CN116644348A - 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 - Google Patents

基于传递式对抗迁移的跨机械部件故障诊断方法及装置 Download PDF

Info

Publication number
CN116644348A
CN116644348A CN202310596525.5A CN202310596525A CN116644348A CN 116644348 A CN116644348 A CN 116644348A CN 202310596525 A CN202310596525 A CN 202310596525A CN 116644348 A CN116644348 A CN 116644348A
Authority
CN
China
Prior art keywords
domain
target
source
migration
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
Application number
CN202310596525.5A
Other languages
English (en)
Inventor
唐刚
韩朝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202310596525.5A priority Critical patent/CN116644348A/zh
Publication of CN116644348A publication Critical patent/CN116644348A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/094—Adversarial 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开基于传递式对抗迁移的跨机械部件故障诊断方法及装置。S1.采集目标旋转部件的运行数据，基于运行数据获取目标旋转部件故障诊断数据集并构建目标域；S2.采集源旋转部件的运行数据，基于运行数据获取源旋转部件故障诊断数据集并构建源域和中间域；S3.构建域度量指标，筛选中间域中旋转部件故障诊断数据集，选取最优中间域桥接源域和目标域；S4.构建数据增强模型，扩充目标域的训练集；S5.构建传递迁移模型，实现源域至中间域以及中间域至目标域的两阶段迁移；S6.设置传递迁移模型的优化目标函数并训练模型；S7.保存步骤S6中目标域的诊断框架的特征提取器和分类器的结构参数，构建出故障诊断模型；输入目标域的测试集，输出最终诊断结果。

Description

基于传递式对抗迁移的跨机械部件故障诊断方法及装置
技术领域
本发明涉及机械故障诊断技术领域，尤其涉及一种基于传递式对抗迁移的跨机械部件故障诊断方法及装置。
背景技术
机械设备广泛应用于我国制造行业，智能制造计划的提出对机械设备的智能化及可靠性提出更高的要求。齿轮等旋转机械零部件在机械设备中承担着传动作用，通常在高转速、高负载的恶劣条件下长期运行，相较于其他零部件更易失效并导致机械部件产生破坏，进而造成设备的系统级故障，从而导致不可挽回的经济损失甚至人身安全。因此，开发智能的旋转机械(旋转机械包括但不限于齿轮)故障诊断技术，对提高设备有效服役时间、减少设备维护费用、提高国家生产总值和保障国民生命安全具有一定的现实意义。然而，在实际工业场景中，收集大量旋转机械运行数据及数据标签信息非常困难，同时设备工况变化会造成同数据标签下的数据特征偏移，对旋转机械的故障诊断提出了相应的挑战。
现有的旋转机械故障诊断技术大致分为两类：一类是基于信号处理与统计学模型的传统机器学习故障诊断技术，另外一类是基于大数据驱动的深度神经网络故障诊断技术。前者在搭建统计学模型阶段需要使用者具备丰富的专业背景知识，具有一定的技术门槛。后者依靠可以学习复杂非线性映射的卷积神经元构建深层网络，依据大量标签数据拟合出符合要求的函数以完成诊断任务，能够有效解决前者技术门槛高的问题。
在第二类方法中，现有技术中大多使用无监督迁移学习进行旋转机械故障诊断，在对齐源域、目标域数据特征分布的基础上，提取源域中带标签数据的特征并优化模型参数，进而在目标域的数据中进行测试完成最终的诊断目标。例如，基于特征度量的领域自适应方法等，广泛应用于旋转机械故障诊断。但现有方法中仍有下列问题需要解决：(1)基于特征度量的领域自适应故障诊断技术严重依赖于特征度量指标的使用，虽然一些对齐边缘概率分布差异、条件概率分布差异、联合概率分布差异的度量指标以及更新颖的改进度量指标相继提出，但在未知目标域数据分布的条件下无法定量评估特征度量指标的优先度，需尝试多种类型的特征度量指标来确定待诊断任务中源域和目标域的数据分布情况，无法自适应确定合适的特征度量指标，具有耗时费力的缺点，不利于业界推广。(2)现有无监督迁移故障诊断技术大多使用单步域自适应完成源域至目标域的诊断，在源域、目标域数据分布差异不大的条件下具有良好的效果。但实际中同设备、不同工况下的同种旋转机械以及不同设备、同工况下的同种旋转机械都存在较大的数据分布差异(即源域和目标域数据分布差异较大)。现有方法大多不能有效对齐源域和目标域两类数据分布，诊断结果的有效性难以保证。(3)现有无监督迁移故障诊断技术大多关注于同种类型零部件的迁移诊断，例如不同工况下所收集的同一齿轮运行数据或不同工况、不同齿轮结构尺寸、不同齿轮型号下所收集的齿轮运行数据。通过傅里叶变换，所收集数据在频域更易表现出相近的频谱特性，在迁移诊断过程中更容易实现，受到学者广泛研究。但在实际场景中，不一定能获取含有大量丰富标签的同类型零部件运行数据作为源域来开展故障诊断，即无法开展同构数据域迁移诊断技术来实现目标机械零部件的故障诊断，从数据层面极大限制了现有无监督迁移故障诊断技术的实施。
