CN116910574A - 基于元学习和时间卷积网络的机械设备诊断方法及装置 - Google Patents
基于元学习和时间卷积网络的机械设备诊断方法及装置 Download PDFInfo
- Publication number
- CN116910574A CN116910574A CN202211516140.5A CN202211516140A CN116910574A CN 116910574 A CN116910574 A CN 116910574A CN 202211516140 A CN202211516140 A CN 202211516140A CN 116910574 A CN116910574 A CN 116910574A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- convolution network
- operation data
- learning
- meta
- 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 226
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000009467 reduction Effects 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 31
- 238000002405 diagnostic procedure Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于元学习和时间卷积网络的机械设备诊断方法及装置，涉及故障诊断技术领域，该方法包括：获取目标机械设备的当前运行数据；对所述当前运行数据进行降噪处理；将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。本发明实现故障诊断模型的网络参数在较少的迭代次数中就能达到收敛，并获得良好的泛化性能，进而提高小样本故障诊断的准确率和降低故障诊断模型的构建成本。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于元学习和时间卷积网络的机械设备诊断方法及装置。
背景技术
现有技术中，部分企业根据故障机理建立恰当的物理解析模型，以对机械设备进行分析、实现实时的故障诊断与预测。但在实际工程应用过程中，由于机械设备的复杂性以及环境因素的不确定性，构建能够准确刻画机械设备演变过程的物理模型较为困难，在技术应用范围和效果都存在一些限制，进而难以获取精准的机械设备故障诊断结果。
还有部分企业通过人工智能的方法使得计算机拥有特征学习的能力，取代人工特征提取的过程，将特征学习与故障识别分类结合为一个有机整体，从而实现故障诊断智能化，减少人工参与对故障诊断系统的影响。但是，大多数深度学习依赖于大量的有标签数据，而数据需要大量的传感器采集，数据标注也需要大量的人力，成本较高，这些都严重限制了深度学习在故障诊断中的应用潜力，导致难以获取精准的机械设备故障诊断结果。
综上所述，现有的机械设备故障诊断模型的构建较为困难，诊断精度低且成本高。
发明内容
本发明提供一种基于元学习和时间卷积网络的机械设备诊断方法及装置，用以解决现有技术中机械设备故障诊断模型的构建较为困难，诊断精度低且成本高的缺陷，实现降低模型构建成本的同时，提高诊断精度。
本发明提供一种基于元学习和时间卷积网络的机械设备诊断方法，包括：
获取目标机械设备的当前运行数据；
对所述当前运行数据进行降噪处理；
将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述故障诊断模型是基于如下步骤训练得到的：
将所述样本数据集划分为多个支持集和多个查询集；其中，所述支持集和所述查询集中的样本数据量均小于目标值；所述支持集是基于每一工况下的至少一个样本机械设备的降噪处理后的运行数据以及所述至少一个样本机械设备的故障诊断真实值构建的；
基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型，包括：
对于当前次迭代训练，随机从所述多个支持集中选择第一预设数量的目标支持集，随机从所述多个查询集中选择第二预设数量的目标查询集；
基于所述目标支持集和所述目标查询集，以及上一次迭代训练对应的模型参数，对所述时间卷积网络进行训练，得到当前次迭代训练对应的模型参数；
基于所述当前次迭代训练对应的模型参数，继续执行下一次迭代训练，直到所述时间卷积网络的模型性能满足目标性能；
根据最后一次迭代训练对应的模型参数，获取所述故障诊断模型。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述时间卷积网络包括因果卷积网络、膨胀卷积网络和残差网络；
所述残差网络包括多层卷积层和至少一层非线性映射层。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述对所述当前运行数据进行降噪处理，包括：
对所述当前运行数据进行经验模态分解，得到多个本征模态函数分量；
分别计算所述多个本征模态函数分量与所述当前运行数据之间的相似度；
根据所述相似度，将所述多个本征模态函数分量划分为第一本征模态函数分量和第二本征模态函数分量；
将每一第一本征模态函数分量与每一第二本征模态函数分量进行随机重构，得到多个重构信号；
