CN117034011A - 训练轴承故障诊断模型的方法、装置、设备和存储介质 - Google Patents
训练轴承故障诊断模型的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117034011A CN117034011A CN202311013657.7A CN202311013657A CN117034011A CN 117034011 A CN117034011 A CN 117034011A CN 202311013657 A CN202311013657 A CN 202311013657A CN 117034011 A CN117034011 A CN 117034011A
- Authority
- CN
- China
- Prior art keywords
- data set
- bearing
- diagnosis model
- fault diagnosis
- domain 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 204
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013508 migration Methods 0.000 description 10
- 230000005012 migration Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种训练轴承故障诊断模型的方法、装置、设备和存储介质,该方法包括,分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。通过该方法可以达到提高轴承故障诊断模型的轴承检测准确性的效果。
Description
技术领域
本申请涉及模型迁移训练的领域,具体而言,涉及训练轴承故障诊断模型的方法、装置、设备和存储介质。
背景技术
目前,轴承作为机械设备中最关键的旋转部件之一,机械设备发生故障时,约30%是由轴承故障引起的,轴承故障会导致系统维护成本高和安全性低等问题,因此对其进行精确的诊断对系统的维护具有重要意义。而检测轴承故障的方法通常又离不开轴承检测模型,传统的模型训练通常利用同领域内的数据进行模型的训练。
在现场实际情况下,由于环境、工况等的变化,训练和测试数据的分布会不同,这会使得模型从训练数据中学习得到的检测模型对大部分领域内轴承检测得到的结果不够准确。
因此,如何提高轴承故障诊断模型的轴承检测准确性,是一个需要解决的技术问题。
发明内容
本申请实施例的目的在于提供一种训练轴承故障诊断模型的方法,通过本申请的实施例的技术方案可以达到提高轴承故障诊断模型的轴承检测准确性的效果。
第一方面,本申请实施例提供了一种训练轴承故障诊断模型的方法,包括,分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。
本申请在上述实施例中,通过将源域和目标域的数据同时对初始轴承故障诊断模型进行训练,可以使轴承故障诊断模型学会检测源域轴承故障的同时,还可以检测目标域内轴承故障,通过该方法可以达到提高轴承故障诊断模型的跨领域轴承检测准确性的效果。
在一些实施例中,通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型,包括:分别将源域数据集和目标域数据集输入初始轴承故障诊断模型,得到第一轴承故障数据集合和第二轴承故障数据集合;通过最大均值差异算法计算第一轴承故障数据集合和第二轴承故障数据集合的交叉熵损失;调整初始轴承故障诊断模型的模型参数,直到调整次数达到预设次数时,得到轴承故障诊断模型。
本申请在上述实施例中,在通过源域数据和目标域数据进行模型训练时,可以通过算法计算模型的损失,进而通过不断的调整模型的参数,使模型训练的更准确,在进行轴承故障检测时得到的故障检测结果更加准确。
在一些实施例中,初始轴承故障诊断模型,包括:4层卷积层、4层归一化层、1层激活层和3层全连接层。
本申请在上述实施例中,通过上述多层结构对轴承故障数据进行特征提取,可以准确的提取故障信息,得到准确的轴承故障检测结果。
在一些实施例中,分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集,包括:基于不同转速下的电机,获取源域和目标域不同故障类型下的轴承振动数据;将不同故障类型下的轴承振动数据按照不同的工况进行划分,得到多个工况以及每一工况对应的轴承振动数据;将多个工况中每一工况对应的轴承振动数据再次根据不同故障类型进行划分,得到源域数据集和目标域数据集。
本申请在上述实施例中,可以分别获取源域和目标域下的数据,进而根据工况划分后得到不同领域下的数据集,达到准确划分数据的效果。
在一些实施例中,通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型,包括:优化源域数据集中错误的健康状况分类数据,得到优化后的源域数据集;优化优化后的源域数据集和目标域数据集,得到第二源域数据集和第二目标域数据集;通过第二源域数据集和第二目标域数据集对初始轴承故障诊断模型进行训练,得到轴承故障诊断模型。
