CN117330315B - 一种基于在线迁移学习的旋转机械故障监测方法 - Google Patents
一种基于在线迁移学习的旋转机械故障监测方法 Download PDFInfo
- Publication number
- CN117330315B CN117330315B CN202311628790.3A CN202311628790A CN117330315B CN 117330315 B CN117330315 B CN 117330315B CN 202311628790 A CN202311628790 A CN 202311628790A CN 117330315 B CN117330315 B CN 117330315B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- online
- model
- fault
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013508 migration Methods 0.000 title claims description 19
- 230000005012 migration Effects 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 78
- 235000014653 Carica parviflora Nutrition 0.000 claims abstract description 7
- 244000132059 Carica parviflora Species 0.000 claims abstract description 6
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 28
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/214—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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于在线迁移学习的旋转机械故障监测方法，属于设备运行状态监测领域。该方法包括以下步骤：S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；S2：将S1中的数据进行快速傅里叶变换，得到模型训练样本；S3：离线训练基于SSAE‑SVM的两阶段故障监测模型；S4：部署监测模型，根据模型监测结果生成在线目标域训练数据；S5：计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离，微调目标域SSAE参数；S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型。本发明利用在线数据持续更新无监督预训练模型，提升了负向数据缺乏情况下监测模型的准确性。
Description
技术领域
本发明涉及设备运行状态监测领域，具体为一种基于在线迁移学习的旋转机械故障监测方法。
背景技术
随着传感器的普及应用与人工智能技术的快速发展，基于深度学习的数据驱动方法在旋转机械故障监测领域的应用越发广泛。在实际生产过程中，旋转机械负向样本采集困难，导致训练过程难以获得平衡的有标签数据集，严重影响了监测模型的判别准确性。因此，亟须研究一种无监督单分类故障监测算法，利用预先采集的正常运行数据实现离群故障数据的预测。
目前，研究人员在相关领域已经获得了一定的研究成果。赵志宏等人在《中国机械工程》上发表文章《一种无监督的轴承健康指标及早期故障检测方法》，首先设计了一种基于可分离卷积自编码器的特征提取模型，随后利用Bray-Curtis距离作为健康检测指标实现轴承故障检测。姜万录等人在《振动与冲击》上发表文章《基于 VMD 和 SVDD 结合的滚动轴承性能退化程度定量评估》，提出了一种基于变分模态分解和支持向量数据描述的滚动轴承性能退化程度评估方法。
通过现有技术的分析可知，目前的无监督故障监测方法存在如下问题：一是在线监测数据包含正常运行数据与各类监测数据，与正常运行数据构成的训练集有一定的分布差异，模型判别结果不能反映实际的运行情况。二是无监督单分类故障监测算法大多只能实现正常与异常状态的二分类判别，不能对旋转机械可能出现的多种故障形式进行区分。
发明内容
为了解决现有技术存在的问题，本发明的目的在于给出一种基于在线迁移学习的旋转机械故障监测方法，首先使用正常运行数据集训练无监督的两阶段故障监测模型，部署模型后使用在线运行数据持续更新特征提取模型与分类器，从而提升监测模型的判别性能。
本文提供的一种基于在线迁移学习的旋转机械故障监测方法，具有如下步骤：
S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；
S2：将S1中的数据进行快速傅里叶变换，将三向振动频域数据首尾连接后进行归一化处理，得到模型训练样本；
S3：使用S2中的训练基于堆叠稀疏自编码器（SSAE，Stacked SparseAutoencoder）的三层数据提取网络，随后使用SSAE输出的特征提取向量训练基于支持向量机（SVM，Support Vector Machine）的单分类故障监测模型；
S4：将离线训练的模型部署于监测环境中，利用在线数据构建在线目标域数据集；
S5：基于参数迁移方法生成在线迁移SSAE网络，计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离作为优化目标，微调在线迁移SSAE参数；
S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型，实现多种类故障判别。
进一步的，所述步骤S2的具体过程如下：
S2.1：将连续的振动原始数据矩阵划分为的振动时域数据样本，对振动时域样本进行快速傅里叶变换，得到/>的振动频域数据样本；
