(7),完成对模型的参数优化以后,采用源域测试集数据对模型进行测试,测试故障诊断分类模型的分类效果。
利用源域训练集数据train_xs对故障诊断分类模型进行训练好以后,保存模型的参数,得到初步的模型,利用源域测试集数据val_xs对于模型进行初步验证,若故障诊断的分类准确率达到95%以上则进入步骤(8),若准确率低于95%则返回步骤(5),继续反向梯度参数优化。
步骤(8),利用迁移学习实现目的域归一化后特征向量和源域归一化后特征向量的同分布映射,实现基于源域数据建立的故障诊断分类模型从源域到目的域的参数迁移。
迁移学习可以解决由于目的域带标签数据样本不足的问题。迁移学习能够实现目的域和源域的模型迁移需要满足两个条件:
①目的域归一化后特征向量和源域归一化后特征向量应满足独立同分布的条件;
②关于滚动轴承运行状况的目的域数据和源域数据要求其对应轴承的运行工况应该相似。
因此本发明采用最大均值差异(Maximum mean discrepancy,MMD)的领域自适应数据对齐算法实现源域归一化后特征向量和目的域归一化后特征向量的同分布映射。
利用高斯核函数ξ(·)对源域归一化后的特征向量和目的域归一化后的特征向量进行样本空间映射,将两个不同分布的样本映射到同一个空间。
最大均值差异MMD可以用于度量在再生希尔伯特空间中两个数据分布的距离,MMD的定义式为:
式中:N和M分别为源域和目的域的初级特征样本数量。
计算出源域归一化后特征向量和目的域归一化后特征向量的MMD距离,将故障诊断分类模型迁移至目的域。
步骤(9),目的域训练集归一化后的特征向量作为迁移后故障诊断分类模型的输入,实现目的域初级特征向量的深度特征提取与故障分类,从而完整实现该模型从源域到目的域的迁移。
步骤(10),利用目的域测试集归一化后的特征向量进行模型测试,对实际工作运行状态下的包装机滚动轴承运行状态检测,若诊断出滚动轴承为9种故障状态类型中某一种,根据诊断结果及时安排维护或者更换轴承,避免故障恶化带来更大的损失。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法,其特征在于:
对源域数据和目的域数据分别进行数据初级特征提取并组成多域特征向量,再对所述特征向量进行归一化处理,所述初级特征提取的信息包括时域特征信息、频域特征信息和时频域特征信息;
源域数据归一化后的特征向量输入堆叠自动编码器,提取数据的深度特征,输入SoftMax分类器进行状态分类,所述堆叠自动编码器和SoftMax分类器串联组成故障诊断分类模型;
分类准确率达到要求的故障诊断分类模型从源域迁移到目的域,利用迁移后的故障诊断分类模型对实际工作运行状态下的滚动轴承运行状态检测,若诊断出滚动轴承存在故障状态类型,根据诊断结果及时安排维护或者更换轴承。
2.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述时域特征信息包括峰值、方差、均方根、绝对平均幅值、波形因子和峭度,所述频域特征信息包括重心频率、均方频率和频率方差。
3.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述时频域特征信息的提取采用小波包分解,具体为:求滚动轴承振动信号在正交小波包空间上的小波变换系数序列,根据各个不同频带的小波变换系数序列,求得每一个节点的能量值,将每个节点能量值作为时频域特征。
4.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述源域数据是实验平台获取的滚动轴承振动信号数据,所述目的域数据是实际工作运行状态下的滚动轴承振动信号数据。
5.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述堆叠自动编码器包括5层自动编码器,所述自动编码器包括输入层、卷积层、池化层和隐藏层。
6.根据权利要求5所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述自动编码器包括编码和解码两个过程,编码过程中计算数据损失,并通过多次迭代运算。
7.根据权利要求5所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述堆叠自动编码器利用源域训练集进行训练,源域测试集用于测试故障诊断分类模型的分类准确率。
8.根据权利要求6所述的包装机滚动轴承早期故障诊断方法,其特征在于,所述故障诊断分类模型利用反向梯度下降算法进行参数优化,具体是优化编码过程的连接权重和偏置。
9.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,将故障诊断分类模型从源域迁移到目的域时,目的域训练集归一化后的特征向量作为迁移后故障诊断分类模型的输入,实现目的域初级特征向量的深度特征提取与故障分类。
10.根据权利要求1所述的包装机滚动轴承早期故障诊断方法,其特征在于,将故障诊断分类模型从源域迁移到目的域,是通过迁移学习实现目的域归一化后特征向量和源域归一化后特征向量的同分布映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414009.6A CN116628587A (zh) | 2023-04-18 | 2023-04-18 | 一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414009.6A CN116628587A (zh) | 2023-04-18 | 2023-04-18 | 一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628587A true CN116628587A (zh) | 2023-08-22 |
Family
ID=87620197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310414009.6A Pending CN116628587A (zh) | 2023-04-18 | 2023-04-18 | 一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628587A (zh) |
-
2023
- 2023-04-18 CN CN202310414009.6A patent/CN116628587A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
CN112183581A (zh) | 基于自适应迁移神经网络的半监督机械故障诊断方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
Liu et al. | Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning | |
CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN110751186A (zh) | 一种基于监督式表示学习的跨项目软件缺陷预测方法 | |
CN109034276A (zh) | 基于bp神经网络的阀体故障诊断方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN111026058A (zh) | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
Guo et al. | Fault diagnosis of reciprocating compressor valve based on transfer learning convolutional neural network | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
CN115330697A (zh) | 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN116628587A (zh) | 一种基于迁移自编码网络的包装机滚动轴承早期故障诊断方法 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
CN114235409B (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 |
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 |