CN116894190B - 轴承故障诊断方法、装置、电子设备和存储介质 - Google Patents
轴承故障诊断方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116894190B CN116894190B CN202311161421.8A CN202311161421A CN116894190B CN 116894190 B CN116894190 B CN 116894190B CN 202311161421 A CN202311161421 A CN 202311161421A CN 116894190 B CN116894190 B CN 116894190B
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault
- spatial feature
- feature extraction
- extraction network
- 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 66
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 157
- 238000013526 transfer learning Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims description 76
- 230000004927 fusion Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 239000007787 solid Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 2
- 238000011176 pooling Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000002779 inactivation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/213—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/09—Supervised 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供的轴承故障诊断方法、装置、电子设备和存储介质,涉及故障诊断领域。该方法通过获取实体轴承对应的待检测轴承振动数据,将待检测轴承振动数据输入已训练的迁移学习模型的第一空间特征提取网络和第二空间特征提取网络,获取已训练的迁移学习模型的分类网络输出的轴承故障标签,在预先构建的轴承故障知识图谱中查找与轴承故障标签对应的预测故障信息。通过实体轴承对应的轴承数字孪生模型在不同状况下的仿真轴承振动数据对学习迁移模型进行训练,可以使学习迁移模型输出的轴承故障标签更加准确,进而在轴承故障知识图谱中查找轴承故障标签对应的预测故障信息也更加准确,实现提高故障轴承故障诊断的准确性。
Description
技术领域
本发明涉及故障诊断领域,具体而言,涉及一种轴承故障诊断方法、装置、电子设备和存储介质。
背景技术
轴承作为旋转机械中的关键基础部件,广泛应用于药品生产设备中的发电机以及药品装罐设备中的发电机等发电机。轴承的工作环境恶劣、工作情况条件复杂,轴承不可避免出现无法预知的故障,因此,随着工业领域的不断发展和现代制造业的智能化转型,轴承故障诊断成为提高设备可靠性和降低维护成本的关键任务。传统的基于物理模型和统计学方法的轴承故障诊断方法对轴承故障诊断的准确性较低。
发明内容
本发明的目的包括,例如,提供了一种轴承故障诊断方法、装置、电子设备和存储介质,其能够提高轴承故障诊断的准确性。
本发明的实施例可以这样实现:
第一方面,本发明提供一种轴承故障诊断方法,已训练的迁移学习模型包括第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络、时间特征提取网络以及分类网络;其中,所述已训练的迁移学习模型根据源域数据集训练得到,所述源域数据集根据实体轴承对应的轴承数字孪生模型在不同故障状况下的仿真轴承振动数据获得;所述方法包括:
获取所述实体轴承对应的待检测轴承振动数据;
利用所述第一空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用所述第二空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第二空间特征;
将所述第一空间特征与所述第二空间特征融合,得到第一融合数据;
利用所述第三空间特征提取网络对所述第一融合数据进行空间特征提取,得到第三空间特征,并利用所述第四空间特征提取网络对所述第一融合数据进行空间特征提取,得到第四空间特征;
将所述第三空间特征与所述第四空间特征融合,得到第二融合数据;
利用所述时间特征提取网络对所述第二融合数据进行时间特征提取,得到轴承故障特征;
利用所述分类网络对所述轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到轴承故障标签;
在预先构建的轴承故障知识图谱中查找与所述轴承故障标签对应的预测故障信息;其中,所述轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成。
第二方面,本发明提供一种轴承故障诊断装置,已训练的迁移学习模型包括第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络、时间特征提取网络以及分类网络;其中,所述已训练的迁移学习模型根据源域数据集训练得到,所述源域数据集根据实体轴承对应的轴承数字孪生模型在不同故障状况下的仿真轴承振动数据获得;所述装置包括:
数据获取模块,用于获取所述实体轴承对应的待检测轴承振动数据;
故障标签获取模块,用于利用所述第一空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用所述第二空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第二空间特征;所述第一空间特征与第二空间特征的特征空间尺度不同;
将所述第一空间特征与所述第二空间特征融合,得到第一融合数据;
利用所述第三空间特征提取网络对所述第一融合数据进行空间特征提取,得到第三空间特征,并利用所述第四空间特征提取网络对所述第一融合数据进行空间特征提取,得到第四空间特征;所述第三空间特征与第四空间特征的特征空间尺度不同;