基于主成分分析，计算每一重构信号对所述当前运行数据的贡献度；
根据所述贡献度，对所述当前运行数据进行降噪处理。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述根据所述贡献度，对所述当前运行数据进行降噪处理，包括：
从所述多个重构信号中，选择所述贡献度满足预设条件的至少一个重构信号；
对所述至少一个重构信号进行融合操作；
根据融合操作结果，对所述当前运行数据进行降噪处理。
根据本发明提供的一种基于元学习和时间卷积网络的机械设备诊断方法，所述将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值，包括
将所述降噪处理后的当前运行数据输入至所述故障诊断模型中，预测所述目标机械设备属于每一预设状态的概率；所述预设状态包括正常状态、齿轮纹裂状态、齿轮断齿状态、齿根磨损状态或齿面磨损状态；
根据所述概率，获取所述故障诊断预测值。
本发明还提供一种基于元学习和时间卷积网络的机械设备诊断装置，包括：
数据采集模块，用于获取目标机械设备的当前运行数据；
数据处理模块，用于对所述当前运行数据进行降噪处理；
故障诊断模块，用于将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于元学习和时间卷积网络的机械设备诊断方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于元学习和时间卷积网络的机械设备诊断方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于元学习和时间卷积网络的机械设备诊断方法。
本发明提供的基于元学习和时间卷积网络的机械设备诊断方法及装置，通过基于多种工况下的样本机械设备的降噪处理后的运行数据以及样本机械设备的故障诊断真实值构建的样本数据集对时间卷积网络进行元学习训练，以得到故障诊断模型，并根据故障诊断模型，在线实时对目标机械设备进行故障诊断，通过元学习的方法使用多工况下的小样本数据集训练得到故障诊断模型，实现故障诊断模型的网络参数在较少的迭代次数中就能达到收敛，并获得良好的泛化性能，进而解决了由于小样本数据集的样本数量不足导致模型构建困难、诊断精度低且成本高的问题，达到了通过小样本数据集快速构建具有良好故障诊断性能的故障诊断模型，提升小样本故障诊断的准确率和降低故障诊断模型的构建成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的流程示意图之一；
图2是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的流程示意图之二；
图3是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的流程示意图之三；
图4是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的仿真结果示意图之一；
图5是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的仿真结果示意图之二；
图6是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的仿真结果示意图之三；
图7是本发明提供的基于元学习和时间卷积网络的机械设备诊断方法的仿真结果示意图之四；
图8是本发明提供的基于元学习和时间卷积网络的机械设备诊断装置的结构示意图；
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在日趋智能化的现代社会，无论是工业生产活动还是日常生活中，机械设备的应用越来越广泛，上至航空航天、工业生产、国防事业，下至与人们生活出行息息相关的交通工具，旋转机械都起着举足轻重的作用。随着现代科学技术的不断发展，各类机械系统也正朝着大型化、复杂化、高速化的方向发展，而这些也增加了机械系统安全问题的不确定性。机械设备故障诊断是监测、诊断和预示连续运行设备的状态，保障机械设备安全运行的一门科学技术，其突出特点为理论研究与工程实际应用紧密结合，是一种利用各种测量和监视方法，对设备状态进行记录、分析，对异常状态进行识别报警的先进技术。运用该项技术可以及时发现机械设备运行时存在的故障状态，避免灾难性事件的发生，也可以避免维修不足或者过度维修带来的经济损耗，具有较大的经济效益。
目前，企业大多根据故障机理建立恰当的物理解析模型，深入对象本质分析、实现实时的故障诊断与预测。研究对象的故障特征信息通常与物理模型联系紧密，随着研究的不断深入与完善，对模型的修正会越来越精确，但在实际工程应用过程中，由于机械系统的复杂性以及环境因素的不确定性，构建能够准确刻画机械设备演变过程的物理模型较为困难，在技术应用范围和效果都存在一些限制。随着计算机科学的发展，人工智能、模式识别、机器学习等智能化方法不断被应用于机械故障诊断任务。通过人工智能的方法使得计算机拥有特征学习的能力，取代人工特征提取的过程，将特征学习与故障识别分类结合为一个有机整体，虽然可以解决上述问题，实现故障诊断智能化，减少人工参与对故障诊断系统的影响。但是，大多数深度学习依赖于大量的有标签数据，而数据需要大量的传感器采集，数据标注也需要大量的人力，成本较高，这些都严重限制了深度学习在故障诊断中的应用潜力。