本申请在上述实施例中,可以对源域数据集和目标域数据集中的数据进一步优化后再次优化,提高数据集的质量,进而在训练故障诊断模型时,可以通过高质量的数据集训练高精度的轴承故障诊断模型。
在一些实施例中,在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,还包括:通过测试集测试轴承故障诊断模型,得到测试结果。
本申请在上述实施例中,还可以对轴承故障诊断模型进行测试,提高轴承故障诊断模型的精度。
在一些实施例中,在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,还包括:将待诊断轴承数据输入轴承故障诊断模型,得到待诊断轴承的诊断结果。
本申请在上述实施例中,可以利用轴承故障诊断模型对待诊断轴承数据进行轴承诊断,得到准确的轴承诊断结果。
第二方面,本申请实施例提供了一种训练轴承故障诊断模型的装置,包括:
获取模块,用于分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;
构建模块,用于构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;
训练模块,用于通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。
可选的,训练模块具体用于:
分别将源域数据集和目标域数据集输入初始轴承故障诊断模型,得到第一轴承故障数据集合和第二轴承故障数据集合;
通过最大均值差异算法计算第一轴承故障数据集合和第二轴承故障数据集合的交叉熵损失;
调整初始轴承故障诊断模型的模型参数,直到调整次数达到预设次数时,得到轴承故障诊断模型。
可选的,初始轴承故障诊断模型,包括:
4层卷积层、4层归一化层、1层激活层和3层全连接层。
可选的,获取模块具体用于:
基于不同转速下的电机,获取源域和目标域不同故障类型下的轴承振动数据;
将不同故障类型下的轴承振动数据按照不同的工况进行划分,得到多个工况以及每一工况对应的轴承振动数据;
将多个工况中每一工况对应的轴承振动数据再次根据不同故障类型进行划分,得到源域数据集和目标域数据集。
可选的,训练模块具体用于:
优化源域数据集中错误的健康状况分类数据,得到优化后的源域数据集;
优化优化后的源域数据集和目标域数据集,得到第二源域数据集和第二目标域数据集;
通过第二源域数据集和第二目标域数据集对初始轴承故障诊断模型进行训练,得到轴承故障诊断模型。
可选的,所述装置还包括:
测试模块,用于所述训练模块在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,通过测试集测试轴承故障诊断模型,得到测试结果。
可选的,所述装置还包括:
诊断模块,用于所述训练模块在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,将待诊断轴承数据输入轴承故障诊断模型,得到待诊断轴承的诊断结果。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的某些实施例,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为本申请实施例提供的一种训练轴承故障诊断模型的方法的流程图;
图2为本申请实施例提供的一种调整初始轴承故障诊断模型的模型参数的结果的示意图;
图3为本申请实施例提供的一种训练轴承故障诊断模型的详细实施方法的流程图;
图4为本申请实施例提供的一种训练轴承故障诊断模型的装置的示意框图;
图5为本申请实施例提供的一种训练轴承故障诊断模型的装置的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和显示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
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。同时,在本申请的描述中,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。
首先对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
终端设备:可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。还可预见到的是,终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
服务器:可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
MMD:(最大均值差异,Maximum Mean Discrepancy)最大均值差异算法是用来衡量两个样本是否是来自同分布。在迁移学习中,MMD作为一种常用的度量准则,衡量源域和目标域之间的相似性。MMD用来计算源域和目标域投影后的均值差异。MMD的推导过程如下:MMD算法作为一种度量准则,常应用于TCA(迁移成分分析)算法,JDA等”。