将所述第三空间特征与所述第四空间特征融合,得到第二融合数据;
利用所述时间特征提取网络对所述第二融合数据进行时间特征提取,得到轴承故障特征;
利用所述分类网络对所述轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到轴承故障标签;
故障信息查找模块,用于在预先构建的轴承故障知识图谱中查找与所述轴承故障标签对应的预测故障信息;其中,所述轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成。
第三方面,本发明提供一种电子设备,包括存储器和处理器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现前述实施方式任一项所述的轴承故障诊断方法。
第四方面,本发明提供一种计算机可读取存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式任一项所述的轴承故障诊断方法。
本发明实施例提供的轴承故障诊断方法、装置、电子设备和存储介质,该方法通过获取实体轴承对应的待检测轴承振动数据,将待检测轴承振动数据输入已训练的迁移学习模型的第一空间特征提取网络和第二空间特征提取网络,获取已训练的迁移学习模型的分类网络输出的轴承故障标签,在预先构建的轴承故障知识图谱中查找与轴承故障标签对应的预测故障信息。通过实体轴承对应的轴承数字孪生模型在不同状况下的仿真轴承振动数据对学习迁移模型进行训练,可以使学习迁移模型输出的轴承故障标签更加准确,进而在轴承故障知识图谱中查找轴承故障标签对应的预测故障信息也更加准确,实现提高故障轴承故障诊断的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的轴承故障诊断方法的流程示意图;
图2示出了本发明实施例提供的轴承故障诊断方法的预测故障信息的示意图;
图3示出了本发明实施例提供的轴承故障诊断方法的构建轴承数字孪生模型的流程示意图;
图4示出了本发明实施例提供的轴承故障诊断方法的获得已训练的迁移学习模型的过程的流程示意图;
图5示出了本发明实施例提供的轴承故障诊断方法的构建轴承故障知识图谱的流程示意图;
图6示出了本发明实施例提供的轴承故障诊断方法的轴承故障知识图谱的示意图;
图7示出了本发明实施例提供的轴承故障诊断装置的模块框图;
图8示出了本发明实施例提供的电子设备的框图。
图标:100-电子设备;110-处理器;120-存储器;200-轴承故障诊断装置;210-数据获取模块;220-故障标签获取模块;230-故障信息查找模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
在现有技术中,通过传统的基于物理模型和传统的基于统计学方法的轴承故障诊断方法均存在不足。传统的基于物理模型的轴承故障诊断方法通常需要建立复杂的数学模型,在实际应用中,由于轴承在不同工况下的变化和复杂性,模型的建立和参数的获取非常困难,导致模型的准确性受到限制;传统的基于统计学方法的轴承故障诊断方法主要依赖于统计特征和阈值来判断轴承的工作状态,但是,这种基于统计学方法的轴承故障诊断方法对数据的要求较高,对噪声和干扰较为敏感,并且在复杂工况下的轴承故障诊断准确度较低。
针对上述问题,发明人经过长期的研究发现,并提出了本发明实施例提供的轴承故障诊断方法、装置、电子设备和存储介质,通过实体轴承对应的轴承数字孪生模型在不同状况下的仿真轴承振动数据对学习迁移模型进行训练,可以使学习迁移模型输出的轴承故障标签更加准确,进而在轴承故障知识图谱中查找轴承故障标签对应的预测故障信息也更加准确,实现提高故障轴承故障诊断的准确性。其中,具体的轴承故障诊断方法在后续的实施例中进行详细的说明。
请参阅图1,图1示出了本发明实施例提供的轴承故障诊断方法的流程示意图。该轴承故障诊断方法可以应用于电子设备。下面将以电子设备为例,说明本实施例的具体流程。下面将针对图1所示的流程进行详细的阐述,该轴承故障诊断方法具体可以包括以下步骤:
步骤S110:获取实体轴承对应的待检测轴承振动数据。
在一些实施方式中,电子设备可以获取实体轴承对应的待检测轴承振动数据。作为一种实施方式,当实体轴承出现故障时,获取实体轴承对应的待检测轴承振动数据。需要说明的是,待检测轴承振动数据是实体轴承在实际工作过程中产生的待检测轴承振动数据,待检测轴承振动数据为一维连续的数值型数据。
在一些实施方式中,在实体轴承上设置监测系统,该监测系统可以采集实体轴承对应的待检测轴承振动数据。
在一些实施方式,获取实体轴承对应的初始轴承振动数据,与初始轴承振动数据进行预处理。预处理可以包括数据清理、数据标准化以及归一化处理,对该初始数据进行数据清理,例如,去除重复项、处理缺失值以及去除异常值等数据清理,确保初始轴承振动数据的质量,对数据清理后的初始轴承振动数据进行标准化以及归一化处理,获得待检测轴承振动数据,可以理解的是,对初始轴承振动数据进行标准化以及归一化处理,可以使待检测轴承振动数据与轴承数字孪生模型的仿真轴承振动数据保持一致,能够更好地适应迁移学习模型,使得迁移学习模型的输出结果更加准确。
在本实施例中,轴承数字孪生模型为实体轴承在虚拟空间中对应的数字模型,可以通过轴承数字孪生模型模拟不同的故障状况,并生成在不同故障状况下的仿真轴承振动数据,采集轴承数字孪生模型在不同故障状况下的仿真轴承振动数据,根据实体轴承对应的轴承数字孪生模型在不同故障状况下的仿真轴承振动数据获得源域数据集,已训练的迁移学习模型根据源域数据集训练得到。
在本实施例中,迁移学习模型包括第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络、时间特征提取网络以及分类网络。
第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络中通过多层栈式连接将卷积层和池化层连接。
第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络中包括的每个卷积层的激活函数均为Tanh(双曲正切)函数。
为了提取的空间特征更加全面在第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络中包括的每个卷积层中增加感受野网络,感受野表示的是每层的输出相对于在输入特征上所映射的大小。其最后一级输出特征的感受野的大小相当于卷积计算核的大小,第i级卷积层的感受野大小既与第i级的卷积计算核尺寸大小和步长相关,同时又与第i+1级感受野尺寸大小相关。感受野的大小计算公式如下所示:
其中,表示第i层卷积层的感受野,/>表示第(i+1)层卷积层上的感受野,表示第i层卷积步长,/>表示第i层卷积核大小。