针对上述技术问题，本发明提供了一种基于元学习和时间卷积网络的机械设备诊断方法，通过将元学习框架引入机械设备诊断中，解决了少量样本诊断的问题，并且通过元学习框架和时间卷积网络的结合可以利用时间卷积网络具备灵活的感知域和稳定的梯度，使得训练后的故障诊断模型具备更加准确的故障诊断性能，进而实现降低模型构建成本的同时，提高诊断精度。
需要说明的是，该方法的执行主体可以是搭载有机械设备诊断技术的电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机等，非移动电子设备可以为服务器、网络附属存储器、个人计算机等，本发明不作具体限定。
下面结合图1描述本申请实施例的基于元学习和时间卷积网络的机械设备诊断方法。该方法可适用于各种机械设备，包括但不限于齿轮箱和轴承，本实施例对此不做具体地限定。
如图1所示，为本申请实施例提供的一种基于元学习和时间卷积网络的机械设备诊断方法的流程示意图，该方法包括如下步骤：
步骤101，获取目标机械设备的当前运行数据；
其中，目标机械设备为需要进行故障诊断的机械设备，包括但不限于齿轮箱和轴承，本实施例对此不做具体地限定。
当前运行参数可以是在基于传感器在当前周期实时采集的目标机械设备的运行数据，也可以是从存储器中预先加载的当前周期的目标机械设备的运行数据，本实例对此不做具体地限定。其中，传感器的结构可以根据实际诊断场景进行设置，如传感器为两个三路传感器等，以对目标机械设备进行多通道多维度数据采集，进而确保采集的当前运行参数的有效性。
可选地，在需要对目标机械设备进行故障诊断时，可获取目标机械设备的当前运行数据。当前运行数据包括当前周期下各采样点采集目标机械设备在工作状态下的振动信号等其他运行数据，本实施对此不做具体地限定。
步骤102，对所述当前运行数据进行降噪处理；
可选地，在获取到当前运行数据之后，可对当前运行数据进行一种或多种降噪处理，以降低当前运行数据中与故障诊断无关的噪声点数据，以减少噪声点对机械设备的故障诊断效果影响，进而提高机械设备故障诊断的准确性和稳定性。
其中，降噪处理包括但不限于滤波处理、分解处理、主成分分析处理、相似度计算处理中的一种或多个组合处理方式，以实现降噪处理，消除当前运行数据中与故障诊断无关的噪声点数据对机械设备故障诊断效果影响。
步骤103，将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
其中，故障诊断模型为用于对机械设备进行故障诊断的模型，其是基于时间卷积网络(Temporal Convolutional Network，TCN)构建的，时间卷积网络是基于至少一层时间卷积网络层构建生成的，具体结构可以根据实际需求进行设置。
多种工况包括但不限于正常工况、齿轮纹裂工况、齿轮断齿工况、齿根磨损工况和齿面磨损工况，本实施例对此不做具体地限定。
可选地，在执行步骤103之前，可预先训练得到故障诊断模型，具体训练方式为元学习训练，具体训练步骤包括：
首先，采集多种不同工况下的样本机械设备的历史运行数据，以及样本调压器的故障诊断真实值，以构建样本数据集，进而使得样本数据集中包含多种场景下的样本数据，进而提高故障诊断模型的鲁棒性性和泛化性。其中，样本机械设备为与目标机械设备的类型相同或相似的机械设备。
然后，依照对当前运行数据进行降噪处理的方式，对样本机械设备的历史运行数据进行降噪处理，以得到更加有效的样本数据集，进而高效地训练出具有良好故障诊断性能的故障诊断模型。
然后，通过元学习框架(Meta learning，MAML)将降噪处理的样本数据集划分为训练集和测试集。训练集用于对故障诊断模型进行训练，测试集用于对故障诊断模型进行测试。
将训练集划分为多个咨询集和多个查询集，将测试集划分为多个测试任务。基于多个咨询集和多个查询集对时间卷积网络进行元学习训练，以根据训练结果，构建具有良好故障诊断性能的故障诊断模型。
其中，在元学习训练过程中，根据时间卷积网络的损失函数，计算得到时间卷积网络的各层参数梯度，并用优化器更新来获取过去学习到的知识和经验f*，相关公式如下：
其中，mi是工况i中所有样本的数量，err是指在工况i下被错误判断的样本数量；
其中，是在元学训练过程中学习到的元知识，θ为时间卷积网络的原始模型参数，θ′为在元学训练过程中学习到的模型参数；
其中，k表示第k次迭代，θk表示第k次迭代中时间卷积网络的模型参数，η1为时间卷积网络的更新参数，θk+1表示第k+1次迭代中，时间卷积网络的模型参数。
其中，F是元学习的输出，用于表示学习能力的函数，f*表示元知识，也就是时间卷积网络通过迭代学习到的知识经验，表示时间卷积网络的初始模型参数。
其中，f*t+1表示经过了t+1次迭代后，时间卷积网络学习到的知识经验，η2为模型的迭代参数。
模型的损失函数选择为交叉熵损失函数，公式如下所示：
其中，x为样本(即样本机械设备)的输出，class为样本的标签，x[j]为第j个样本的概率分布，x[class]表示在该样本标签的概率分布。
元学习最终通过迭代获取一个能代表模型学习能力的函数F。通过该函数F即可实现齿轮箱故障诊断。
在获取到具有良好故障诊断性能的故障诊断模型之后，由故障诊断对降噪处理后的当前运行数据进行深度学习，以得到目标机械设备的故障诊断预测值，即诊断出目标机械设备处于正常状态、齿轮纹裂状态、齿轮断齿状态、齿根磨损状态或齿面磨损状态。
可以理解的是，在获取到目标机械设备的故障诊断预测值之后，若确定目标机械设备发生故障的情况下，可以发出故障预警，以便维护人员在获取到故障预警后，及时对目标机械设备进行维护，并根据故障预警定位故障位置和故障类型，进而快速做出维护决策，提高机械设备维护管理的实时性。