发明内容
本发明的目的在于提供一种基于传递式对抗迁移的跨机械部件故障诊断方法及装置，以缓解现有无监督迁移诊断技术在实施过程中存在耗时费力、诊断结果有效性难以保证以及源域数据标签有限或单一等问题。
第一方面，本发明提供一种基于传递式对抗迁移的跨机械部件故障诊断方法，跨机械部件故障诊断方法应用于旋转机械，旋转机械包括源旋转部件和目标旋转部件；跨机械部件故障诊断方法用于目标旋转部件的故障诊断，包括以下步骤：
S1.采集目标旋转部件的运行数据，基于运行数据获取目标旋转部件故障诊断数据集；基于目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集；
S2.采集源旋转部件的运行数据，基于运行数据获取源旋转部件故障诊断数据集；基于源旋转部件故障诊断数据集构建源域和中间域；其中，源域基于一种实验台下的源旋转部件故障诊断数据集构建，中间域基于多种实验台下的源旋转部件故障诊断数据集构建；
S3.构建域度量指标，利用域度量指标筛选中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接源域和目标域；
S4.构建数据增强模型，用于扩充目标域的训练集；
S5.构建传递迁移模型，用于实现源域至中间域以及中间域至目标域的两阶段迁移；
S6.设置传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定可迁移特征提取器的结构参数的条件下对传递迁移模型的分类器进行训练；
S7.保存步骤S6中目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型；输入目标域的测试集至故障诊断模型进行故障识别，输出最终诊断结果。
与现有技术相比，本发明针对实际设备数据获取困难、无同类型零部件标记数据可用，难以开展同构域迁移诊断的实际应用问题，提出一种新的解决方法。采用一种对抗迁移学习的模型运作形式，避免了对特征度量指标的选取、适配与优化，使用分类损失即可完成模型优化目标函数的构建，在应用过程中更具有普适性。具体看，迁移学习是一种缩小两个领域分布差异来实现共性知识传递的方法。现有基于特征的迁移诊断模型通过对度量指标的选取与改进来对齐领域的边缘概率分布、条件概率分布或联合概率分布。对于特定的迁移诊断任务，在未知领域先验分布信息的条件下，现有迁移诊断模型需尝试上述三种类型的特征度量指标来适配模型以期提高模型的性能，具有耗时费力的缺点。而本发明通过采用对抗迁移与动态权重因子的形式，在以对抗迁移网络训练方式的基础上，通过动态权重因子在模型训练过程中动态调整两个基本分布(边缘概率分布、条件概率分布)的损失对模型最终优化目标的贡献程度，无需数据先验信息即可自适应对优化目标函数进行加权，节省了计算成本，有效降低领域数据先验分布信息的要求。而且节省了对特定任务先验分布信息的获取及适配特征度量指标的过程，因此能够有效的克服现有技术中存在的耗时费力以及不利于业界推广等问题。
本发明还采用一种两阶段迁移诊断流程，不断优化特征提取器的结构参数并移植至新的诊断流程，通过多级优化实现弱相关领域间的迁移诊断，相较于单步域自适应迁移诊断方法更有效，鲁棒性更强。现有迁移诊断模型往往采用单步域自适应完成诊断过程，当领域之间分布差异过大时，此类模型的泛化性存在问题。本发明通过一种多级迁移学习(两步域自适应过程)来实现领域之间的共性知识传递，并将其用在弱相关领域数据(轴承→齿轮)之间的传递过程，因此可以适用于领域之间分布差异过大的情况，有效解决现有模型存在的泛化性的问题。
现有技术中存在数据层面的问题。即无法获取含有丰富标签数据的数据集作为源域来开展域迁移过程，也包括标签单一，更多的是指数据量太少无法作为源域，现有迁移诊断模型大多面向同类型零部件的迁移(轴承→轴承等)，在没有数据集能作为源域的条件下，现有模型将失效。本发明通过利用其他类型零部件的数据作为源域来解决上述限制，本发明的核心是开展弱相关领域下的迁移诊断，主要通过数据增强模型扩充目标域数据，并结合两步域自适应过程实现该诊断任务。
第二方面，本发明还提供一种基于传递式对抗迁移的跨机械部件故障诊断装置，包括：
信号采集装置，用于获取旋转机械的运行数据，旋转机械包括源旋转部件和目标旋转部件；
信号处理装置，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时能够执行如下步骤：
S1.基于运行数据获取目标旋转部件故障诊断数据集；基于目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集；
S2.基于运行数据获取源旋转部件故障诊断数据集；基于源旋转部件故障诊断数据集构建源域和中间域；其中，源域基于一种实验台下的源旋转部件故障诊断数据集构建，中间域基于多种实验台下的源旋转部件故障诊断数据集构建；
S3.构建域度量指标，利用域度量指标筛选中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接源域和目标域；
S4.构建数据增强模型，用于扩充目标域的训练集；
S5.构建传递迁移模型，用于实现源域至中间域以及中间域至目标域的两阶段迁移；
S6.设置传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定可迁移特征提取器的结构参数的条件下对传递迁移模型的分类器进行训练；
S7.保存步骤S6中目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型；输入目标域的测试集至故障诊断模型进行故障识别，输出最终诊断结果。