基于训练好的迁移学习模型对获得预测故障标签的过程为步骤S120-步骤S170。
步骤S120:利用第一空间特征提取网络对待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用第二空间特征提取网络对待检测轴承振动数据进行空间特征提取,得到第二空间特征。
在一些实施方式中,如图1所示,第一空间特征提取网络中从上往下依次包括卷积层A1、卷积层A2、池化层B1、卷积层A3、卷积层A4以及池化层B2。第二空间特征提取网络包括卷积层A5以及池化层B3。可以通过卷积层A1、卷积层A2、池化层B1、卷积层A3、卷积层A4以及池化层B2对待检测轴承振动数据进行空间特征提取,得到第一空间特征。可以通过卷积层A5以及池化层B3对待检测轴承振动数据进行空间特征提取,得到第二空间特征。需要说明的是,卷积层A1与卷积层A2的卷积核个数均为16,卷积层A1与卷积层A2的卷积核大小均为(8×1),卷积层A3与卷积层A4的卷积核个数均为64,卷积层A1与卷积层A2的卷积核大小均为(4×1),因此,第一空间特征与第二空间特征的特征尺度不同。
步骤S130:将第一空间特征与第二空间特征融合,得到第一融合数据。
在一些实施方式中,对第一空间特征与第二空间特征进行叉乘计算,将第一空间特征与第二空间特征融合,得到第一融合数据。
步骤S140:利用第三空间特征提取网络对第一融合数据进行空间特征提取,得到第三空间特征,并利用第四空间特征提取网络对第一融合数据进行空间特征提取,得到第四空间特征。
在一些实施方式中,如图1所示,第三空间特征提取网络中从上往下依次包括卷积层A6、卷积层A7、池化层B4、卷积层A8、卷积层A9以及池化层B5。第四空间特征提取网络包括卷积层A10以及池化层B6。可以通过卷积层A6、卷积层A7、池化层B4、卷积层A8、卷积层A9以及池化层B5对待检测轴承振动数据进行空间特征提取,得到第三空间特征。可以通过卷积层A10以及池化层B6对待检测轴承振动数据进行空间特征提取,得到第四空间特征。需要说明的是,卷积层A6、卷积层A7的卷积核个数均为256,卷积层A8、卷积层A9的卷积核个数均为512,卷积层A6、卷积层A7、卷积层A8以及卷积层A9的卷积核大小均为(4×1),因此,第三空间特征与第四空间特征的特征尺度不同。
步骤S150:将第三空间特征与第四空间特征融合,得到第二融合数据。
在一些实施方式中,对第三空间特征与第四空间特征进行叉乘计算,将第三空间特征与第四空间特征融合,得到第二融合数据。
可以理解的是,第一空间特征提网络与第二空间特征提取网络的特征尺度不同,第三空间特征提网络与第四空间特征提取网络的特征尺度也不同,可以实现对实体轴承对应的待检测轴承振动数据进行多尺度特征提取,使得轴承故障特征更丰富。
步骤S160:利用时间特征提取网络对第二融合数据进行时间特征提取,得到轴承故障特征。
在一些实施方式中,时间特征提取网络可以为长短期记忆(Long Short TermMemory,LSTM)网络,在此不做限定。通过LSTM网络对第二融合数据进行时间特征提取,得到轴承故障特征。
步骤S170:利用分类网络对轴承故障特征进行分类,并根据分类网络输出的分类结果得到轴承故障标签。
在一些实施方式中,分类网络中可以包括全连接层以及归一化指数函数(softmaxfunction)。全连接层将卷积基提取的多维的特征转化为一维的特征,并通过softmax函数对轴承故障特征进行分类,输出分类结果,该分类结果中包括轴承故障特征属于不同轴承故障标签的概率,最终将分类结果中概率最大值对应的轴承故障标签,作为预测故障标签。例如,分类结果中,轴承故障特征属于故障轴承标签1的概率为0.1,轴承故障特征属于故障轴承标签2的概率为0.2,轴承故障特征属于故障轴承标签3的概率为0.7,则将故障轴承标签3,作为预测故障标签。
在一些实施方式中,将待检测轴承振动数据输入已训练的迁移学习模型,通过卷积-池化操作进行潜在特征的挖掘,可以有效避免待检测轴承振动数据的特征提取的过程中需要具备的专家经验,加快特征提取速度,并且可以解决特征提取过程中特征提取不充分的问题。
步骤S180:在预先构建的轴承故障知识图谱中查找与轴承故障标签对应的预测故障信息;其中,轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成。
在本实施例中,通过对轴承故障领域知识进行知识抽取,构建轴承故障知识图谱,可以理解的是,轴承故障知识图谱是通过以图节点与相关边关系来实现轴承故障领域知识的存储,轴承故障标签为轴承故障知识图谱中的一个图节点,因此可以根据已训练的迁移学习模型输出的轴承故障标签在轴承故障知识图谱查找与轴承故障标签对应的预测故障信息。
在一些实施方式中,可以根据已训练的迁移学习模型输出的轴承故障标签在轴承故障知识图谱查找与轴承故障标签对应的预测故障信息,预测故障信息可以如图2所示。
本发明实施例提供的轴承故障诊断方法,获取实体轴承对应的待检测轴承振动数据,将待检测轴承振动数据输入已训练的迁移学习模型的第一空间特征提取网络和第二空间特征提取网络,获取已训练的迁移学习模型的分类网络输出的轴承故障标签,在预先构建的轴承故障知识图谱中查找与轴承故障标签对应的预测故障信息。通过实体轴承对应的轴承数字孪生模型在不同状况下的仿真轴承振动数据对学习迁移模型进行训练,可以使学习迁移模型输出的轴承故障标签更加准确,进而在轴承故障知识图谱中查找轴承故障标签对应的预测故障信息也更加准确,实现提高故障轴承故障诊断的准确性。下面对构建实体轴承对应的轴承数字孪生模型的过程进行详细说明。
请参阅图3,图3示出了本发明实施例提供的轴承故障诊断方法的构建轴承数字孪生模型的流程示意图。
步骤S210:采集实体轴承的尺寸参数、结构特征、高负荷元件损伤参数、轴承运行故障参数以及故障诊断算法相关参数。
在一些实施方式中,电子设备可以获取实体轴承的多维度参数,多维度参数包括几何维度参数、物理维度参数、行为维度参数以及规则维度参数,几何维度参数包括尺寸参数、结构特征,其中,尺寸参数可以包括几何尺寸、形位公差及表面质量等参数,在此不做限定;物理维度参数包括高负荷元件损伤参数,其中,高负荷元件损伤参数为实体轴承受到高负荷或疲劳运转状态下的各元件的损伤参数;行为维度参数包括轴承运行故障时与实体轴承相关的参数;规则维度参数包括故障诊断算法相应的输入参数和输出参数。
步骤S220:基于尺寸参数以及结构特征,构建形状仿真模型;基于高负荷元件损伤参数,构建属性仿真模型;基于轴承运行故障参数,构建行为仿真模型;基于故障诊断算法相关参数,构建准则仿真模型。