本实施例提供的基于元学习和时间卷积网络的机械设备诊断方法，通过基于多种工况下的样本机械设备的降噪处理后的运行数据以及样本机械设备的故障诊断真实值构建的样本数据集对时间卷积网络进行元学习训练，以得到故障诊断模型，并根据故障诊断模型，在线实时对目标机械设备进行故障诊断，通过元学习的方法使用多工况下的小样本数据集训练得到故障诊断模型，实现故障诊断模型的网络参数在较少的迭代次数中就能达到收敛，并获得良好的泛化性能，进而解决了由于小样本数据集的样本数量不足导致模型构建困难、诊断精度低且成本高的问题，达到了通过小样本数据集快速构建具有良好故障诊断性能的故障诊断模型，提升小样本故障诊断的准确率和降低故障诊断模型的构建成本。
在一些实施例中，所述故障诊断模型是基于如下步骤训练得到的：
将所述样本数据集划分为多个支持集和多个查询集；其中，所述支持集和所述查询集中的样本数据量均小于目标值；所述支持集是基于每一工况下的至少一个样本机械设备的降噪处理后的运行数据以及所述至少一个样本机械设备的故障诊断真实值构建的；
基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型。
其中，目标值可以工况数量进行设置，如为工况数量的一倍、两倍或五倍等，本实施例对此不作具体地限定。
可选地，基于元学习框架，将样本数据集划分为多个支持集和多个查询集；其中，每一支持集中包含每一工况下的至少一个样本，即至少一个样本机械设备的降噪处理后的运行数据以及所述至少一个样本机械设备的故障诊断真实值构建的一个样本。
然后，根据多个支持集和多个查询集对时间卷积网络进行元学习训练，将元学习训练过程中获取的最优的时间卷积网络作为故障诊断模型。
本实施例中基于元学习框架对时间卷积网络进行元学习训练，以通过小样本数据集快速构建具有良好故障诊断性能的故障诊断模型，构建成本低，且训练得到的故障诊断模型可以适用于多种故障诊断任务中，有效提高的故障诊断模型的泛化性能、鲁棒性以及故障诊断的准确率。
在一些实施例中，所述基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型，包括：
对于当前次迭代训练，随机从所述多个支持集中选择第一预设数量的目标支持集，随机从所述多个查询集中选择第二预设数量的目标查询集；
基于所述目标支持集和所述目标查询集，以及上一次迭代训练对应的模型参数，对所述时间卷积网络进行训练，得到当前次迭代训练对应的模型参数；
基于所述当前次迭代训练对应的模型参数，继续执行下一次迭代训练，直到所述时间卷积网络的模型性能满足目标性能；
根据最后一次迭代训练对应的模型参数，获取所述故障诊断模型。
其中，第一预设数量和第二预设数量可以相同也可以不同，具体数量可以根据实际需求进行设置。
可选地，故障诊断模型的训练步骤具体包括：
对于当前次迭代训练，随机从多个支持集中选择第一预设数量的目标支持集作为当前次迭代训练的训练集，随机从多个查询集中选择第二预设数量的目标查询集作为当前次迭代训练的验证集。根据目标支持集和目标查询集，在上一次迭代训练获取的时间卷积网络的模型参数的基础上，对时间卷积网络进行元学习训练，得到当前次迭代训练过程中时间卷积网络的模型参数。
可选地，在当前次迭代训练过程中，对于每一目标支持集执行如下步骤：
基于当前目标支持集以及上一目标支持集对应的模型参数，对时间卷积网络进行优化，得到当前目标支持集对应的模型参数，继续执行优化步骤，直到所有目标支持集均训练完成；
在最后一个目标支持集对应的模型参数的基础上，基于各个目标查询集对时间卷积网络进行验证，获取各个目标查询集对应的验证损失值；
将最后一个目标支持集对应的训练损失值和多个目标查询集对应的验证损失值进行融合，得到所述时间卷积网络的损失函数，基于所述损失函数对所述时间卷积网络进行训练，得到当前次迭代训练对应的模型参数。
在当前次迭代训练对应的模型参数的基础上，继续执行下一次迭代训练，直到时间卷积网络的模型性能满足目标性能，以根据最后一次迭代训练对应的模型参数，获取最优的时间卷积网络，进而根据最优的时间卷积网络构建故障诊断模型。其中，目标性能包括故障诊断精确度达到精确度阈值或模型收敛等，本实施例对此不做具体地限定。
训练得到的故障诊断模型为针对多个不同训练任务的小样本数据集训练的故障诊断模型，其可对各种不同场景以及不同工况下的机械设备进行精准地故障诊断。
本实施例中，通过在每次迭代训练过程中，随机从多个支持集中选择第一预设数量的目标支持集，随机从多个查询集中选择第二预设数量的目标查询集，以对时间卷积网络进行元学习训练，以训练获取故障诊断模型，实现在小样本条件下提高故障诊断模型的构建成功率的前提下，使得训练的故障诊断模型具有较好的泛化性、鲁棒性和故障诊断预测精准性。
在一些实施例中，所述时间卷积网络包括因果卷积网络、膨胀卷积网络和残差网络；
所述残差网络包括多层卷积层和至少一层非线性映射层。
可选地，时间卷积网络是基于因果卷积、膨胀卷积和残差链接构建的。如图2所示，时间卷积网络包括两层特征提取层和残差网络层，残差网络层用于融合时间卷积网络的输入信息以及两层特征提取层的输出信息，以实现跨层传递信息，进而提高故障诊断的准确性。
其中，特征提取层具体包括依次堆叠的膨胀因果卷积层(即Dilated GausalConv)、权重归一化层(即WeightNorm)、激活函数层(如ReLU激活函数)和随机失活层(即Dropout)。