与现有技术相比，本发明提供的基于传递式对抗迁移的跨机械部件故障诊断方法的有益效果与第一方面和/或第一方面任一种实现方式提供的基于传递式对抗迁移的跨机械部件故障诊断方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的基于传递式对抗迁移的跨机械部件故障诊断方法的流程图；
图2为本发明实施例提供的基于传递式对抗迁移的跨机械部件故障诊断方法的过程图；
图3为本发明实施例提供的一种数据增强模型的网络运作流程图；
图4为本发明实施例提供的一种传递迁移模型的网络运作流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。“若干”的含义是一个或一个以上，除非另有明确具体的限定。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”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。
在本发明的描述中，需要说明的是，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，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
为了便于理解本发明实施例提供的基于传递式对抗迁移的跨机械部件故障诊断方法和装置，下面对一些基本的概念做解释：
传递式对抗迁移：属于一种机器学习方法，是传递迁移学习与对抗迁移学习(又称为域对抗神经网络)的一种结合形式，其包含两步域自适应过程，也可以理解为一种多级迁移学习。
跨机械部件：机械部件指的是如轴承、齿轮等单一零部件，跨机械部件指的是本发明所涉及方法可以借助弱相关零部件的运行数据完成迁移诊断过程。例如，可以用轴承的四类健康状态数据通过两步迁移过程实现齿轮的四类健康状态故障诊断。需要进一步说明的是，现有迁移诊断方法均是在同一零部件之间迁移，例如轴承→轴承，齿轮→齿轮，转子→转子等，而本发明所提方法可以是轴承→齿轮的迁移诊断。
数据标签：指零部件在特定故障下运行数据的标签。例如，人工通过线切割为轴承制造一个滚动体故障，将这个故障轴承放在实验台上运行，所采集的数据称为运行数据，滚动体故障是这一段数据的标签。以轴承为例，考虑健康、内圈故障、外圈故障、滚动体故障四类状态。需要进一步解释的是，往往零部件损坏以后不会立刻影响设备的正常运转，但此时该零部件已经发生故障，通过传感器采集的振动信号理论上是故障信号，但从设备运行上来看采集的则是健康信号，因此在设备级的健康运行信号里区分零部件的故障运行信号是故障标签信息难收集的表现形式之一。
本发明实施例提供的一种基于传递式对抗迁移的跨机械部件故障诊断方法，跨机械部件故障诊断方法应用于旋转机械，旋转机械包括源旋转部件和目标旋转部件；跨机械部件故障诊断方法用于目标旋转部件的故障诊断。作为一种示例，源旋转部件可以是轴承，此时，目标旋转部件为齿轮。参见图1和图2，跨机械部件故障诊断方法具体包括以下步骤：
S1.采集目标旋转部件的运行数据，基于运行数据获取目标旋转部件故障诊断数据集。基于目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集。
作为一种示例，当目标旋转部件为齿轮时，可以采用振动传感器在齿轮故障实验台采集齿轮在健康及各种故障状态下的运行数据，即运行数据包括健康运行数据和故障运行数据(振动信号为故障运行数据)。可以基于健康运行数据和故障运行数据制作齿轮故障诊断数据集并构建目标域，划分目标域的训练集和测试集，其中，训练集有少量数据包含数据标签信息。
需要进一步解释说明的是，齿轮故障诊断数据集包含数据标签及数据标签下的所有数据。目标域指的是对齿轮故障诊断数据集处理后获得的可以用于训练和验证模型的数据样本。具体是对每一数据标签下的所有数据做进一步处理，包括切片、去噪等，处理之后目标域包含数据标签及数据标签下的所有样本数据。
当然，齿轮的故障运行数据除了上述的振动信号，还可以是声音信号、轴承温度信号、油液温度信号和金属屑颗粒数等其他信号。其中，可以利用麦克风传感器采集声音信号，利用红外测温传感器等非接触式传感器采集轴承温度信号，利用热电偶传感器等接触式传感采集油液温度信号，利用金属屑颗粒信号传感器采集金属屑颗粒数信号。下文所述的故障运行数据可以是振动信号、声音信号、轴承温度信号、油液温度信号或金属屑颗粒数信号中的任意一种。
S2.采集源旋转部件的运行数据，基于运行数据获取源旋转部件故障诊断数据集。基于源旋转部件故障诊断数据集构建源域和中间域。其中，源域基于一种实验台下的源旋转部件故障诊断数据集构建，中间域基于多种实验台下的源旋转部件故障诊断数据集构建。
作为一种示例，源旋转部件可以是轴承，通过振动传感器在轴承故障实验台采集轴承在健康及各种故障状态下的运行数据，即运行数据包括健康运行数据和故障运行数据(振动信号为故障运行数据)。可以基于健康运行数据和故障运行数据制作轴承故障诊断数据集并构建源域、中间域。其中，源域包含一种实验台下的轴承故障诊断数据集。中间域包含多种实验台下的轴承故障诊断数据集。其中，源域所有数据均含有数据标签信息，中间域部分数据含有数据标签信息，中间域标记数据百分比大于目标域。
需要进一步解释的是，一种实验台是为了获取一组轴承故障诊断数据集作为源域。多种实验台是为了获取多组轴承故障诊断数据集作为中间域，由于中间域是不确定的，因此，本发明实施例需要从多个中间域中筛选出最优中间域来实现迁移，具体筛选方法详见下述。
S3.构建域度量指标，利用域度量指标筛选中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接源域和目标域。具体步骤包括：