在一些实施方式中,根据采集实体轴承的多维度参数,建立实体模型在数字空间的多维度模型。几何维度中可以根据尺寸参数以及结构特征,构建形状仿真模型,该形状仿真模型可以展示实体轴承的尺寸、结构和方位;物理维度中可以根据高负荷元件损伤参数,构建属性仿真模型,该属性仿真模型可以展示实体轴承受到高负荷或者疲劳状态下的各元件损伤参数;基于轴承运行故障参数,构建行为仿真模型,该行为仿真模型可以使构建的轴承数字孪生模型模拟实体轴承出现故障时的运行状态;行为维度可以故障诊断算法相关参数,构建准则仿真模型,该准则仿真模型使构建的轴承数字孪生模型模拟在与实体轴承相同故障时产生与实体轴承产生的相同轴承震动数据。
步骤S230:将形状仿真模型与属性仿真模型进行融合,获得第一仿真模型。
步骤S240:将第一仿真模型与准则仿真模型进行融合,获得第二仿真模型。
步骤S250:将第二仿真模型与行为仿真模型进行融合,得到轴承数字孪生模型。
在一些实施方式中,在电子设备中可以预先设置并存储预设顺序,预设顺序为几何维度-物理维度-行为维度-规则维度,也就是说,按照形状仿真模型-属性仿真模型-准则仿真模型-行为仿真模型的顺序,依次递进地将形状仿真模型、属性仿真模型、准则仿真模型以及行为仿真模型进行融合,得到轴承数字孪生模型。具体地,先将形状仿真模型与属性仿真模型进行融合,获得第一仿真模型,再将第一仿真模型与准则仿真模型进行融合,获得第二仿真模型,最后将第二仿真模型与行为仿真模型进行融合,得到轴承数字孪生模型。
可以理解的是,通过实体轴承的多维度参数,构建多维度仿真模型,并将多维度的仿真模型依次递进地融合起来构建的轴承数字孪生模型,可以更加准确的仿真实体轴承出现故障时的运动状态以及产生的轴承振动数据。
在本实施例中,构建的轴承数字孪生模型不仅根据实体轴承的尺寸参数和结构特征结构进行构建,还根据实体轴承受到高负荷状态下的各元件损伤参数以及轴承运行故障构建轴承数字孪生模型,由于充分利用了实体轴承的实际运行数据,该轴承数据孪生模型能够能加接近实体轴承,因此轴承数据孪生模型在不同故障状况下的仿真轴承振动数据能够更加接近实体轴承的轴承振动数据,使迁移学习模型输出的结果更加准确,进而提高轴承故障诊断的准确性。
在本实施例中,可以通过构建的轴承数字孪生模型模拟不同的故障状况,并生成在不同故障状况下的仿真轴承振动数据,由轴承数字孪生模型在不同故障状况下的仿真轴承振动数据构成源域数据集,并根据源域数据集获得已训练的迁移学习模型,源域数据集包括多个源域样本数据,源域样本数据包括仿真轴承振动数据和仿真轴承振动数据对应的训练故障标签,下面,对迁移学习模型的训练过程进行详细说明。
请参阅图4,图4示出了本发明实施例提供的轴承故障诊断方法的获得已训练的迁移学习模型的过程的流程示意图。
步骤S310:将源域样本数据输入预先建立的迁移学习模型,通过迁移学习模型中的第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络以及时间特征提取网络对仿真轴承振动数据进行特征提取,得到仿真轴承故障特征。
在本实施例中,轴承数字孪生模型为实体轴承在虚拟空间中对应的数字模型,可以通过轴承数字孪生模型模拟不同的故障状况,并生成在不同故障状况下的仿真轴承振动数据,采集轴承数字孪生模型在不同故障状况下的仿真轴承振动数据,对轴承数字孪生模型在不同故障状况下的仿真轴承震动数据进行预处理,将预处理后的不同故障状况下的仿真轴承震动数据构成源域数据集。源域样本数据可以包括仿真轴承振动数据和仿真轴承振动数据对应的训练故障标签。将仿真轴承振动数据输入预先建立的迁移学习模型,预先建立的迁移学习模型中的第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络以及时间特征提取网络对仿真轴承振动数据进行特征提取,得到仿真轴承故障特征。
具体地,使轴承数字孪生模型工作在测试发动机数字孪生模型的环境下,轴承数字孪生模型模拟不同的故障状况,使轴承数字孪生模型的内滚道、滚动元件(即滚珠)和外滚道分别出现直径为0.007英寸至0.040英寸的故障,将出现故障的轴承数字孪生模型重新安装到测试发动机数字孪生模型中,记录测试发动机数字孪生模型转速为1797-1720RPM的仿真轴承振动数据。
本实施例中,考虑到迁移学习模型会把训练样本特有的一些性质当做所有样本普遍具有的性质,从而导致模型泛化性能很差,因此在第一空间特征提取网络以及第二空间特征提取网络之后增加一个第一随机失活层,在时间特征提取网络之后增加一个第二随机失活层,其中,第一随机失活层以及第二随机失活层均为dropout层,可以设置第一随机失活层以及第二随机失活层的丢弃率均为0.2,在此不做限定。增加了随机失活层后,在每次训练过程中,随机失活层可以强迫一个神经元和随机挑选出来的其他神经元共同工作,消弱减除了神经元节点之间的联合适应性,因此可以阻止某些特征的协同作用,使得迁移学习模型不会太依赖某些局部特征,从而增强迁移学习模型的鲁棒性以及泛化性。
步骤S320:利用迁移学习模型中的分类网络对仿真轴承故障特征进行分类,并根据分类网络输出的分类结果得到预测故障标签。
在一些实施方式中,预先建立的迁移学习模型中包括分类网络,分类网络可以包括全连接层以及归一化指数函数(softmax function),在此不做限定。全连接层将卷积基提取的多维的仿真轴承故障特征转化为一维的特征,并通过softmax函数对一维的仿真轴承故障特征进行分类,并输出分类结果,该分类结果中包括仿真轴承故障特征属于不同轴承故障标签的概率,最终将分类结果中概率最大值对应的轴承故障标签,作为预测故障标签。例如,分类结果中,仿真轴承故障特征属于故障轴承标签1的概率为0.1,仿真轴承故障特征属于故障轴承标签2的概率为0.2,仿真轴承故障特征属于故障轴承标签3的概率为0.7,则将故障轴承标签3,作为预测故障标签。
步骤S330:根据训练故障标签和预测故障标签更新迁移学习模型的模型参数,以获得已训练的迁移学习模型。
在一些实施方式中,请参阅图4,可以根据反向传播算法对模型参数进行更新,具体地,计算训练故障标签和预测故障标签之间的误差,检查该误差是否为最小,若误差不是最小,则更新迁移学习模型的模型参数,重新输出预测故障标签,再次计算训练故障标签和预测故障标签之间的误差,直到误差为最小,也就是迁移学习模型已经收敛时,获得已训练的迁移学习模型。
因此,根据构建好的轴承数字孪生模型对迁移学习模型进行训练,获得已训练的迁移学习模型,则可以将待检测轴承振动数据输入已训练的迁移学习模型,获得预测故障标签。
由于,需要根据轴承故障知识图谱找到与迁移学习模型输出的轴承故障标签对应的预测故障信息,才可以完成对轴承故障诊断,因此,需要预先构建轴承故障知识图谱。下面,对构建轴承故障知识图谱的过程进行详细说明。
请参阅图5,图5示出了本发明实施例提供的轴承故障诊断方法的构建轴承故障知识图谱的流程示意图。