S2.2：对三向频域样本分别进行归一化处理，随后将三向数据首尾相连得到的一维向量；
S2.3：将离线数据集按4：1划分为训练集和测试集。
进一步的，所述步骤S3的具体过程如下：
S3.1：使用步骤S2.3所述的训练集，使用贪婪逐层训练法建立基于堆叠稀疏自编码器的特征提取模型；
S3.2：使用步骤S3.1所述堆叠稀疏自编码器输出的特征向量，训练基于单分类支持向量机的故障监测模型，单分类支持向量机通过核函数运算将输入特征向量映射到高维特征空间中，在特征空间中构建线性分类器实现异常振动数据判别。
进一步的，所述步骤S4包括在线目标域训练数据构建方法，其具体过程如下：将离线训练的SSAE-SVM监测模型部署于监测系统工控机中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机中；使用最近收集到的x个异常振动数据样本与相同数量的正常振动数据样本构建在线目标域数据集，其中/>表示在线数据批次，x的数量根据实际需求和数据集大小进行选择；为了避免数据不平衡导致模型性能下降，数据集/>中正常振动数据/>样本数应与异常振动数据/>样本数相同；若在线正常样本不足y个，则使用离线测试集数据补充；若在线正常样本超过y个，则对历史正常数据进行降采样；其中，y的值根据实际需求和数据分布情况进行选择。
其中，x的数量根据实际需求和数据集大小进行选择；选择的数据样本数量需要满足一定的要求，例如数量足够多以避免模型过拟合，同时也不能过多以避免计算资源和时间成本的浪费。因此，范围值可以根据实际需求和数据集大小来确定，例如100-500个或者200-800个等，对于本发明而言，在实施例中选择的数量x为400，也是符合本发明技术方案的需求而定。
y的值根据实际需求和数据分布情况进行选择，通常需要根据经验进行尝试和调整，对于本发明而言，在实施例中选择的数量y的值为100，也是符合本发明技术方案的需求而定。
进一步的，所述步骤S5的具体步骤如下：
S5.1：对批次数据训练得到的SSAE模型进行参数迁移，即将该模型的结构和参数复制生成在线目标域模型/>，若/>，则使用离线训练模型/>进行迁移；
S5.2：将离线源域训练数据与第/>批次在线目标域训练数据/>分别输入，得到源域数据与目标域数据输出的特征向量/>，计算两者之间的Coral距离用于衡量源域与目标域数据在网络深层的分布差异，表达式为：
；
其中，为Frobenius范数，/>为样本特征数，/>、/>分别为源域数据与目标域数据的协方差矩阵，其表达式分别为：
；
；
其中，1为元素为1的列向量，为源域样本数量，/>为目标域样本数量；
利用梯度下降法最小化，使得源域数据/>与目标域数据/>在/>中分布趋于一致；
S5.3：将微调后的监测模型 部署于监测系统中，继续进行监测。
进一步的，所述步骤S6的具体步骤为：
S6.1：将最近的x个正常振动数据样本输入S5.3所述的SSAE模型，得到特征向量/>，使用该特征向量更新分类器记为/>；
S6.2：将最近的x个异常振动数据样本输入后使用/>进行故障判别，得到故障数据特征向量集/>；
S6.3：计算S6.2所述的数据集分布均值/>，/>为样本特征数，分别计算/>中每个样本到数据分布均值/>的马氏距离，其表达式为：
；
其中，为第/>个样本，/>为协方差矩阵；/>为数据集所有样本第i个特征的均值；设置离群点检验阈值/>，若/>，则判定该点为离群点，将其剔出故障数据训练集，得到1类故障训练数据集/>；
S6.4：使用S6.3中所述的故障训练数据集按S3.2所述步骤训练1类故障单分类模型/>，构建SVM二叉树部署于监测系统，实现正常数据、1类故障数据与2类故障数据的多分类判别；
S6.5：若判别得到2类故障数据样本数大于x，则按照S6.1~S6.4步骤训练2类故障训练数据集，以此类推。
综上，本发明通过在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；再对数据进行快速傅里叶变换，得到模型训练样本（频域数据）；使用堆叠稀疏自编码器对数据进行特征提取，并使用支持向量机进行分类；离线训练基于SSAE-SVM的两阶段故障监测模型；部署监测模型，根据模型监测结果生成在线目标域训练数据；计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离，微调目标域SSAE参数；最后，利用在线故障数据训练基于偏二叉树SVM的多分类监测模型。
与现有技术相比，本发明具有以下有益效果：
（1）本发明通过堆叠稀疏自编码器与支持向量机实现旋转机械故障模型的无监督训练，省去了采集故障数据与样本标签化的成本。
（2）本发明使用在线数据构建目标域训练集，通过在线迁移学习方法自动更新特征提取模型，随设备运行不断提升模型准确性，解决了负向数据缺乏时监测模型准确率不足的问题。
（3）本发明提出了一种基于在线数据的故障诊断SVM二叉树自动生成方法，弥补了目前单分类故障诊断算法无法区分多种故障形式的缺陷。
附图说明
图1为旋转机械监测硬件系统示意图。
图中：1、工控机，2、数据采集机箱，21、数据采集板卡，22、变压器，23、供电电源，3、三向振动传感器。
图2为基于在线迁移学习的旋转机械故障监测方法流程图。
图3为稀疏自编码器更新算法示意图。
图4为SVM二叉树示意图。
具体实施方式
为了使本发明的技术方案和有益效果更加清晰明了，下面结合桁架机器人健康状态监测的具体实施方式并参照附图，对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
参照图2所示，以一台桁架机器人为例，详细说明本发明的实施方式。
S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号，具体包括如下步骤：
S1.1：如图1所示，安装三向振动传感器3、工控机1，将三向振动传感器3布置于减速电机轴承座处，本实施例使用型号为Lance 5105A；使用三向振动传感器3采集桁架机器人运行过程中的所述振动信号数据；本实施例设置采样频率为1000Hz；