S30.确定源域、中间域和目标域中任意两域间的域间分布差异。作为一种示例，可以采用域间距离评价指标确定源域、中间域和目标域中任意两域间的域间分布差异W(·)，例如，源域与中间域之间的数据分布差异程度，又例如，源域与目标域之间的数据分布差异程度，再例如，中间域与目标域之间的数据分布差异程度。具体方法如下：
W(P,Q)＝infγ(x,y)∈∏E(x,y)～γ||x-y||
其中，Π代表两个领域中所有可能的联合分布，对于每一种联合分布γ(x,y)∈∏都用来计算在映射空间中的分布迁移损失，E||·||代表领域间样本距离的期望，inf代表在所有可能的联合分布中能够取得这个期望的下界。
S31.确定源域、中间域和目标域中的域内复杂度，域内复杂度指的是对单个领域(此处的领域指的是源域、中间域和目标域)而言的，评估单个域中样本的距离。
作为一种示例，可以采用域内距离评价指标确定所述源域、中间域和目标域中的域内复杂度FE(·)，具体方法如下：
其中，xt＝{xi,i＝1,......,n}代表一段故障运行数据经过切片获得n段时间序列，w代表故障运行数据的滑窗长度，t＝{1,2,...,l}代表单个时间序列下有l个样本点数；
其中，r为常系数，代表每段故障运行数据的模糊隶属度；
其中，ρw(n,r)表示在滑动窗口长度w下对除自身外的取均值；
FE(w,n,r,N)＝lnρw(n,r)-lnρw+1(n,r)
其中，FE(·)代表在滑动窗口长度为w与w+1下的模糊隶属度均值之差。
S32.基于域间分布差异和域内复杂度构建最优中间域选取指标，最优中间域选取指标为域度量指标中的一种。所述最优中间域选取指标为：
其中，权重系数ν＝{ν0,v1,ν2,v3,v4,ν5,ν6}，σ(·)代表Sigmoid激活函数，目的在于令Dsel∈(0,1)，d＝{d1,d2,d3,d4,d5,d6}，其中d1,d2,d3分别代表源域、中间域和目标域的所述域内复杂度，d4,d5,d6代表源域、中间域和目标域中任意两个两域间的域间距离。
S4.构建数据增强模型，用于扩充目标域的训练集。不同于现有数据增强技术，该模型在迭代优化训练阶段通过约束所提取数据的共有特征、特有特征及分布特征，在满足分布特征一致性的前提下，以特征度量为准则计算高维特征空间中源域、中间域与目标域样本特征的距离，进而从源域、中间域中提取一部分样本作为目标域对应标签的样本，实现样本扩充。具体可以包括如下步骤：
S40.构建共有特征提取器GC(θ,x)，提取所述源域、中间域及目标域中数据样本的共有特征。使用相同的优化目标函数，具体为：
其中，η是采样自高斯分布N(0,I)中的随机向量，z～q(z|x)代表采样过程，Pη(z)是零均值的高斯先验分布，KL(·)代表KL散度，用于度量两个概率分布之间的差异程度，计算数值越大说明差异越大，定义如下式：
其中，p(x)与q(x)代表概率分布P、Q下的概率密度。
S41.构建特有特征提取器GS(θ,x)，提取所述源域、中间域及目标域中数据样本的特有特征。所使用的优化函数与S40步骤中相同，在此不做赘述。
S42.构建分布特征提取器GD(θ,x)，获取所述源域、中间域及目标域中数据样本的分布特征。所用优化函数为：
其中，xd与分别表示网络优化过程中的数据输入与输出。
S43.在获取所述源域、中间域及目标域的共有特征及特有特征后，利用平方差计算任意两个域的共有特征使其最小化，并最大化任意两个域的特有特征。为了提高分解特征的有效性，使用下式对计算损失的梯度进行约束，使其正交：
其中grad(θd)、grad(θs)、grad(θc)分别代表GD(θ,x)、GS(θ,x)、GC(θ,x)在迭代过程中的回传梯度。
S44.对齐分布特征，使用最大均值差异度量所构建一种数据增强模型在高维特征空间中的目标损失。目标损失为：
DisD(ZS,ZI,ZT)＝MMD(ZS,ZI)+MMD(ZI,ZT)+MMD(ZS,ZT)
其中，H为再生核希尔伯特空间，ZS、ZI与ZT为源域、中间域和目标域的分布特征。
S45.在对齐分布特征并进行梯度正交化后，采用余弦相似度计算三个领域样本特征之间的距离。采用余弦相似度计算三个领域样本特征之间的距离，表达式如下：
其中，Dcos(·)任意两个领域数据样本特征的差值。
S46.在高维特征空间中计算源域、中间域与目标域带标签样本的特征，选取指定数量的源域、中间域原始样本作为目标域对应标签的新样本。
S5.构建传递迁移模型，用于实现源域至中间域以及中间域至目标域的两阶段迁移。具体包括如下步骤：
S50.构建标签分类器对样本特征进行标签预测，构建领域鉴别器对齐边缘概率分布，构建子域鉴别器对齐条件概率分布。使用交叉熵作为优化目标函数，具体如下：
其中，yi代表领域样本的真实标签，代表模型输出的预测标签。
S51.开展同构域迁移诊断，即源域至中间域的迁移诊断，构建动态权重因子，在传递迁移模型训练过程中动态调整领域边缘概率分布与条件概率分布对诊断任务的贡献度。所述动态权重因子为：
其中，与/>代表类别c下的样本数据，C代表类别个数，δA代表衡量数据分布差异的度量函数，表达式如下：
δA＝2(1-2εd)
其中，εd代表领域鉴别器的数据分类损失，对于条件概率分布差异，有
S52.使中间域样本的预测标签参与模型训练，利用伪标签学习策略优化未知数据标签。利用伪标签学习策略优化未知数据标签的方法如下：
其中，α(c)代表每个类别下的权重系数，y'k代表中间域未标记样本的伪标签，代表中间域未标记样本的预测标签，c∈{1,2,...,C}代表类别个数。
S53.开展异构域迁移诊断，即中间域至目标域的迁移诊断，构建优化目标函数。构建优化目标函数为：
LossS54＝βLosscls+χE(θd,x)
其中，β与χ是用来平衡两项损失的常系数，Losscls用来优化中间域的数据，E(θd,x)表示在中间域和目标域上的输出的边缘概率分布损失。
S54.保存S53中优化后的特征提取器的结构参数，输入目标域的标记数据对模型的分类器进行优化。优化目标函数为所述S50中的优化目标函数。