步骤S410:据预先构建的本体库中的多个轴承故障标签,对轴承故障领域知识进行知识抽取,以获取轴承故障领域知识中属于轴承故障标签的实体。
在一些实施方式中,根据自顶向下的方法构建本体库,自顶向下就是先根据轴承故障领域知识分为多个轴承故障标签,再根据多个轴承故障标签以及多个轴承故障标签之间的关系构建本体库。轴承故障标签可以为轴承状态、加速度计数位置、故障位置、故障直径、电机负载、电机速度、故障方向、故障标签、故障类别、故障现象、故障原因和改善方法等,在此不做限定。可以理解的是,本体库相当于轴承故障知识图谱的框架,对轴承故障领域知识进行知识抽取相当于往轴承故障知识图谱的框架里添加内容,获得完整的轴承故障知识图谱。
在一些实施方式中,根据预先构建的本体库中的多个轴承故障标签,对轴承故障领域知识进行知识抽取,获取轴承故障领域知识中属于轴承故障标签的实体,也就是,将轴承故障领域知识中的实体映射到对应的本体库中的轴承故障标签。知识抽取分为实体抽取和关系抽取,对轴承故障领域知识进行实体抽取,抽取出属于轴承故障标签的实体,如表1所示。
表1
步骤S420:根据本体库中预设的多个轴承故障标签之间的关系,确定实体之间的关系。
在一些实施方式中,根据本体库中预设的多个轴承故障标签之间的关系和属性,对轴承故障领域知识进行关系抽取,确定实体之间的关系。需要说明的是,关系抽取主要是为了确定实体之间的语义关系,语义关系描述了各实体内在的关联关系,是提供查询功能以及可视化展现必不可少的一个步骤。关系抽取实例如表2所示。
表2
步骤S430:根据实体以及实体之间的关系,构建轴承故障知识图谱。
在一些实施方式中,根据实体以及实体之间的关系形成“实体-关系-实体”的三元组结构,实体为轴承故障知识图谱中的节点,将从轴承故障领域知识抽取的实体以及实体之间的关系,组成多个三元组结构,将多个三元组结构组合起来,构成轴承故障知识图谱,例如,将表1和表2结合起来就可以构成轴承故障知识图谱,表1和表2中仅为部分内容;轴承故障知识图谱可以如图6所示。
本发明实施例提供的轴承故障诊断方法,通过知识图谱构建轴承故障领域的知识库,可以充分利用轴承领域专家的知识和经验,为轴承故障诊断提供丰富的知识支持,提高轴承故障诊断的准确性。
请参阅图7,图7示出了本发明实施例提供的轴承故障诊断装置200的模块框图。该轴承故障诊断装置200应用于上述电子设备,下面将针对图7所示的框图进行阐述,轴承故障诊断装置200包括:数据获取模块210、故障标签获取模块220以及故障信息查找模块230,其中:
数据获取模块210,用于获取实体轴承对应的待检测轴承振动数据。
故障标签获取模块220,用于利用第一空间特征提取网络对待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用第二空间特征提取网络对待检测轴承振动数据进行空间特征提取,得到第二空间特征;将第一空间特征与第二空间特征融合,得到第一融合数据;利用第三空间特征提取网络对第一融合数据进行空间特征提取,得到第三空间特征,并利用第四空间特征提取网络对第一融合数据进行空间特征提取,得到第四空间特征;将第三空间特征与第四空间特征融合,得到第二融合数据;利用时间特征提取网络对第二融合数据进行时间特征提取,得到轴承故障特征;利用分类网络对轴承故障特征进行分类,并根据分类网络输出的分类结果得到轴承故障标签。
故障信息查找模块230,用于在预先构建的轴承故障知识图谱中查找与轴承故障标签对应的预测故障信息;其中,轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成。
可选地,轴承故障诊断装置200还包括轴承数字孪生模型建立模块。
轴承数字孪生模型建立模块,用于采集实体轴承的尺寸参数、结构特征、高负荷元件损伤参数、故障诊断算法相关参数以及轴承运行故障参数;基于尺寸参数以及结构特征,构建形状仿真模型;基于高负荷元件损伤参数,构建属性仿真模型;基于故障诊断算法相关参数,构建准则仿真模型;基于轴承运行故障参数,构建行为仿真模型;将形状仿真模型与属性仿真模型进行融合,获得第一仿真模型;将第一仿真模型与准则仿真模型进行融合,获得第二仿真模型;将第二仿真模型与行为仿真模型进行融合,得到轴承数字孪生模型。
可选地,轴承故障诊断装置200还包括知识图谱建立模块。
知识图谱建立模块,用于据预先构建的本体库中的多个轴承故障标签,对轴承故障领域知识进行知识抽取,以获取轴承故障领域知识中属于轴承故障标签的实体;根据本体库中预设的多个轴承故障标签之间的关系,确定实体之间的关系;根据实体以及实体之间的关系,构建轴承故障知识图谱。
可选地,轴承故障诊断装置200还包括迁移学习模型训练模块。
迁移学习模型训练模块,用于将源域样本数据输入预先建立的迁移学习模型,通过迁移学习模型中的第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络以及时间特征提取网络对仿真轴承振动数据进行特征提取,得到仿真轴承故障特征;利用迁移学习模型中的分类网络对仿真轴承故障特征进行分类,并根据分类网络输出的分类结果得到预测故障标签;根据训练故障标签和预测故障标签更新迁移学习模型的模型参数,以获得已训练的迁移学习模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
请参阅图8,其示出了本申请实施例提供的一种电子设备100的结构框图。该电子设备100可以是智能手机、平板电脑等能够运行应用程序的电子设备。本申请中的电子设备100可以包括一个或多个如下部件:处理器110、存储器120以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
其中,处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个电子设备100内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行电子设备100的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。
存储器120可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备100在使用中所创建的数据等。
本申请实施例提供的一种计算机可读存储介质。该计算机可读介质中存储有程序代码,程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质具有执行上述方法中的任何方法步骤的程序代码的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码可以例如以适当形式进行压缩。
