CN117473412B - 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 - Google Patents
一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 Download PDFInfo
- Publication number
- CN117473412B CN117473412B CN202311158788.4A CN202311158788A CN117473412B CN 117473412 B CN117473412 B CN 117473412B CN 202311158788 A CN202311158788 A CN 202311158788A CN 117473412 B CN117473412 B CN 117473412B
- Authority
- CN
- China
- Prior art keywords
- module
- layer
- signal
- noise
- bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013526 transfer learning Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 53
- 238000012360 testing method Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- 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
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种噪声条件下无监督迁移学习轴承故障诊断方法和系统，通过一种自适应输入长度模型来代替固定的输入长度来诊断不同参数的轴承，结合第一卷积层和池化层的宽核信号处理方法对输入进行特征去噪；构建基于分组卷积和实例归一化算法，用于特征提取、健康状况分类和去噪；引入基于最大均值差异的优化目标函数对特征分布差异进行对齐；提出的模型不依赖于任何轴承数据标签信息，实现了无监督故障诊断；所提出模型不仅拥有较好智能故障诊断的性能，在噪声条件下对TL不同数据集具有优秀的轴承故障诊断能力。
Description
技术领域
本发明涉及轴承故障诊断技术领域，具体涉及一种噪声条件下无监督迁移学习轴承故障诊断方法和系统。
背景技术
迁移学习(TL)在轴承智能故障诊断(IFD)方面取得了很大进展。然而，由于工程实践中轴承工作条件恶劣，除了轴承振动信号外，传感器还不可避免地采集噪声信号，当下流行TL方法可以提高智能故障诊断(IFD)的精度，但不能保证工作条件变化，特别是在噪声环境下的优异性能。因此，亟需一种在噪声环境下仍能不依赖于任何轴承数据标签信息实现无监督故障诊断方法。
发明内容
为解决现有技术中存在的问题，本发明提供了一种噪声条件下无监督迁移学习轴承故障诊断方法和系统，通过一种自适应输入长度模型来代替固定的输入长度来诊断不同参数的轴承，结合第一卷积层和池化层的宽核信号处理方法对输入进行特征去噪；构建基于1维分组卷积和实例归一化算法，用于特征提取、健康状况分类和去噪；引入基于最大均值差异的优化目标函数对特征分布差异进行对齐；提出的模型不依赖于任何轴承数据标签信息，实现了无监督故障诊断；所提出模型不仅拥有较好智能故障诊断的性能，在噪声条件下对TL不同数据集具有优秀的轴承故障诊断能力，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种噪声条件下无监督迁移学习轴承故障诊断方法，包括如下步骤：
S1、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
S2、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
S3、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；
S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层和全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经步骤S2处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
优选的，在步骤S2中，设振动信号的包络谱前L点带宽标记为Bw，则输入长度计算公式所示如下：
其中fs是采样频率，是自适应输入长度；
内圈、外圈、滚子和保持架的输入长度分别计算如下：
fr、n、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角；
其中，k代表超参数，在计算后，选择最大值作为IL，公式表达如下：
优选的，所述不同信噪比具体是选择信噪比SNR为-4dB,-2dB,0dB,2dB,4dB,6dB,8dB和10dB，信噪比的计算方法如下：
其中Psignal是信号能量，Pnosie是噪声能量。
优选的，所述AANTLN网络模块包括自适应输入长度模块AIL、卷积层CNN和池化层；每个卷积层中包括分组卷积层GC、实例归一化层IN。
优选的，在步骤S4中，对于输入特征图第i层的前向传播过程可以表示为：
Xi+1＝ReLU(LN(GC(xj)))
其中ReLU激活函数通过以下方式获得：
ReLU(x)＝max(0,x)
全连接层FC层计算如下：
其中θC＝[θ1,θ2,...,θk]记录故障分类器的参数。
优选的，所述的总优化目标函数L表示为：
L＝Lc+αLMMD+f(α)
Lc和Lmmd分别表示源域和目标域数据集的故障分类误差和域对齐误差，
LMMD＝MMD(xs,xt)