S6.设置传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定可迁移特征提取器的结构参数的条件下对传递迁移模型的分类器进行训练。
S7.保存步骤S6中目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型。输入目标域的测试集至故障诊断模型进行故障识别，输出最终诊断结果。
采用上述技术方案的情况下，本发明针对实际设备数据获取困难、无同类型零部件标记数据可用，难以开展同构域迁移诊断的实际应用问题，提出一种新的解决方法。采用一种对抗迁移学习的模型运作形式，避免了对特征度量指标的选取、适配与优化，使用分类损失即可完成模型优化目标函数的构建，在应用过程中更具有普适性。具体看，迁移学习是一种缩小两个领域分布差异来实现共性知识传递的方法。现有基于特征的迁移诊断模型通过对度量指标的选取与改进来对齐领域的边缘概率分布、条件概率分布或联合概率分布。对于特定的迁移诊断任务，在未知领域先验分布信息的条件下，现有迁移诊断模型需尝试上述三种类型的特征度量指标来适配模型以期提高模型的性能，具有耗时费力的缺点。而本发明实施例通过采用对抗迁移与动态权重因子的形式，在以对抗迁移网络训练方式的基础上，通过动态权重因子在模型训练过程中动态调整两个基本分布(边缘概率分布、条件概率分布)的损失对模型最终优化目标的贡献程度，无需数据先验信息即可自适应对优化目标函数进行加权，节省了计算成本，有效降低领域数据先验分布信息的要求。而且节省了对特定任务先验分布信息的获取及适配特征度量指标的过程，因此能够有效地克服现有技术中存在的耗时费力以及不利于业界推广等问题。
本发明还采用一种两阶段迁移诊断流程，不断优化特征提取器的结构参数并移植至新的诊断流程，通过多级优化实现弱相关领域间的迁移诊断，相较于单步域自适应迁移诊断方法更有效，鲁棒性更强。现有迁移诊断模型往往采用单步域自适应完成诊断过程，当领域之间分布差异过大时，此类模型的泛化性存在问题。本发明实施例通过一种多级迁移学习(两步域自适应过程)来实现领域之间的共性知识传递，并将其用在弱相关领域数据(轴承→齿轮)之间的传递过程，因此可以适用于领域之间分布差异过大的情况，有效解决现有模型存在的泛化性的问题。
现有技术中存在数据层面的问题。即无法获取含有丰富标签数据的数据集作为源域来开展域迁移过程，也包括标签单一，更多的是指数据量太少无法作为源域，现有迁移诊断模型大多面向同类型零部件的迁移(轴承→轴承等)，在没有数据集能作为源域的条件下，现有模型将失效。本发明通过利用其他类型零部件的数据作为源域来解决上述限制，本发明实施例的核心是开展弱相关领域下的迁移诊断，主要通过数据增强模型扩充目标域数据，并结合两步域自适应过程实现该诊断任务。
下面以具体实施例对本发明公开的一种基于传递式对抗迁移的跨机械部件故障诊断方法进行详细说明，应理解，以下举例仅作为解释说明，不作为具体限定。
实施例一：
在实施例一中，源域通过故障实验台采集振动数据(前文所述的故障运行数据)。所用轴承型号为SKF6205-2RS与SKF6203-2RS。电机所处工况为0HP、1797rpm与3HP、1730rpm两种。通过电火花线切割加工轴承制作轴承故障，故障程度有0.18mm、0.54mm两种。轴承的数据标签有正常、滚动体故障、内圈故障、外圈故障四种。源域轴承故障诊断数据集的详细情况见表1。中间域有三组备选轴承故障诊断数据集，分别从三组轴承故障实验台进行信号采集，相关工况数据见表2。
目标域使用齿轮数据，来自于齿轮故障实验台，齿轮的数据标签有正常、缺齿故障、齿根故障、表面磨损四种。三个领域(包括源域、中间域和目标域)所构建的故障诊断数据集样本点均为1200，通过滑窗在对应数据标签下的原始振动信号中等间隔截取样本。在本实施例中，所构建的三个领域均有(200+70)*4个样本，代表训练集中每类标签含有200个训练样本和70个测试样本。
表1源域数据集
表2中间域备选数据集
根据域度量指标在三组中间域中挑选出最优的中间域作为实施例的最终中间域。参照图3，构建本实施例的数据增强模型，数据增强模型超参数设置：最大迭代次数为150，训练批次为64，优化器使用随机梯度下降法，初始学习率设置为0.0001，使用学习率优化调度器，并设置动量为0.9，学习率衰减系数为0.75。
参照图4，构建本实施例的传递迁移模型，整体分类器三个阶段：同构领域迁移诊断，此阶段通过源域至中间域的迁移诊断，使用动态权重因子调整边缘概率分布与条件概率分布对优化目标的贡献，并通过伪标签学习策略最大限度利用中间域未标记样本的标签，最终获取优化的特征提取器的结构参数。异构领域迁移诊断，此阶段通过中间域至目标域的迁移诊断，获取二次优化的特征提取器的结构参数。目标域诊断，此阶段主要优化分类器的结构参数，并使用优化后的传递迁移模型对测试集数据进行诊断。
特征提取器、标签分类器、域鉴别器与子域鉴别器共享部分训练超参数：最大迭代次数为200，训练批次为32，优化器使用随机梯度下降法并设置初始学习率为0.001。
参照图3与图4，构建的传递迁移模型中所用特征提取器的详细结构参数见表3，领域鉴别器、子域鉴别器与标签分类器的详细结构参数见表4。
表3特征提取器的结构参数
表4领域鉴别器、子域鉴别器与标签分类器的结构参数
使用域度量指标从备选中间域中挑选最优中间域，使用数据增强模型对目标域进行样本扩充，获得在使用不同的中间域时传递迁移模型的诊断精度，同时考虑使用不同中间域时的域度量计算值，以及数据增强模型对最终诊断精度的影响，使用源域SD1与SD2对目标域TD1、TD2进行迁移诊断，得到结果如表5所示。
表5诊断精度