S1.2：采集的所述振动信号数据经数据采集机箱2内的数据采集板卡21进行模数转换后传输至工控机1，本实施例的数据采集板卡21为MCC USB1608fs plus，数据采集机箱2内还设有变压器22和供电电源23。
S2：将S1中的数据进行快速傅里叶变换，将三向振动频域数据首尾连接后进行归一化处理，得到模型训练样本，具体包括如下步骤：
S2.1：将连续的振动原始数据矩阵划分为的振动时域数据样本，对振动时域样本进行快速傅里叶变换，得到/>的振动频域数据样本；
S2.2：对三向频域样本分别进行归一化处理，采用min-max标准化方法，表达式为：
；
其中，为样本数据的最大值，/>为样本数据的最小值；随后将三向数据首尾相连得到/>的一维向量；
S2.3：将离线数据集按4：1划分为训练集和测试集。
S3：使用S2中的训练基于堆叠稀疏自编码器（SSAE，Stacked SparseAutoencoder）的三层数据提取网络，随后使用SSAE输出的特征提取向量训练基于支持向量机的单分类故障监测模型，具体包括如下步骤：
S3.1：使用步骤S2.3所述的训练集，使用贪婪逐层训练法建立基于堆叠稀疏自编码器的特征提取模型；
S3.1.1：训练由输入层、隐含层、输出层组成的稀疏自编码器，其特征是网络的输出是其输入的重构向量，网络优化损失函数可表示为：
；
其中，为输入向量与重构向量的均方差，/>为KL散度（KullbackLeibler divergence），/>为稀疏正则系数，/>为稀疏性参数；/>为隐藏层第/>个神经元在输入数据集上的平均激活度，/>为隐藏层神经元个数；
S3.1.2：使用步骤S3.1.1中所述方法训练第一个稀疏自编码器后，利用该自编码器的隐藏层特征作为输入训练训练第二个自编码器，以此类推完成三个稀疏自编码器的训练，随后将其堆叠得到S3.1所述的堆叠稀疏自编码器；
本实例所述堆叠稀疏自编码器选择sigmoid函数作为激活函数，正则系数为1e-4，稀疏正则系数为0.05；第一个稀疏自编码器输入层与输出层神经元个数为1536，隐藏层神经元个数为512；第二个稀疏自编码器输入层与输出层神经元个数为512，隐藏层神经元个数为128；第三个稀疏自编码器输入层与输出层神经元个数为128，隐藏层神经元个数为32。
S3.2：使用步骤S3.1所述堆叠稀疏自编码器输出的特征向量，训练基于单分类支持向量机的故障监测模型。单分类支持向量机通过核函数运算将输入特征向量映射到高维特征空间中，在特征空间中构建线性分类器实现异常振动数据判别。本方法所述的支持向量机核函数选择径向基函数。
S4：将离线训练的SSAE-SVM监测模型部署于桁架机器人监测系统工控机1中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机1中。使用最近的400个异常振动数据样本与400个正常振动数据样本构建在线目标域数据集，其中/>表示在线数据批次。
S5：基于参数迁移方法生成在线迁移SSAE网络，计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离作为优化目标，微调在线迁移SSAE参数，具体包括如下步骤：
S5.1：对批次数据训练得到的SSAE模型进行参数迁移，即将该模型的结构和参数复制生成在线目标域模型/>。 />时，使用离线训练模型/>进行迁移；
S5.2：参照图3所示迁移学习流程，将离线源域训练数据与第/>批次在线目标域训练数据/>分别输入/>，得到源域数据与目标域数据输出的特征向量/>，计算两者之间的Coral距离用于衡量源域与目标域数据在网络深层的分布差异，表达式为：
；
其中，为Frobenius范数，/>、/>分别为源域数据与目标域数据的协方差矩阵，N为样本特征数；其表达式分别为：
；
；
其中，1为元素为1的列向量，为源域样本数量，/>为目标域样本数量；
利用梯度下降法最小化，使得源域数据/>与目标域数据/>在/>中分布趋于一致；优化算法为ADAM，迭代轮次为100。
S5.3：将微调后的监测模型 部署于监测系统中，继续进行监测。
S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型，如图4所示，实现多种类故障判别，具体包括如下步骤：
S6.1：将最近的400个正常振动数据样本输入S5.3所述的SSAE模型，得到特征向量/>，使用该特征向量更新分类器记为/>；
S6.2：将最近的400个异常振动数据样本输入后使用/>进行故障判别，得到故障数据特征向量集/>；
S6.3：计算S6.2所述的数据集分布均值/>，/>为样本特征数，分别计算/>中每个样本到数据分布均值/>的马氏距离，其表达式为：
；
其中，为第/>个样本，/>为协方差矩阵，/>为数据集所有样本第i个特征的均值，设置离群点检验阈值/>，若/>，则判定该点为离群点，将其剔出故障数据训练集，得到1类故障训练数据集/>；
S6.4：使用S6.3中所述的故障训练数据集按S3.2所述步骤训练1类故障单分类模型/>，构建SVM二叉树部署于监测系统，实现正常数据、1类故障数据与2类故障数据的多分类判别。
S6.5：若判别得到2类故障数据样本数大于400，则按照S6.1~S6.4步骤训练2类故障训练数据集，以此类推。
应该说明的是，本发明的上述具体实施方式仅用于示例性阐述本发明的原理和流程，不构成对本发明的限制。因此，在不偏离本发明精神和范围的情况下所做的任何修改和等同替换，均应包含在本发明的保护范围内。
Claims (1)
1.一种基于在线迁移学习的旋转机械故障监测方法，其特征在于，步骤如下：
S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；
S2：将S1中的数据进行快速傅里叶变换，将三向振动频域数据首尾连接后进行归一化处理，得到模型训练样本；具体过程如下：
S2.1：将连续的振动原始数据矩阵划分为3×1024的振动时域数据样本，对振动时域样本进行快速傅里叶变换，得到3×512的振动频域数据样本；
S2.2：对三向频域样本分别进行归一化处理，随后将三向数据首尾相连得到1×1536的一维向量；
S2.3：将离线数据集按4：1划分为训练集和测试集；