本申请应用于模型迁移训练的场景,具体场景为通过源域和目标域的数据训练轴承故障诊断模型,可以对源域和目标域中的轴承进行故障诊断。
目前,轴承作为机械设备中最关键的旋转部件之一,机械设备发生故障时,约30%是由轴承故障引起的,轴承故障会导致系统维护成本高和安全性低等问题,因此对其进行精确的诊断对系统的维护具有重要意义。而检测轴承故障的方法通常又离不开轴承检测模型,传统的模型训练通常利用同领域内的数据进行模型的训练。在现场实际情况下,由于环境、工况等的变化,训练和测试数据的分布会不同,这会使得模型从训练数据中学习得到的检测模型对大部分领域内轴承检测得到的结果不够准确。
为此本申请通过分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。通过将源域和目标域的数据同时对初始轴承故障诊断模型进行训练,可以使轴承故障诊断模型学会检测源域轴承故障的同时,还可以检测目标域内轴承故障,通过该方法可以达到提高轴承故障诊断模型的跨领域轴承检测准确性的效果。
本申请实施例中,执行主体可以为训练轴承故障诊断模型系统中的训练轴承故障诊断模型设备,实际应用中,训练轴承故障诊断模型设备可以为终端设备和服务器等电子设备,在此不做限制。
下面结合图1对本申请实施例的训练轴承故障诊断模型的方法进行详细描述。
请参看图1,图1为本申请实施例提供的一种训练轴承故障诊断模型的方法的流程图,如图1所示的训练轴承故障诊断模型的方法包括:
步骤110:分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集。
其中,源域和目标域表示不同的领域,可以是任意使用轴承的情况下的领域,例如,飞机、火车和汽车等器件制作,还可以是工厂使用的机器上携带的轴承等。不同故障类型可以包括多种类型,例如,轴承不吻合、轴承裂纹和轴承卡顿等。多个轴承振动数据集合包括多种轴承故障类型下的轴承故障数据,可以通过实验室的电机获取不同转速下的不同故障类型的轴承振动数据,轴承振动数据可以是拍摄的图像或者视频等。源域数据集和目标域数据集分别包括源域和目标域的多项轴承振动数据,例如,可以是不同工厂的电机轴承振动数据,也可以是用于不同工作场景下的轴承对应的轴承振动数据等。
例如,本申请将使用电火花加工对电机轴承进行故障加工。故障直径从0.007英寸到0.040英寸的故障分别出现在内滚道、滚珠和外滚道。将故障轴承重新安装到试验电机中,并记录电机转速1720转/分至1797转/分的电机负载的振动数据。该数据集包含四种负载下的10种轴承健康状况。本文针对12个迁移学习任务进行举例说明,即T01、T02、T03、T10、T12、T13、T20、T21、T23、T30、T31和T32,对所提出的方法进行了评估。下标的表示为,如迁移任务T01表示即带有0hp(马力)负载的标记数据被视为监督训练的源域,而带有1hp负载未标记的数据则是目标域。将具有不同故障位置和故障大小的10种健康状况分别设置为1至10级标签,进而构成轴承振动数据集。数据集和迁移学习任务的信息如表1和表2所示,其中,表1为多种迁移任务获取数据集时电机转动的负载,表2为迁移训练模型的结构、参数、所使用的函数和各层输出。
表1
迁移任务 | 源域(负载) | 目标域(负载) |
T01 | 0 | 1 |
T02 | 0 | 2 |
T03 | 0 | 3 |
T10 | 1 | 0 |
T12 | 1 | 2 |
T13 | 1 | 3 |
T20 | 2 | 0 |
T21 | 2 | 1 |
T23 | 2 | 3 |
T30 | 3 | 0 |
T31 | 3 | 1 |
T32 | 3 | 2 |
表2
在本申请的一些实施例中,分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集,包括:基于不同转速下的电机,获取源域和目标域不同故障类型下的轴承振动数据;将不同故障类型下的轴承振动数据按照不同的工况进行划分,得到多个工况以及每一工况对应的轴承振动数据;将多个工况中每一工况对应的轴承振动数据再次根据不同故障类型进行划分,得到源域数据集和目标域数据集。
本申请在上述过程中,可以分别获取源域和目标域下的数据,进而根据工况划分后得到不同领域下的数据集,达到准确划分数据的效果。
其中,工况可以分为静态工况、动态工况、高温工况、低温工况、有尘工况和无尘工况等,可以表示轴承所处于的环境。
步骤120:构建初始轴承故障诊断模型。
其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类。构建初始轴承故障诊断模型包括,构建基于卷积神经网络的特征提取方法和基于MMD的特征适配方法。初始轴承故障诊断模型可以表示为一种深度迁移故障诊断模型,即可以是用于源域轴承故障检测,也可以用于目标域轴承故障检测。
在本申请的一些实施例中,初始轴承故障诊断模型,包括:4层卷积层、4层归一化层、1层激活层和3层全连接层。