为验证本发明的诊断效果，表6给出了本发明与迁移诊断方法、少样本诊断方法的对比结果图。选择使用深度适配网络构成方法1，使用域对抗神经网络构成方法2，使用全卷积孪生网络构成方法3，使用半监督的动量原型网络构成方法4，使用一种基于关系的半监督网络构成方法5；方法4、方法5均为截至目前较为先进的少样本诊断方法。目标域训练集中带标签样本为全部样本的2％，从表中可看出本发明公开的方法具有良好的诊断效果。
表6本发明与普通方法、先进方法的诊断结果对比
本发明的保护范围并不局限于上述实施例一，对于熟悉此领域的技术人员而言，可轻易实现修改，凡在本发明的精神和原创内所做的不附加创新型劳动的修改及优化，均在本发明的保护范围内。
第二方面，本发明还提供一种基于传递式对抗迁移的跨机械部件故障诊断装置，包括：
信号采集装置，用于获取旋转机械的运行数据，旋转机械包括源旋转部件和目标旋转部件；
信号处理装置，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时能够执行如下步骤：
S1.基于运行数据获取目标旋转部件故障诊断数据集；基于目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集；
S2.基于运行数据获取源旋转部件故障诊断数据集；基于源旋转部件故障诊断数据集构建源域和中间域；其中，源域基于一种实验台下的源旋转部件故障诊断数据集构建，中间域基于多种实验台下的源旋转部件故障诊断数据集构建；
S3.构建域度量指标，利用域度量指标筛选中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接源域和目标域；
S4.构建数据增强模型，用于扩充目标域的训练集；
S5.构建传递迁移模型，用于实现源域至中间域以及中间域至目标域的两阶段迁移；
S6.设置传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定可迁移特征提取器的结构参数的条件下对传递迁移模型的分类器进行训练；
S7.保存步骤S6中目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型；输入目标域的测试集至故障诊断模型进行故障识别，输出最终诊断结果。
与现有技术相比，本发明提供的基于传递式对抗迁移的跨机械部件故障诊断装置的有益效果与第一方面和/或第一方面任一种实现方式提供的基于传递式对抗迁移的跨机械部件故障诊断方法的有益效果相同，在此不做赘述。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述跨机械部件故障诊断方法应用于旋转机械，所述旋转机械包括源旋转部件和目标旋转部件；所述跨机械部件故障诊断方法用于所述目标旋转部件的故障诊断，包括以下步骤：
S1.采集所述目标旋转部件的运行数据，基于所述运行数据获取目标旋转部件故障诊断数据集；基于所述目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集；
S2.采集所述源旋转部件的运行数据，基于所述运行数据获取源旋转部件故障诊断数据集；基于所述源旋转部件故障诊断数据集构建源域和中间域；其中，所述源域基于一种实验台下的源旋转部件故障诊断数据集构建，所述中间域基于多种实验台下的源旋转部件故障诊断数据集构建；
S3.构建域度量指标，利用所述域度量指标筛选所述中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接所述源域和目标域；
S4.构建数据增强模型，用于扩充所述目标域的训练集；
S5.构建传递迁移模型，用于实现所述源域至中间域以及所述中间域至目标域的两阶段迁移；
S6.设置所述传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定所述可迁移特征提取器的结构参数的条件下对所述传递迁移模型的分类器进行训练；
S7.保存步骤S6中所述目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型；输入所述目标域的测试集至所述故障诊断模型进行故障识别，输出最终诊断结果。
2.根据权利要求1所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S3包括如下步骤：
S30.确定所述源域、中间域和目标域中任意两域间的域间分布差异；
S31.确定所述源域、中间域和目标域中的域内复杂度；
S32.基于所述域间分布差异和域内复杂度构建最优中间域选取指标，所述最优中间域选取指标为所述域度量指标中的一种。
3.根据权利要求2所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，采用域间距离评价指标确定所述源域、中间域和目标域中任意两域间的域间分布差异W(·)，具体方法如下：
W(P,Q)＝infγ(x,y)∈ΠE(x,y)～γ||x-y||
其中，Π代表两个领域中所有可能的联合分布，对于每一种联合分布都用来计算在映射空间中的分布迁移损失，E||·||代表领域间样本距离的期望，inf代表在所有可能的联合分布中能够取得这个期望的下界；
采用域内距离评价指标确定所述源域、中间域和目标域中的域内复杂度FE(·)，具体方法如下：
其中，xt＝{xi,iβ1,......,n}代表一段故障运行数据经过切片获得n段时间序列，w代表故障运行数据的滑窗长度，t＝{1,2,...,l}代表单个时间序列下有l个样本点数；
其中，r为常系数，代表每段故障运行数据的模糊隶属度；
其中，ρw(n,r)表示在滑动窗口长度w下对除自身外的取均值；
FE(w,n,r,N)＝lnρw(n,r)-lnρw+1(n,r)
其中，FE(·)代表在滑动窗口长度为w与w+1下的模糊隶属度均值之差；
所述最优中间域选取指标为：