以上,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,可轻易想到的变化或替换,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权利要求的保护范围为准。
Claims (6)
1.一种轴承故障诊断方法,其特征在于,已训练的迁移学习模型包括第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络、时间特征提取网络以及分类网络;其中,所述已训练的迁移学习模型根据源域数据集训练得到,所述源域数据集根据实体轴承对应的轴承数字孪生模型在不同故障状况下的仿真轴承振动数据获得;所述方法包括:获取所述实体轴承对应的待检测轴承振动数据;
利用所述第一空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用所述第二空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第二空间特征;
将所述第一空间特征与所述第二空间特征融合,得到第一融合数据;
利用所述第三空间特征提取网络对所述第一融合数据进行空间特征提取,得到第三空间特征,并利用所述第四空间特征提取网络对所述第一融合数据进行空间特征提取,得到第四空间特征;
将所述第三空间特征与所述第四空间特征融合,得到第二融合数据;
利用所述时间特征提取网络对所述第二融合数据进行时间特征提取,得到轴承故障特征;
利用所述分类网络对所述轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到轴承故障标签;
在预先构建的轴承故障知识图谱中查找与所述轴承故障标签对应的预测故障信息;其中,所述轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成;
所述实体轴承对应的轴承数字孪生模型通过以下步骤构建得到:采集所述实体轴承的尺寸参数、结构特征、高负荷元件损伤参数、轴承运行故障参数以及故障诊断算法相关参数;基于所述尺寸参数以及所述结构特征,构建形状仿真模型;基于所述高负荷元件损伤参数,构建属性仿真模型;基于所述轴承运行故障参数,构建行为仿真模型;基于所述故障诊断算法相关参数,构建准则仿真模型;将所述形状仿真模型与所述属性仿真模型进行融合,获得第一仿真模型;将所述第一仿真模型与所述准则仿真模型进行融合,获得第二仿真模型;将所述第二仿真模型与所述行为仿真模型进行融合,得到所述轴承数字孪生模型;
所述轴承故障知识图谱通过以下步骤构建得到:根据预先构建的本体库中的多个轴承故障标签,对所述轴承故障领域知识进行知识抽取,以获取所述轴承故障领域知识中属于所述轴承故障标签的实体;根据所述本体库中预设的多个所述轴承故障标签之间的关系,确定所述实体之间的关系;根据所述实体以及所述实体之间的关系,构建所述轴承故障知识图谱。
2.根据权利要求1所述的方法,其特征在于,所述源域数据集包括多个源域样本数据,所述源域样本数据包括仿真轴承振动数据和所述仿真轴承振动数据对应的训练故障标签;所述已训练的迁移学习模型通过以下步骤训练得到:
将所述源域样本数据输入预先建立的迁移学习模型,通过所述迁移学习模型中的第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络以及时间特征提取网络对所述仿真轴承振动数据进行特征提取,得到仿真轴承故障特征;
利用所述迁移学习模型中的分类网络对所述仿真轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到预测故障标签;
根据所述训练故障标签和所述预测故障标签更新所述迁移学习模型的模型参数,以获得所述已训练的迁移学习模型。
3.一种轴承故障诊断装置,其特征在于,已训练的迁移学习模型包括第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络、时间特征提取网络以及分类网络;其中,所述已训练的迁移学习模型根据源域数据集训练得到,所述源域数据集根据实体轴承对应的轴承数字孪生模型在不同故障状况下的仿真轴承振动数据获得;所述装置包括:
数据获取模块,用于获取所述实体轴承对应的待检测轴承振动数据;
故障标签获取模块,用于利用所述第一空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第一空间特征,并利用所述第二空间特征提取网络对所述待检测轴承振动数据进行空间特征提取,得到第二空间特征;
将所述第一空间特征与所述第二空间特征融合,得到第一融合数据;
利用所述第三空间特征提取网络对所述第一融合数据进行空间特征提取,得到第三空间特征,并利用所述第四空间特征提取网络对所述第一融合数据进行空间特征提取,得到第四空间特征;
将所述第三空间特征与所述第四空间特征融合,得到第二融合数据;
利用所述时间特征提取网络对所述第二融合数据进行时间特征提取,得到轴承故障特征;
利用所述分类网络对所述轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到轴承故障标签;
故障信息查找模块,用于在预先构建的轴承故障知识图谱中查找与所述故障标签对应的预测故障信息;其中,所述轴承故障知识图谱通过对轴承故障领域知识进行知识抽取构建而成;
轴承数字孪生模型构建模块,用于采集所述实体轴承的尺寸参数、结构特征、高负荷元件损伤参数、轴承运行故障参数以及故障诊断算法相关参数;基于所述尺寸参数以及所述结构特征,构建形状仿真模型;基于所述高负荷元件损伤参数,构建属性仿真模型;基于所述轴承运行故障参数,构建行为仿真模型;基于所述故障诊断算法相关参数,构建准则仿真模型;将所述形状仿真模型与所述属性仿真模型进行融合,获得第一仿真模型;将所述第一仿真模型与所述准则仿真模型进行融合,获得第二仿真模型;将所述第二仿真模型与所述行为仿真模型进行融合,得到所述轴承数字孪生模型;
知识图谱构建模块,用于根据预先构建的本体库中的多个轴承故障标签,对所述轴承故障领域知识进行知识抽取,以获取所述轴承故障领域知识中属于所述轴承故障标签的实体;根据所述本体库中预设的多个所述轴承故障标签之间的关系,确定所述实体之间的关系;根据所述实体以及所述实体之间的关系,构建所述轴承故障知识图谱。
4.根据权利要求3所述的装置,其特征在于,所述源域数据集包括多个源域样本数据,所述源域样本数据包括仿真轴承振动数据和所述仿真轴承振动数据对应的训练故障标签;所述装置还包括迁移学习模型训练模块;
所述迁移学习模型训练模块,用于将所述源域样本数据输入预先建立的迁移学习模型,通过所述迁移学习模型中的第一空间特征提取网络、第二空间特征提取网络、第三空间特征提取网络、第四空间特征提取网络以及时间特征提取网络对所述仿真轴承振动数据进行特征提取,得到仿真轴承故障特征;