其中，因果卷积是单向的结构，无法看到未来的数据，是一种严格的时间约束模型。膨胀卷积网络允许输入信息之间存在间隔采样，这使得感受野大大增加。在使用了因果卷积和膨胀卷积之后，会导致网络深度过深，而残差网络可以使得时间卷积网络能够跨层传递信息。其中，残差网络包括多层卷积层和至少一层非线性映射层，如基于两层卷积和非线性映射构建生成。
本实施例中通过因果卷积网络、膨胀卷积网络和残差网络构建时间卷积网络，进而获取故障诊断模型，使得故障诊断模型可精准地学习到输入信息中的时间序列特征，且可以捕捉到更大感受视野和更深层次的特征，进而有效提高故障诊断的精确度。
在一些实施例中，步骤102中所述对所述当前运行数据进行降噪处理，包括：
对所述当前运行数据进行经验模态分解，得到多个本征模态函数分量；
分别计算所述多个本征模态函数分量与所述当前运行数据之间的相似度；
根据所述相似度，将所述多个本征模态函数分量划分为第一本征模态函数分量和第二本征模态函数分量；
将每一第一本征模态函数分量与每一第二本征模态函数分量进行随机重构，得到多个重构信号；
基于主成分分析，计算每一重构信号对所述当前运行数据的贡献度；
根据所述贡献度，对所述当前运行数据进行降噪处理。
可选地，步骤102中降噪处理的步骤具体如下：
对当前运行数据进行经验模态分解，以将当前运行数据分解为多个本征模态函数分量和残差分量。其中，分解步骤可以包含如下步骤：
首先在当前运行数据中多次加入等长度的高斯白噪声ni(t)，得到的新信号为：
xi(t)＝x(t)+ni(t)；
其中：xi(t)为在当前运行数据xt中第i次加入噪声后的信号。
然后，通过拟合加入噪声后的信号的上下包络线，求解均值m(t)。在加入噪声的信号中去除均值序列m(t)得到检测信号，并判断检测信号是否满足IMF(Intrinsic ModeFunction，本征模态函数)条件，如不满足，继续重复计算，直到检测信号满足IMF条件为止，得到本征模态函数。
然后，利用xi(t)和本征模态函数计算剩余信号：
Rij(t)＝xi(t)-IMFij(t)；
其中，Rij(t)为剩余信号，IMFij为第i次加入噪声后获取的第j个本征模态函数；对剩余信号重复上述步骤，并以此获得多个本征模态函数分量。
由于各阶本征模态函数分量中含有不同程度的有用信号和噪声信号，可计算各阶本征模态函数分量与当前运行数据之间的相似度，从中选择与当前运行数据之间的相似度大于相似度阈值的本征模态函数分量，并将其作为第一本征模态函数分量，将分解结果中除目标本征模态函数分量之外的剩余分量作为第二本征模态函数分量；将各第一本征模态函数分量与各第二本征模态函数分量进行随机重构，得到多个重构信号。
基于主成分分析，计算获取每一重构信号对当前运行数据的贡献度，根据贡献度，对当前运行数据进行降噪处理，以使得降噪处理后的当前运行参数既能消除噪声信号，又能完整表征当前运行参数的分布特征，进而提高故障诊断的精确度。
在一些实施例中，所述根据所述贡献度，对所述当前运行数据进行降噪处理，包括：
从所述多个重构信号中，选择所述贡献度满足预设条件的至少一个重构信号；
对所述至少一个重构信号进行融合操作；
根据融合操作结果，对所述当前运行数据进行降噪处理。
可选地，在获取到每一重构信号对当前运行数据的贡献度之后，可对多个重构信号的贡献度按照从大到小进行排序，以从中选择排序靠前的至少一个重构信号。
然后，将排序靠前的至少一个重构信号进行相加融合，得到降噪处理后的当前运行数据。
本实施例中通过对当前运行参数贡献度较大的至少一个重构信号进行相加融合，可以有效消除噪声信号，又能完整表征当前运行参数的分布特征，进而提高故障诊断的精确度。
在一些实施例中，步骤103中所述将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值，包括
将所述降噪处理后的当前运行数据输入至所述故障诊断模型中，预测所述目标机械设备属于每一预设状态的概率；所述预设状态包括正常状态、齿轮纹裂状态、齿轮断齿状态、齿根磨损状态或齿面磨损状态；
根据所述概率，获取所述故障诊断预测值。
可选地，获取目标机械设备的故障诊断预测值的步骤具体如下：
将降噪处理后的当前运行数据输入至故障诊断模型中，由故障诊断模型对降噪处理后的当前运行数据进行深度时间序列特征学习，以识别出目标机械设备属于正常状态、齿轮纹裂状态、齿轮断齿状态、齿根磨损状态和齿面磨损状态的概率。并将概率最大的状态对应的故障分类，作为目标机械设备的故障诊断预测值，并可将故障诊断预测值以可视化图的形式进行展示。
本实施例中，通过故障诊断模型，可以精准地诊断出目标机械设备是否发生故障，且可精准地诊断出目标机械设备所属的故障类型，以为维护人员提供更加精准和丰富的故障诊断结果，进而提高机械设备的维护效率。
如图3所示，结合具体的实例，对本实施例提供的基于元学习和时间卷积网络的机械设备诊断方法的完整流程示意图展开描述，具体包括如下步骤：
步骤(1)，对目标机械设备和样本机械设备进行数据采集；具体通过两个三路传感器采集目标机械设备和样本机械设备在工作状态下的振动信号；
步骤(2)，对步骤(1)获取到的数据进行经验模态分解，获取若干IMF分量；
步骤(3)，对步骤(2)获取的IMF分量进行相关性分析和主成分分析，以获取包含原始信号更多的信号分量，将这些信号分量相加，以实现对原始信号的降噪处理；
(4)根据元学习框架将进行降噪处理后的样本数据集划分为训练集和测试集；
(5)通过步骤(4)划分的训练集中建立若干个咨询集和查询集，并在测试集中也准备若干个测试任务；