其中，权重系数v＝{v0,v1,v2,v3,v4,v5,v6}，σ(·)代表Sigmoid激活函数，目的在于令Dsel∈(0,1)，d＝{d1,d2,d3,d4,d5,d6}，其中d1,d2,d3分别代表源域、中间域和目标域的所述域内复杂度，d4,d5,d6代表源域、中间域和目标域中任意两个两域间的域间分布差异。
4.根据权利要求1所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S4包括如下步骤：
S40.构建共有特征提取器Gc(θ,x)，提取所述源域、中间域及目标域中数据样本的共有特征；
S41.构建特有特征提取器GS(θ,x)，提取所述源域、中间域及目标域中数据样本的特有特征；
S42.构建分布特征提取器GD(θ,x)，获取所述源域、中间域及目标域中数据样本的分布特征；
S43.在获取所述源域、中间域及目标域的共有特征及特有特征后，利用平方差计算任意两个域的共有特征使其最小化，并最大化任意两个域的特有特征；
S44.对齐分布特征，使用最大均值差异度量所构建一种数据增强模型在高维特征空间中的目标损失；
S45.在对齐分布特征并进行梯度正交化后，采用余弦相似度计算三个领域样本特征之间的距离；
S46.在高维特征空间中计算源域、中间域与目标域带标签样本的特征，选取指定数量的源域、中间域原始样本作为目标域对应标签的新样本。
5.根据权利要求4所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S40和S41使用相同的优化目标函数，具体为：
其中，η是采样自高斯分布N(0,I)中的随机向量，z～q(z|x)代表采样过程，Pη(z)是零均值的高斯先验分布，KL(·)代表KL散度，用于度量两个概率分布之间的差异程度，计算数值越大说明差异越大，定义如下式：
其中，p(x)与q(x)代表概率分布P、Q下的概率密度。
6.根据权利要求4所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S42使用的优化目标函数为：
其中，xd与分别表示网络优化过程中的数据输入与输出。
7.根据权利要求4所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S43中，为了提高分解特征的有效性，使用下式对计算损失的梯度进行约束，使其正交：
其中，grad(θd)、grad(θs)、grad(θc)分别代表GD(θ,x)、GS(θ,x)、GC(θ,x)在迭代过程中的回传梯度；和/或，
所述S44中所述的目标损失为：
DisD(ZS,ZI,ZT)＝MMD(ZS,ZI)+MMD(ZI,ZT)+MMD(ZS,ZT)
其中，H为再生核希尔伯特空间，ZS、ZI与ZT为源域、中间域和目标域的分布特征；和/或，
所述S45中，采用余弦相似度计算三个领域样本特征之间的距离，表达式如下：
其中，Dcos(·)任意两个领域数据样本特征的差值。
8.根据权利要求1所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S5包括如下步骤：
S50.构建标签分类器对样本特征进行标签预测，构建领域鉴别器对齐边缘概率分布，构建子域鉴别器对齐条件概率分布；
S51.开展同构域迁移诊断，即源域至中间域的迁移诊断，构建动态权重因子，在传递迁移模型训练过程中动态调整领域边缘概率分布与条件概率分布对诊断任务的贡献度；
S52.使中间域样本的预测标签参与模型训练，利用伪标签学习策略优化未知数据标签；
S53.开展异构域迁移诊断，即中间域至目标域的迁移诊断，构建优化目标函数；
S54.保存S53中优化后的特征提取器的结构参数，输入目标域的标记数据对模型的分类器进行优化。
9.根据权利要求8所述的基于传递式对抗迁移的跨机械部件故障诊断方法，其特征在于，所述S50中，使用交叉熵作为优化目标函数，具体如下：
其中，yi代表领域样本的真实标签，代表模型输出的预测标签；和/或，
所述S51中，所述动态权重因子为：
其中，与/>代表类别c下的样本数据，C代表类别个数，δA代表衡量数据分布差异的度量函数，表达式如下：
δA＝2(1-2εd)
其中，εd代表领域鉴别器的数据分类损失，对于条件概率分布差异，有和/或，
所述S52中，利用伪标签学习策略优化未知数据标签的方法如下：
其中，α(c)代表每个类别下的权重系数，y'k代表中间域未标记样本的伪标签，代表中间域未标记样本的预测标签，c∈{1,2,...,C}代表类别个数；和/或，
所述S53中，构建优化目标函数为：
LossS54＝βLosscls+χE(θd,x)
其中，β与χ是用来平衡两项损失的常系数，Losscls用来优化中间域的数据，E(θd,x)表示在中间域和目标域上的输出的边缘概率分布损失；和/或，
所述S54中，优化目标函数为所述S50中的优化目标函数。
10.一种基于传递式对抗迁移的跨机械部件故障诊断装置，其特征在于，包括：
信号采集装置，用于获取旋转机械的运行数据，所述旋转机械包括源旋转部件和目标旋转部件；
信号处理装置，包括存储器和处理器，存储器存储有计算机程序，所述计算机程序被处理器执行时能够执行如下步骤：
S1.基于所述运行数据获取目标旋转部件故障诊断数据集；基于所述目标旋转部件故障诊断数据集构建目标域，划分目标域的训练集和测试集；
S2.基于所述运行数据获取源旋转部件故障诊断数据集；基于所述源旋转部件故障诊断数据集构建源域和中间域；其中，所述源域基于一种实验台下的源旋转部件故障诊断数据集构建，所述中间域基于多种实验台下的源旋转部件故障诊断数据集构建；
S3.构建域度量指标，利用所述域度量指标筛选所述中间域所包括的多组源旋转部件故障诊断数据集，选取最优中间域桥接所述源域和目标域；
S4.构建数据增强模型，用于扩充所述目标域的训练集；
S5.构建传递迁移模型，用于实现所述源域至中间域以及所述中间域至目标域的两阶段迁移；