本申请在上述过程中,通过上述多层结构对轴承故障数据进行特征提取,可以准确的提取故障信息,得到准确的轴承故障检测结果。
其中,初始轴承故障诊断模型的四层卷积神经网络(Con1~Con4),在每个卷积层后均使用归一化层(Batchnorm),提升神经网络的训练速度,激活函数选择整流线性单元ReLU(Rectified Linear Unit)避免深度网络中梯度消失的问题。使用卷积神经网络中的池化层(Pooling),以减少数据维度。原始振动输入在经过四层卷积块后被压缩一维有效特征,其次,设置了两个由全连接神经网络构成的特征分布适配网络,对于源域数据的故障诊断,设置了一个由全连接神经网络构成的健康状态分类器(Softmax),完成健康状态分类的任务,将全连接层输出到特征适配块,将源域数据与目标域数据进行计算MMD距离,将两个目标函数进行加权组合作为整体待优化目标,利用反向传播算法进行计算梯度,采用优化器(Adam)优化模型。本申请的卷积神经网络,由两种类型的层组成,在特征图中组织单元的卷积层和将相似特征合并为一个特征的池化层。在卷积层的特征图中,每个单元通过滤波器组连接到前一层的特征图。该滤波器由一组权重和相应的局部加权和组成,通过非线性函数的加权和,如线性整流单元(ReLU),例如,第k层卷积层的第m个特征图则其输出为:
其中:*表示卷积算子,是输入量,即前k-1层的特征映射,/>是卷积运算的输出,C为输入通道的数目,/>是滤波器权重矩阵,/>是偏差项,ReLU是线性整流单元。卷积神经网络的第二个阶段包括一个池化层,它可以降低数据的维度,下采样函数为:
其中:pool(·)表示下采样函数,p是池化尺寸,s是步幅大小。
步骤130:通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。
在一种实施例中,通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之前,需要初始化初始轴承故障诊断模型的参数。
其中,初始化之前参数均为随机参数,参数包含卷积模块、池化模块和全连接层等所需的各参数。
在本申请的一些实施例中,通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型,包括:分别将源域数据集和目标域数据集输入初始轴承故障诊断模型,得到第一轴承故障数据集合和第二轴承故障数据集合;通过最大均值差异算法计算第一轴承故障数据集合和第二轴承故障数据集合的交叉熵损失;调整初始轴承故障诊断模型的模型参数,直到调整次数达到预设次数时,得到轴承故障诊断模型。
本申请在上述过程中,在通过源域数据和目标域数据进行模型训练时,可以通过算法计算模型的损失,进而通过不断的调整模型的参数,使模型训练的更准确,在进行轴承故障检测时得到的故障检测结果更加准确。
其中,预设次数可以根据需求设定。
下面结合图2对本申请实施例的调整初始轴承故障诊断模型的模型参数的结果进行详细描述。
请参看图2,图2为本申请实施例提供的一种调整初始轴承故障诊断模型的模型参数的结果的示意图,如图2所示的调整初始轴承故障诊断模型的模型参数的结果如下:
如图2(a)和图2(b)所示可知,初始轴承故障诊断模型随着调整次数的增加模型总损失在不断减小,而模型进行轴承故障诊断的结果对应的模型准确率则不断的增大。
此外,图2所示的具体结果显示可以参看图1所示的方法和步骤,此处不在过多赘述。
在本申请的一些实施例中,通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型,包括:优化源域数据集中错误的健康状况分类数据,得到优化后的源域数据集;优化优化后的源域数据集和目标域数据集,得到第二源域数据集和第二目标域数据集;通过第二源域数据集和第二目标域数据集对初始轴承故障诊断模型进行训练,得到轴承故障诊断模型。
本申请在上述过程中,可以对源域数据集和目标域数据集中的数据进一步优化后再次优化,提高数据集的质量,进而在训练故障诊断模型时,可以通过高质量的数据集训练高精度的轴承故障诊断模型。
其中,错误的健康状况分类数据表示对轴承的质量问题进行划分错误的相关轴承振动数据。优化源域数据集中错误的健康状况分类数据,得到优化后的源域数据集可以通过多次分类的方式,选取分类结果占比最高时的各类数据作为优化后的源域数据集。优化优化后的源域数据集和目标域数据集,得到第二源域数据集和第二目标域数据集,可以采用预设的优化算法或者预设的优化模型进行再次优化数据,可以去除噪音和多余的内容。为此本申请使用入如下方法进行故障诊断模型的训练:
其中,假设X表示输入空间,Y={1,2,…,N}表示Nc可能的机器健康条件集中的第c个数据。我们得到了源域数据集共有ns个标记样本和目标域数据集,/>共有nt个未标记样本。Ds和Dt分别从联合分布数据集P(X,Y)和Q(X,Y)中采样,其中,P≠Q。本申请的目的是构建一个深度神经网络y=f(x),该网络能够减少联合分布中的跨域偏移,并学习域不变特征和分类器,在源域的监督下以最小化目标损失Rt(f)=Pr(x,y)~Q[f(x)≠y]。在本研究中,采用最大平均差异(MMD)来衡量源域分布和目标域分布之间的差异,则源域和目标域直接的MMD可定义为:
其中,sup{·}为集合的上确界;Η代表RKHS(再生希尔伯特空间),Φ(·)为原特征空间至RKHS的非线性映射,P为源域数据集,Q为目标域数据集,p为源域分布,q为目标域分布,Ds为源域,Dt为目标域。
上式的经验估计可表示为:
其中,ns为源域样本总数,nt目标域样本总数;
根据RKHS中映射函数的性质:对于任意的x∈X、Φ(·)∈H,存在Φ(x)=<Φ(·),k(·,x)>H,且有<Φ(·),k(·,x)>H=k(x,y),则由上式可得:
其中,为输入数据的核矩阵,且ki,j=k(xi,yj)=exp(-||xi-xj||2/σ2)为高斯核,xi为源域的第i个样本,xj目标域的第j个样本,σ为核宽度;L=[Li,j]≥0,矩阵中各个元素可表示为:
为此,在模型训练时,为了完成传输故障诊断,深度学习模型应该能够识别健康状况并学习域不变特征。条件识别模块用于识别机器的健康状况。因此,深度学习模型最小化源域数据上的健康状况分类错误时,对于具有k个健康状况类别的数据集,标函数定义为标准回归损失(softmax),具体如下:
其中:m是源域训练样本的数量,Nc是故障类别,k是第i个故障类别,I[·]是指示函数,x(i)是在全连接层输出的特征,θk是softmax的参数。
在提出的深度学习模型中,第二层卷积神经网络的输出是连接到健康状况分类器的高级特征。为了减小不同领域特征之间的分布差异距离,可以测量第二层卷积神经网络和第二层归一化层之间的分布差距距离。因此,深度学习模型的还可以最小化源域和目标域数据之间的分布差异距离。为了计算不同领域之间高级学习特征的分布距离,MMD的实际计算为:
其中,是D(P,Q)的无偏估计,k(·,·)是核函数,ns是源域样本总数,nt是目标域样本总数,/>是源域的第i个样本,/>是目标域的第i个样本,且为高斯核,xi为源域的第i个样本,xj目标域的第j个样本,σ为核宽度;
结合最小化源域数据集上的健康状况分类错误和最小化源域和目标域数据集之间的MMD距离,可以得到最终优化:
其中,Lc是交叉熵损失,是衡量源域和目标域的分布差异损失,超参数μ决定域自适应的程度。使用随机梯度下降算法(Adam)优化该目标。设θf和θc分别为特征抽取器、健康状况分类器的模型参数。损失函数方程如下:
参数θf和θc更新如下:
其中,ε是学习率。特征适配模块由RBF高斯核植入的MMD的核函数,核宽度的选择可以为{0.25,0.5,1,2,4},惩罚因子的取值范围可以为:μ={10-3,10-2,10-1,1,10,102,103}。为此,通过上述多项算法不断的调整初始轴承故障诊断模型,得到最终的轴承故障诊断模型。
在本申请的一些实施例中,在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,还包括:通过测试集测试轴承故障诊断模型,得到测试结果。
本申请在上述过程中,还可以对轴承故障诊断模型进行测试,提高轴承故障诊断模型的精度。
其中,测试集可以是由部分的源域数据集中的数据和目标域数据集中的数据的组合,也可以是通过实验室不同转速下的电机、不同故障类型下重新获取的轴承振动数据。
在一种实施例中,通过测试集测试轴承故障诊断模型,得到测试结果之后,当测试结果显示的轴承故障诊断数据显示的结果和预期结果不一致,则可以再次通过测试集中的数据对轴承故障诊断模型进行再次训练,得到最终的轴承故障诊断模型。
在本申请的一些实施例中,在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,还包括:将待诊断轴承数据输入轴承故障诊断模型,得到待诊断轴承的诊断结果。
本申请在上述过程中,可以利用轴承故障诊断模型对待诊断轴承数据进行轴承诊断,得到准确的轴承诊断结果。
在上述图1所示的过程中,本申请通过分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。通过将源域和目标域的数据同时对初始轴承故障诊断模型进行训练,可以使轴承故障诊断模型学会检测源域轴承故障的同时,还可以检测目标域内轴承故障,通过该方法可以达到提高轴承故障诊断模型的跨领域轴承检测准确性的效果。
下面结合图3对本申请实施例的训练轴承故障诊断模型的详细实施方法进行详细描述。
请参看图3,图3为本申请实施例提供的一种训练轴承故障诊断模型的详细实施方法的流程图,如图3所示的训练轴承故障诊断模型的详细实施方法包括:
步骤301:实验室设备准备。
具体的:采用实验室中电火花加工对电机轴承进行故障加工,得到多种故障轴承。
步骤302:原始振动信号分类提取。
具体的:通过多种故障轴承的运行获取每一轴承的轴承振动数据,然后根据振动信号进行分类提取。
步骤303:获取平衡的源域数据。
具体的:获取分类提取的轴承振动数据,提取平衡的源域数据。
步骤304:准备训练样本。
具体的:将平衡的源域数据作为训练样本。
步骤305:构建深度学习框架。
具体的:通过4层卷积层、4层归一化层、1层激活层和3层全连接层构建深度学习框架,得到初始轴承故障诊断模型。