S3：使用S2中的训练基于堆叠稀疏自编码器SSAE的三层数据提取网络，随后使用SSAE输出的特征提取向量训练基于支持向量机SVM的单分类故障监测模型；具体过程如下：
S3.1：使用步骤S2.3所述的训练集，使用贪婪逐层训练法建立基于堆叠稀疏自编码器的特征提取模型；
S3.2：使用步骤S3.1所述堆叠稀疏自编码器输出的特征向量，训练基于单分类支持向量机的故障监测模型，单分类支持向量机通过核函数运算将输入特征向量映射到高维特征空间中，在特征空间中构建线性分类器实现异常振动数据判别；
S4：将离线训练的模型部署于监测环境中，利用在线数据构建在线目标域数据集；其中，在线目标域训练数据构建方法，具体过程如下：将离线训练的SSAE-SVM监测模型部署于监测系统工控机中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机中，使用收集到的x个异常振动数据样本与相同数量的正常振动数据样本构建在线目标域数据集/>，其中/>表示在线数据批次，x的数量根据实际需求和数据集大小进行选择；为了避免数据不平衡导致模型性能下降，数据集/>中正常振动数据/>样本数应与异常振动数据/>样本数相同；若在线正常样本不足y个，则使用离线测试集数据补充；若在线正常样本超过y个，则对历史正常振动数据进行降采样；其中，y的值根据实际需求和数据分布情况进行选择；
S5：基于参数迁移方法生成在线迁移SSAE网络，计算源域数据与在线目标域数据集在SSAE深层特征的多核最大均值差异作为优化目标，微调在线迁移SSAE参数；具体过程如下：
S5.1：对批次数据训练得到的SSAE模型进行参数迁移，即将该模型的结构和参数复制生成在线目标域模型/>，若/>，则使用离线训练模型/>进行迁移；
S5.2：将离线源域训练数据与第/>批次在线目标域训练数据/>分别输入，得到源域数据与目标域数据输出的特征向量/>，计算两者之间的Coral距离用于衡量源域与目标域数据在网络深层的分布差异，表达式为：
；
其中，为Frobenius范数，/>、/>分别为源域数据与目标域数据的协方差矩阵，N为样本特征数；其表达式分别为：
；
；
其中，1为元素为1的列向量，为源域样本数量，/>为目标域样本数量；
利用梯度下降法最小化，使得源域数据/>与目标域数据/>在/>中分布趋于一致；
S5.3：将微调后的监测模型部署于监测系统中，继续进行监测；
S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型，实现多种类故障判别，具体过程如下：
S6.1：将x个正常振动数据样本输入S5.3所述的SSAE模型，得到特征向量/>，使用该特征向量更新分类器记为/>；
S6.2：将x个异常振动数据样本输入后使用/>进行故障判别，得到故障数据特征向量集/>；
S6.3：计算S6.2所述的数据集分布均值/>，/>为样本特征数，分别计算/>中每个样本到数据分布均值/>的马氏距离，其表达式为：
；
其中，为第/>个样本，/>为协方差矩阵，/>为数据集所有样本第i个特征的均值；设置离群点检验阈值/>，若/>，则判定该点为离群点，将其剔出故障数据训练集，得到1类故障训练数据集/>；
S6.4：使用S6.3中所述的故障训练数据集按S3.2所述步骤训练1类故障单分类模型/>，构建SVM二叉树部署于监测系统，实现正常数据、1类故障数据与2类故障数据的多分类判别；
S6.5：若判别得到2类故障数据样本数大于x，则按照S6.1~S6.4步骤训练2类故障训练数据集，以此类推。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628790.3A CN117330315B (zh) | 2023-12-01 | 2023-12-01 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628790.3A CN117330315B (zh) | 2023-12-01 | 2023-12-01 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117330315A CN117330315A (zh) | 2024-01-02 |
| CN117330315B true CN117330315B (zh) | 2024-02-23 |
Family
ID=89279664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311628790.3A Active CN117330315B (zh) | 2023-12-01 | 2023-12-01 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117330315B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1103154A1 (ru) * | 1983-01-06 | 1984-07-15 | Отделение Всесоюзного Научно-Исследовательского,Проектно-Конструкторского И Технологического Института Источников Тока В Г.Севастополе | Стенд дл градуировки и испытаний акселерометров |
| CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
| CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| 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 |
| CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
| 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 |