S6.设置所述传递迁移模型的优化目标函数，在两级迁移过程中不断训练可迁移特征提取器的结构参数，并移植至目标域的诊断框架，在固定所述可迁移特征提取器的结构参数的条件下对所述传递迁移模型的分类器进行训练；
S7.保存步骤S6中所述目标域的诊断框架所包括的特征提取器和分类器的结构参数，以构建出故障诊断模型；输入所述目标域的测试集至所述故障诊断模型进行故障识别，输出最终诊断结果。
CN202310596525.5A 2023-05-25 2023-05-25 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 Pending CN116644348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310596525.5A CN116644348A (zh) 2023-05-25 2023-05-25 基于传递式对抗迁移的跨机械部件故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310596525.5A CN116644348A (zh) 2023-05-25 2023-05-25 基于传递式对抗迁移的跨机械部件故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN116644348A true CN116644348A (zh) 2023-08-25

Family

ID=87622457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310596525.5A Pending CN116644348A (zh) 2023-05-25 2023-05-25 基于传递式对抗迁移的跨机械部件故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN116644348A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117194983A (zh) * 2023-09-08 2023-12-08 北京理工大学 一种基于渐进式条件域对抗网络的轴承故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117194983A (zh) * 2023-09-08 2023-12-08 北京理工大学 一种基于渐进式条件域对抗网络的轴承故障诊断方法
CN117194983B (zh) * 2023-09-08 2024-04-19 北京理工大学 一种基于渐进式条件域对抗网络的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
Jiao et al. Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis
CN109829402B (zh) 基于gs-svm的不同工况下轴承损伤程度诊断方法
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
CN112418277B (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
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
CN108304864B (zh) 深度对抗度量学习方法及装置
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110443117B (zh) 一种风电机组故障诊断方法
Guo et al. A new fault diagnosis classifier for rolling bearing united multi-scale permutation entropy optimize VMD and cuckoo search SVM
CN107782551B (zh) 一种机械部件损伤程度的评估方法
CN113076834B (zh) 旋转机械故障信息处理方法、处理系统、处理终端、介质
Liu et al. Fault diagnosis of rod pumping wells based on support vector machine optimized by improved chicken swarm optimization
Li et al. Multiple manifolds analysis and its application to fault diagnosis
CN112257862B (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN113188794A (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN116644348A (zh) 基于传递式对抗迁移的跨机械部件故障诊断方法及装置
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Wang et al. Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network
CN114354184A (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
CN110967184B (zh) 基于振动信号分布特征识别的变速箱故障检测方法和系统

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