步骤306:初始化模型参数。
具体的:初始化初始轴承故障诊断模型的参数。
步骤307:计算模型损失。
具体的:通过训练样本训练初始轴承故障诊断模型的过程中计算模型输出的分布损失和交叉熵损失。
步骤308:使用反向传播调整模型参数。
具体的:根据损失调整模型的参数。
步骤309:是否达到预设调整次数。
具体的:确定调整模型的参数次数是否达到预设调整次数,达到则进入步骤310,反之则反馈步骤307。
步骤310:输入测试样本。
具体的:通过测试样本测试模型。
步骤311:输出跨域故障诊断结果。
具体的:输出跨域故障诊断结果,并判断是否和预期结果一致,一致则训练完成,不一致则需要再次训练模型。
步骤312:获取不平衡的目标域数据。
具体的:获取分类提取的轴承振动数据,提取不平衡的目标域数据。
步骤313:准备测试样本。
具体的:将不平衡的目标域数据作为测试样本通过步骤310输入,用于测试轴承故障诊断模型。
此外,图3所示的具体方法和步骤可以参看图1所示的方法,此处不在过多赘述。
前文通过图1描述了训练轴承故障诊断模型的方法,下面结合图4-图5描述训练轴承故障诊断模型的装置。
请参照图4,为本申请实施例中提供的一种训练轴承故障诊断模型的装置400的示意框图,该装置400可以是电子设备上的模块、程序段或代码。该装置400与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置400具体的功能可以参见下文中的描述,为避免重复,此处适当省略详细描述。
可选的,所述装置400包括:
获取模块410,用于分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;
构建模块420,用于构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;
训练模块430,用于通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。
可选的,训练模块具体用于:
分别将源域数据集和目标域数据集输入初始轴承故障诊断模型,得到第一轴承故障数据集合和第二轴承故障数据集合;通过最大均值差异算法计算第一轴承故障数据集合和第二轴承故障数据集合的交叉熵损失;调整初始轴承故障诊断模型的模型参数,直到调整次数达到预设次数时,得到轴承故障诊断模型。
可选的,初始轴承故障诊断模型,包括:4层卷积层、4层归一化层、1层激活层和3层全连接层。
可选的,获取模块具体用于:
基于不同转速下的电机,获取源域和目标域不同故障类型下的轴承振动数据;将不同故障类型下的轴承振动数据按照不同的工况进行划分,得到多个工况以及每一工况对应的轴承振动数据;将多个工况中每一工况对应的轴承振动数据再次根据不同故障类型进行划分,得到源域数据集和目标域数据集。
可选的,训练模块具体用于:
优化源域数据集中错误的健康状况分类数据,得到优化后的源域数据集;优化优化后的源域数据集和目标域数据集,得到第二源域数据集和第二目标域数据集;通过第二源域数据集和第二目标域数据集对初始轴承故障诊断模型进行训练,得到轴承故障诊断模型。
可选的,所述装置还包括:
测试模块,用于所述训练模块在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,通过测试集测试轴承故障诊断模型,得到测试结果。
可选的,所述装置还包括:
诊断模块,用于所述训练模块在通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型之后,将待诊断轴承数据输入轴承故障诊断模型,得到待诊断轴承的诊断结果。
请参照图5为本申请实施例中提供的一种训练轴承故障诊断模型的装置的结构示意图,该装置可以包括存储器510和处理器520。可选的,该装置还可以包括:通信接口530和通信总线540。该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见下文中的描述。
具体的,存储器510,用于存储计算机可读指令。
处理器520,用于处理存储器存储的可读指令,能够执行图1方法中的各个步骤。
通信接口530,用于与其他节点设备进行信令或数据的通信。例如:用于与服务器或者终端的通信,或者与其它设备节点进行通信,本申请实施例并不限于此。
通信总线540,用于实现上述组件直接的连接通信。
其中,本申请实施例中设备的通信接口530用于与其他节点设备进行信令或数据的通信。存储器510可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器510可选的还可以是至少一个位于远离前述处理器的存储装置。存储器510中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器520执行时,电子设备执行上述图1所示方法过程。处理器520可以用于装置400上,并且用于执行本申请中的功能。示例性地,上述的处理器520可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,本申请实施例并不局限于此。