(6)定义时间卷积网络结构，并在元学器中初始化时间卷积网络的网络参数。其中元学器贮存了先验知识，且该先验知识将被应用到新的测试任务中；
(7)对元学器中的时间卷积网络进行迭代预训练，在训练过程中使用咨询集来更新时间卷积网络的模型参数，并通过查询集来评估时间卷积网络的训练效果，以得到故障诊断模型；
(8)用训练好的故障诊断模型对目标机械设备的当前运行参数进行分析并对分析结果生成可视化图。
另外，为了验证本实施提供的基于元学习和时间卷积网络的机械设备诊断方法的有效性，采用具体的实验数据进行验证。
其中，采用的数据集为齿轮箱数据集，该数据集的实验平台是传动系统动态仿真器。该实验平台可以模拟各种齿轮的运行状态。在数据集中，模拟了两个工作条件下五种工况下齿轮的运行状态。两个工作条件分别是工作速度为20Hz，且无负载0V(简称条件20_0)和速度为30Hz，负载为2V(简称条件30_2)；五种工况下的齿轮分别是正常状态(即健康运行)、缺陷状态(即齿轮上出现裂纹)，断齿状态(即齿轮上出现断齿)、齿根磨损状态(即齿根上出现裂纹)和齿面磨损状态(即齿轮表面出现磨损)。对于每个工作条件，取1024个采样点作为一个样本，每个工况收集1000个独立样本。
为了充分了解本发明提供的方法的每个部分的效果，进行了如下实验：在条件20_0下进行故障诊断模型训练，将训练好的故障诊断模型在条件30_2下进行验证，其中元训练和元测试的任务数分别为400个和100个，训练模型的学习率设定为0.01，训练迭代次数为200次。实验精度和损失的变化趋势如图4到图7所示。
如图4所示为一次性模型学习(简称1-shot)场景下故障诊断模型预测准确性变化曲线，元训练和元验证在一次性模型学习场景下的准确性在前50次迭代中呈现出明显的增长，然后精度的提高速度逐渐放缓；最终稳定在1左右。如图5所示为1-shot场景下故障诊断模型预测损失值变化曲线，经过前50次的训练后，模型趋于收敛，取得了良好的效果。
如图6为五次模型学习(简称5-shot)场景下故障诊断模型预测准确性变化曲线；如图7所示为5-shot场景下故障诊断模型预测损失值变化曲线；根据图6和图7，可以看出变化过程与1-shot相似，均能使得训练的故障诊断模型快速收敛，并具有较好的故障诊断精度。因为5-shot有更多的样本，可以提供更多的关于齿轮箱故障的信；因此5-shot的拟合速度更快，精度更高，具有更快的拟合速度和更高的精度。
表1不同故障诊断方法的诊断预测准确度的对比结果之一
为了进一步提高本实施例的机械设备诊断方法的有效性，将其与现有技术中的如下故障诊断模型进行比较，具体包括KNN(K-Nearest Neighbor，K最邻近)、CNN(Convolutional Neural Network，卷积神经网络)和TCN(Temporal ConvolutionalNetwork，时间卷积网络)。测试是在条件20_0到条件30_2，以及条件30_2到条件20_0下进行的，并计算了每个工作条件下的准确性，最终结果显示在表1和表2中。
表2不同故障诊断方法的诊断预测精度的对比结果之二
如表1和表2可知，本实施例提出的诊断方法的精度是最高的。与CNN相比，TCN的整体预测精度更高。因为TCN有更大的感受野，可以提取更有效的故障信息。本实施例提供的故障诊断模型的准确率也比CNN高，这表明传统的机器学习是为特定的任务而训练的，所获得的故障知识并不适合新的工作环境。而本实施例提供的故障诊断模型不仅具有更大的感受野，且能适应多种不同的工作环境，进而使得故障诊断结果更加准确。
下面对本发明提供的基于元学习和时间卷积网络的机械设备诊断装置进行描述，下文描述的基于元学习和时间卷积网络的机械设备诊断装置与上文描述的基于元学习和时间卷积网络的机械设备诊断方法可相互对应参照。
如图8所示，为本实施例提供的基于元学习和时间卷积网络的机械设备诊断装置，该装置包括：
数据采集模块801用于获取目标机械设备的当前运行数据；
数据处理模块802用于对所述当前运行数据进行降噪处理；
故障诊断模块803用于将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
本实施例提供的基于元学习和时间卷积网络的机械设备诊断装置，通过基于多种工况下的样本机械设备的降噪处理后的运行数据以及样本机械设备的故障诊断真实值构建的样本数据集对时间卷积网络进行元学习训练，以得到故障诊断模型，并根据故障诊断模型，在线实时对目标机械设备进行故障诊断，通过元学习的方法使用多工况下的小样本数据集训练得到故障诊断模型，实现故障诊断模型的网络参数在较少的迭代次数中就能达到收敛，并获得良好的泛化性能，进而解决了由于小样本数据集的样本数量不足导致模型构建困难、诊断精度低且成本高的问题，达到了通过小样本数据集快速构建具有良好故障诊断性能的故障诊断模型，提升小样本故障诊断的准确率和降低故障诊断模型的构建成本。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令，以执行基于元学习和时间卷积网络的机械设备诊断方法，该方法包括：获取目标机械设备的当前运行数据；对所述当前运行数据进行降噪处理；将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于元学习和时间卷积网络的机械设备诊断方法，该方法包括：获取目标机械设备的当前运行数据；对所述当前运行数据进行降噪处理；将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于元学习和时间卷积网络的机械设备诊断方法，该方法包括：获取目标机械设备的当前运行数据；对所述当前运行数据进行降噪处理；将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，包括：