利用所述迁移学习模型中的分类网络对所述仿真轴承故障特征进行分类,并根据所述分类网络输出的分类结果得到预测故障标签;
根据所述训练故障标签和所述预测故障标签更新所述迁移学习模型的模型参数,以获得所述已训练的迁移学习模型。
5.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1-2任一项所述的轴承故障诊断方法。
6.一种计算机可读取存储介质,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权利要求1-2任一项所述的轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161421.8A CN116894190B (zh) | 2023-09-11 | 2023-09-11 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161421.8A CN116894190B (zh) | 2023-09-11 | 2023-09-11 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894190A CN116894190A (zh) | 2023-10-17 |
CN116894190B true CN116894190B (zh) | 2023-11-28 |
Family
ID=88312414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161421.8A Active CN116894190B (zh) | 2023-09-11 | 2023-09-11 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894190B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964469A (zh) * | 2021-02-28 | 2021-06-15 | 哈尔滨理工大学 | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
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 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN114548295A (zh) * | 2022-02-24 | 2022-05-27 | 陕煤集团神木柠条塔矿业有限公司 | 基于多尺度领域自适应网络的轴承故障分类系统及方法 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
CN115479775A (zh) * | 2022-10-08 | 2022-12-16 | 重庆大学 | 基于深度可分迁移学习网络的跨轴承迁移诊断方法 |
CN115544265A (zh) * | 2022-09-13 | 2022-12-30 | 南京航空航天大学 | 一种基于轴承故障知识图谱的轴承故障诊断方法 |
CN115563553A (zh) * | 2022-09-29 | 2023-01-03 | 南京理工大学 | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN115906295A (zh) * | 2023-03-09 | 2023-04-04 | 湖南大学 | 基于数字孪生的无人机健康监测方法和装置 |
CN115994323A (zh) * | 2023-01-13 | 2023-04-21 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 设备故障诊断模型建立方法以及设备故障诊断方法 |
CN116337448A (zh) * | 2023-02-28 | 2023-06-27 | 徐州徐工挖掘机械有限公司 | 基于宽度多尺度时空注意力的迁移学习轴承故障诊断方法、装置及存储介质 |
CN116702076A (zh) * | 2023-05-25 | 2023-09-05 | 东北林业大学 | 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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 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 |
US11423264B2 (en) * | 2019-10-21 | 2022-08-23 | Adobe Inc. | Entropy based synthetic data generation for augmenting classification system training data |
CN111337256B (zh) * | 2020-03-27 | 2020-12-29 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
CN111651937B (zh) * | 2020-06-03 | 2023-07-25 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
-
2023
- 2023-09-11 CN CN202311161421.8A patent/CN116894190B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN112964469A (zh) * | 2021-02-28 | 2021-06-15 | 哈尔滨理工大学 | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
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 |
CN114548295A (zh) * | 2022-02-24 | 2022-05-27 | 陕煤集团神木柠条塔矿业有限公司 | 基于多尺度领域自适应网络的轴承故障分类系统及方法 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
CN115544265A (zh) * | 2022-09-13 | 2022-12-30 | 南京航空航天大学 | 一种基于轴承故障知识图谱的轴承故障诊断方法 |