本申请实施例还提供一种可读存储介质,所述计算机程序被处理器执行时,执行如图1所示方法实施例中电子设备所执行的方法过程。
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,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本申请实施例提供一种训练轴承故障诊断模型的方法、装置、设备和存储介质,该方法包括,分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;构建初始轴承故障诊断模型,其中,初始轴承故障诊断模型包括分布差异测量和健康状态分类器,分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;通过源域数据集和目标域数据集训练初始轴承故障诊断模型,得到轴承故障诊断模型。通过该方法可以达到提高轴承故障诊断模型的轴承检测准确性的效果。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种训练轴承故障诊断模型的方法,其特征在于,包括:
分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;
构建初始轴承故障诊断模型,其中,所述初始轴承故障诊断模型包括分布差异测量和健康状态分类器,所述分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;
通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型,包括:
分别将所述源域数据集和所述目标域数据集输入所述初始轴承故障诊断模型,得到第一轴承故障数据集合和第二轴承故障数据集合;
通过最大均值差异算法计算所述第一轴承故障数据集合和所述第二轴承故障数据集合的交叉熵损失;
调整所述初始轴承故障诊断模型的模型参数,直到调整次数达到预设次数时,得到所述轴承故障诊断模型。
3.根据权利要求1或2所述的方法,其特征在于,所述初始轴承故障诊断模型,包括:
4层卷积层、4层归一化层、1层激活层和3层全连接层。
4.根据权利要求1或2所述的方法,其特征在于,所述分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集,包括:
基于不同转速下的电机,获取所述源域和所述目标域不同故障类型下的轴承振动数据;
将所述不同故障类型下的轴承振动数据按照不同的工况进行划分,得到多个工况以及每一工况对应的轴承振动数据;
将所述多个工况中每一工况对应的轴承振动数据再次根据所述不同故障类型进行划分,得到所述源域数据集和所述目标域数据集。
5.根据权利要求1或2所述的方法,其特征在于,所述通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型,包括:
优化所述源域数据集中错误的健康状况分类数据,得到优化后的源域数据集;
优化所述优化后的源域数据集和所述目标域数据集,得到第二源域数据集和第二目标域数据集;
通过所述第二源域数据集和所述第二目标域数据集对所述初始轴承故障诊断模型进行训练,得到所述轴承故障诊断模型。
6.根据权利要求1或2所述的方法,其特征在于,在所述通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型之后,所述方法还包括:
通过测试集测试所述轴承故障诊断模型,得到测试结果。
7.根据权利要求1或2所述的方法,其特征在于,在所述通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型之后,所述方法还包括:
将待诊断轴承数据输入所述轴承故障诊断模型,得到待诊断轴承的诊断结果。
8.一种训练轴承故障诊断模型的装置,其特征在于,包括:
获取模块,用于分别获取源域和目标域不同故障类型下的多个轴承振动数据集合,得到源域数据集和目标域数据集;
构建模块,用于构建初始轴承故障诊断模型,其中,所述初始轴承故障诊断模型包括分布差异测量和健康状态分类器,所述分布差异测量和健康状态分类器用于对轴承的健康状态进行分类;
训练模块,用于通过所述源域数据集和所述目标域数据集训练所述初始轴承故障诊断模型,得到轴承故障诊断模型。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其特征在于,包括:
计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013657.7A CN117034011A (zh) | 2023-08-10 | 2023-08-10 | 训练轴承故障诊断模型的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013657.7A CN117034011A (zh) | 2023-08-10 | 2023-08-10 | 训练轴承故障诊断模型的方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034011A true CN117034011A (zh) | 2023-11-10 |