获取目标机械设备的当前运行数据；
对所述当前运行数据进行降噪处理；
将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
2.根据权利要求1所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述故障诊断模型是基于如下步骤训练得到的：
将所述样本数据集划分为多个支持集和多个查询集；其中，所述支持集和所述查询集中的样本数据量均小于目标值；所述支持集是基于每一工况下的至少一个样本机械设备的降噪处理后的运行数据以及所述至少一个样本机械设备的故障诊断真实值构建的；
基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型。
3.根据权利要求2所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述基于所述多个支持集和所述多个查询集，对所述时间卷积网络进行元学习训练，根据训练结果，获取所述故障诊断模型，包括：
对于当前次迭代训练，随机从所述多个支持集中选择第一预设数量的目标支持集，随机从所述多个查询集中选择第二预设数量的目标查询集；
基于所述目标支持集和所述目标查询集，以及上一次迭代训练对应的模型参数，对所述时间卷积网络进行训练，得到当前次迭代训练对应的模型参数；
基于所述当前次迭代训练对应的模型参数，继续执行下一次迭代训练，直到所述时间卷积网络的模型性能满足目标性能；
根据最后一次迭代训练对应的模型参数，获取所述故障诊断模型。
4.根据权利要求1-3任一所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述时间卷积网络包括因果卷积网络、膨胀卷积网络和残差网络；
所述残差网络包括多层卷积层和至少一层非线性映射层。
5.根据权利要求1-3任一所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述对所述当前运行数据进行降噪处理，包括：
对所述当前运行数据进行经验模态分解，得到多个本征模态函数分量；
分别计算所述多个本征模态函数分量与所述当前运行数据之间的相似度；
根据所述相似度，将所述多个本征模态函数分量划分为第一本征模态函数分量和第二本征模态函数分量；
将每一第一本征模态函数分量与每一第二本征模态函数分量进行随机重构，得到多个重构信号；
基于主成分分析，计算每一重构信号对所述当前运行数据的贡献度；
根据所述贡献度，对所述当前运行数据进行降噪处理。
6.根据权利要求5所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述根据所述贡献度，对所述当前运行数据进行降噪处理，包括：
从所述多个重构信号中，选择所述贡献度满足预设条件的至少一个重构信号；
对所述至少一个重构信号进行融合操作；
根据融合操作结果，对所述当前运行数据进行降噪处理。
7.根据权利要求1-3任一所述的基于元学习和时间卷积网络的机械设备诊断方法，其特征在于，所述将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值，包括
将所述降噪处理后的当前运行数据输入至所述故障诊断模型中，预测所述目标机械设备属于每一预设状态的概率；所述预设状态包括正常状态、齿轮纹裂状态、齿轮断齿状态、齿根磨损状态或齿面磨损状态；
根据所述概率，获取所述故障诊断预测值。
8.一种基于元学习和时间卷积网络的机械设备诊断装置，其特征在于，包括：
数据采集模块，用于获取目标机械设备的当前运行数据；
数据处理模块，用于对所述当前运行数据进行降噪处理；
故障诊断模块，用于将降噪处理后的当前运行数据输入至故障诊断模型中，获取所述目标机械设备的故障诊断预测值；
所述故障诊断模型是基于样本数据集对时间卷积网络进行元学习训练得到的；所述样本数据集是基于多种工况下的样本机械设备的降噪处理后的历史运行数据以及所述样本机械设备的故障诊断真实值构建的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于元学习和时间卷积网络的机械设备诊断方法。
10.一种非暂态计算机可读存储介质，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至7任一项所述基于元学习和时间卷积网络的机械设备诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516140.5A CN116910574A (zh) | 2022-11-29 | 2022-11-29 | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211516140.5A CN116910574A (zh) | 2022-11-29 | 2022-11-29 | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116910574A true CN116910574A (zh) | 2023-10-20 |
Family