CN115563553A (zh) * | 2022-09-29 | 2023-01-03 | 南京理工大学 | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 |
CN115479775A (zh) * | 2022-10-08 | 2022-12-16 | 重庆大学 | 基于深度可分迁移学习网络的跨轴承迁移诊断方法 |
CN115994323A (zh) * | 2023-01-13 | 2023-04-21 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 设备故障诊断模型建立方法以及设备故障诊断方法 |
CN116337448A (zh) * | 2023-02-28 | 2023-06-27 | 徐州徐工挖掘机械有限公司 | 基于宽度多尺度时空注意力的迁移学习轴承故障诊断方法、装置及存储介质 |
CN115906295A (zh) * | 2023-03-09 | 2023-04-04 | 湖南大学 | 基于数字孪生的无人机健康监测方法和装置 |
CN116702076A (zh) * | 2023-05-25 | 2023-09-05 | 东北林业大学 | 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 |
Non-Patent Citations (5)
Title |
---|
基于VGG16迁移学习的轴承故障诊断方法;赵宇凯;徐高威;刘敏;;航天器环境工程(05);正文全文 * |
基于域对抗迁移的变工况滚动轴承故障诊断模型;金余丰;刘晓锋;姚美常;黄凤良;;自动化仪表(12);正文全文 * |
基于注意力机制BiLSTM的设备智能故障诊断方法;王太勇;王廷虎;王鹏;乔卉卉;徐明达;;天津大学学报(自然科学与工程技术版)(06);正文全文 * |
基于迁移学习的滚动轴承在线故障诊断;毛冠通;洪流;王景霖;;航空科学技术(01);正文全文 * |
王太勇 ; 王廷虎 ; 王鹏 ; 乔卉卉 ; 徐明达 ; .基于注意力机制BiLSTM的设备智能故障诊断方法.天津大学学报(自然科学与工程技术版).2020,(06),正文全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116894190A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
Yin et al. | Wasserstein Generative Adversarial Network and Convolutional Neural Network (WG‐CNN) for Bearing Fault Diagnosis | |
Yu et al. | Improved Butterfly Optimizer‐Configured Extreme Learning Machine for Fault Diagnosis | |
CN111931806A (zh) | 一种多传感器数据融合的设备故障诊断方法及装置 | |
CN112051062B (zh) | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 | |
CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
KR20210056296A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
CN113159273A (zh) | 一种神经网络的训练方法及相关设备 | |
CN111415167B (zh) | 网络欺诈交易检测方法及装置、计算机存储介质和终端 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
Oh et al. | Fault detection for lubricant bearing with CNN | |
Zhong et al. | CAE‐WANN: A novel anomaly detection method for gas turbines via search space extension | |
CN116894190B (zh) | 轴承故障诊断方法、装置、电子设备和存储介质 | |
Wang et al. | A denoising semi-supervised deep learning model for remaining useful life prediction of turbofan engine degradation | |
KR20210050412A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
CN114492517B (zh) | 电梯检测方法、电梯检测装置、电子设备及存储介质 | |
Xu et al. | Fault diagnosis of rolling bearing based on modified deep metric learning method | |
CN115994323A (zh) | 设备故障诊断模型建立方法以及设备故障诊断方法 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Yu et al. | Aero-engine residual life prediction based on time-series residual neural networks | |
Chen et al. | Decision tree-based prediction approach for improving stable energy management in smart grids | |
CN108763728B (zh) | 用并联型深度神经网络分层特征提取的机械故障诊断方法 | |
Zhou et al. | Application of convolutional neural network in motor bearing fault diagnosis | |
CN113657022A (zh) | 一种芯片故障识别方法及相关设备 | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic |
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 |