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
| CN113935480A (zh) * | 2021-11-12 | 2022-01-14 | 成都甄识科技有限公司 | 面向神经网络在线学习的激活函数加速处理单元 |
| CN114241271A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
| CN114500325A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法 |
| DE102021124047A1 (de) * | 2021-06-08 | 2022-12-08 | Xi'an Jiaotong University | Fehlerdiagnosemethode offener Menge für Hochgeschwindigkeits-EMU-Lager |
| CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
| CN116793682A (zh) * | 2023-07-07 | 2023-09-22 | 武汉理工大学 | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 |
| WO2023187522A1 (en) * | 2022-03-30 | 2023-10-05 | Sony Group Corporation | Machine learning model update based on dataset or feature unlearning |
| CN117001423A (zh) * | 2023-09-28 | 2023-11-07 | 智能制造龙城实验室 | 一种基于进化学习的刀具状态在线监测方法 |
| CN117056849A (zh) * | 2023-10-12 | 2023-11-14 | 智能制造龙城实验室 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
| CN117283372A (zh) * | 2023-10-27 | 2023-12-26 | 大连理工大学 | 基于孪生长短时记忆神经网络的刀具磨损监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7054847B2 (en) * | 2001-09-05 | 2006-05-30 | Pavilion Technologies, Inc. | System and method for on-line training of a support vector machine |
| US20230082941A1 (en) * | 2021-09-03 | 2023-03-16 | Naver Corporation | Online continual learning system and method |
-
2023
- 2023-12-01 CN CN202311628790.3A patent/CN117330315B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1103154A1 (ru) * | 1983-01-06 | 1984-07-15 | Отделение Всесоюзного Научно-Исследовательского,Проектно-Конструкторского И Технологического Института Источников Тока В Г.Севастополе | Стенд дл градуировки и испытаний акселерометров |
| CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
| CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| 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 |
| DE102021124047A1 (de) * | 2021-06-08 | 2022-12-08 | Xi'an Jiaotong University | Fehlerdiagnosemethode offener Menge für Hochgeschwindigkeits-EMU-Lager |
| CN113469230A (zh) * | 2021-06-17 | 2021-10-01 | 北京信息科技大学 | 一种转子系统深度迁移故障诊断方法、系统及介质 |
| 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 |
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
| CN113935480A (zh) * | 2021-11-12 | 2022-01-14 | 成都甄识科技有限公司 | 面向神经网络在线学习的激活函数加速处理单元 |
| CN114241271A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
| CN114500325A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法 |
| WO2023187522A1 (en) * | 2022-03-30 | 2023-10-05 | Sony Group Corporation | Machine learning model update based on dataset or feature unlearning |
| CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