ID=88365450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211516140.5A Pending CN116910574A (zh) | 2022-11-29 | 2022-11-29 | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910574A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117560267A (zh) * | 2024-01-11 | 2024-02-13 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
-
2022
- 2022-11-29 CN CN202211516140.5A patent/CN116910574A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117560267A (zh) * | 2024-01-11 | 2024-02-13 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
| CN117560267B (zh) * | 2024-01-11 | 2024-03-26 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kuncan | An intelligent approach for bearing fault diagnosis: combination of 1D-LBP and GRA | |
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
| Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
| Xiang et al. | LSTM networks based on attention ordered neurons for gear remaining life prediction | |
| Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN113469060A (zh) | 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 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| Shen et al. | Remaining useful life prediction of rolling bearing based on multi-head attention embedded Bi-LSTM network | |
| Zhou et al. | Automated model generation for machinery fault diagnosis based on reinforcement learning and neural architecture search | |
| Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
| Wang et al. | Memory-enhanced hybrid deep learning networks for remaining useful life prognostics of mechanical equipment | |
| Oh et al. | Fault detection for lubricant bearing with cnn | |
| Han et al. | The multilabel fault diagnosis model of bearing based on integrated convolutional neural network and gated recurrent unit | |
| Qi et al. | Application of EMD combined with deep learning and knowledge graph in bearing fault | |
| Rahimilarki et al. | Time-series deep learning fault detection with the application of wind turbine benchmark | |
| Jin et al. | Fault diagnosis of rotating machines based on EEMD-MPE and GA-BP | |
| Jose et al. | Solving time alignment issue of multimodal data for accurate prognostics with CNN-Transformer-LSTM network | |
| CN107766882A (zh) | 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data |
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 |