Family
ID=88622276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311013657.7A Pending CN117034011A (zh) | 2023-08-10 | 2023-08-10 | 训练轴承故障诊断模型的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034011A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
-
2023
- 2023-08-10 CN CN202311013657.7A patent/CN117034011A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
CN117272032B (zh) * | 2023-11-22 | 2024-02-13 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10140544B1 (en) | Enhanced convolutional neural network for image segmentation | |
Zhang et al. | Transfer learning with neural networks for bearing fault diagnosis in changing working conditions | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN105760488B (zh) | 基于多层次特征融合的图像表达方法和装置 | |
WO2012064976A1 (en) | Learning tags for video annotation using latent subtags | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN110503000B (zh) | 一种基于人脸识别技术的教学抬头率测量方法 | |
CN117034011A (zh) | 训练轴承故障诊断模型的方法、装置、设备和存储介质 | |
US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
Dong et al. | A motor bearing fault diagnosis method based on multi-source data and one-dimensional lightweight convolution neural network | |
CN110083724A (zh) | 一种相似图像检索方法、装置及系统 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
Jia et al. | Multitask convolutional neural network for rolling element bearing fault identification | |
Duan et al. | Auxiliary-model-based domain adaptation for reciprocating compressor diagnosis under variable conditions | |
CN112069998A (zh) | 基于卷积神经网络的gbdt故障诊断集成方法 | |
Yu et al. | A Novel 1D‐CNN‐Based Diagnosis Method for a Rolling Bearing with Dual‐Sensor Vibration Data Fusion | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
KR102432766B1 (ko) | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 | |
Lu et al. | Intelligent fault diagnosis of rotating machinery based on a novel lightweight convolutional neural network | |
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 | |
CN113761123A (zh) | 关键词获取的方法、装置、计算设备和存储介质 | |
CN112733959A (zh) | 肺部影像分类方法、分类网络确定方法及其装置 |
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 |