| CN116793682A (zh) * | 2023-07-07 | 2023-09-22 | 武汉理工大学 | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 |
| CN117001423A (zh) * | 2023-09-28 | 2023-11-07 | 智能制造龙城实验室 | 一种基于进化学习的刀具状态在线监测方法 |
| CN117056849A (zh) * | 2023-10-12 | 2023-11-14 | 智能制造龙城实验室 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
| CN117283372A (zh) * | 2023-10-27 | 2023-12-26 | 大连理工大学 | 基于孪生长短时记忆神经网络的刀具磨损监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Fault detection in flotation processes based on deep learning and support vector machine;Li, ZM 等;JOURNAL OF CENTRAL SOUTH UNIVERSITY;第26卷(第9期);全文 * |
| Online detection for bearing incipient fault based on deep transfer learning;Mao, WT 等;MEASUREMENT;全文 * |
| 基于MMD迁移学习的MEMS惯性传感器故障诊断方法;高彤 等;太原科技大学学报;第44卷(第2期);全文 * |
| 基于深度迁移学习的提升机主轴故障在线诊断系统研究;张宏乐 等;煤炭工程;第54卷(第7期);全文 * |
| 滚动轴承振动信号处理及特征提取方法研究;苏文胜;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117330315A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
| Tao et al. | Bearing fault diagnosis based on deep belief network and multisensor information fusion | |
| Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
| Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
| Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| Xu et al. | A novel multi-scale CNN and attention mechanism method with multi-sensor signal for remaining useful life prediction | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
| Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
| CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN113033309A (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
| CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| Naimi et al. | Fault detection and isolation of a pressurized water reactor based on neural network and k-nearest neighbor | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| Pan et al. | Symplectic interactive support matrix machine and its application in roller bearing condition monitoring | |
| Saberi et al. | Lightgbm-based fault diagnosis of rotating machinery under changing working conditions using modified recursive feature elimination | |
| CN117330315B (zh) | 一种基于在线迁移学习的旋转机械故障监测方法 | |
| Kong et al. | Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm | |
| CN116861232A (zh) | 基于dbn-ocsvm的空气质量数据异常检测模型 | |
| CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
| Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
| CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
| Bayati et al. | Pattern recognition in control chart using neural network based on a new statistical feature |
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 |