其中b为批量处理大小的值，其中α是Lc和LMMD的权衡因子，f(α)是避免权值为0的调节项。
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种噪声条件下无监督迁移学习轴承故障诊断系统，所述系统包括：
数据采集模块(110)、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
第一构建模块(120)、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
第二构建模块(130)、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；
第三构建模块(140)、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层和全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
故障诊断模块(150)、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经第一构建模块处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
本发明的有益效果是：本发明方法不依赖于任何轴承数据标签信息，实现了无监督故障诊断；所提出模型不仅拥有较好智能故障诊断的性能，在噪声条件下对TL不同数据集具有优秀的轴承故障诊断能力。
附图说明
图1为本发明方法步骤流程示意图；
图2为自适应输入长度模块处理示意图；
图3为本发明系统模块结构示意图；
图中，110-数据采集模块；120-第一构建模块；130-第二构建模块；140-第三构建模块；150-故障诊断模块。
具体实施方式
下面将结合本发明实施例中的附图，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。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。
请参阅图1-图2，本发明提供一种技术方案：一种噪声条件下无监督迁移学习轴承故障诊断方法，如图1所示，包括如下步骤：
S1、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
S2、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
S3、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；
S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层(Average Pooling layer)和全连接层(Fully connected layer)，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经步骤S2处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
进一步的，在步骤S2中，设振动信号的包络谱前L点带宽标记为Bw，则输入长度计算公式所示如下：
其中fs是采样频率，是自适应输入长度；
进一步地，为求得自适应输出长度按以下思路，依据轴承故障特征频率的四个典型计算方程。
fr、n、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角。
结合上述公式，内圈、外圈、滚子和保持架的输入长度分别计算如下：
fr、n、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角；
其中，k代表超参数，可以在1～6之间选择，在计算后，选择最大值作为IL，公式表达如下：
进一步地，了解决数据少引起欠拟合等问题，还需对有重叠的输入振动信号进行重采样，增加训练样本的数量。例如，当移位大小为1时，一个有20000个点的振动信号最多可提供18977个长度为1024的训练样本。
进一步的，如图2所示，为模拟真实的噪声工作环境，用信噪比再次重新采样，不同信噪比具体是选择信噪比SNR为-4dB,-2dB,0dB,2dB,4dB,6dB,8dB和10dB，信噪比的计算方法如下：
其中Psignal是信号能量，Pnosie是噪声能量。
对包含不同信噪比条件的信号通过希尔伯特变化(HT)得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度(AIL)。
希尔伯特变换(Hilberttransform,HT)是一种通过变化提取信号包络信息的信号变换方法。变换公式如下：
根据公式，H[x(t)]可以被看作振动信号x(t)和卷积后的结果，/>是输入信号x(t)通过线性时不变系统的结果。通过HT得到信号分析表达式如下：
其中，A(t)和φ(t)分别为x(t)的瞬时振幅和相位
A(t)＝Acos(ωt+φ)带入公式，通过HT得到信号x(t)的包络信息表示为：
E(x(t))＝A2(t)
在离散系统中，离散信号x(n)的解析形式也可以通过HT得到，从而得到其包络谱E(x(n))。
进一步的，所述AANTLN网络模块包括自适应输入长度模块AIL、卷积层CNN和池化层(Pooling)；自适应输入长度(AIL)它具有良好的抗噪能力，这主要来自于信号的解调方法。此外，AANTLN网络模块的第一卷积层和池化层中的宽内核比窄内核有更好的压缩高频噪声信号的能力。每个卷积层中包括分组卷积层GC、实例归一化层(InstanceNormalization)，如表1所示。
表1 AANTLN网络结构
其中分组卷积(GC)是CNN网络的一种类型，使用层间过滤器依赖关系的稀疏性，在不影响准确性的情况下快速减少参数的数量。输入特征映射是分组和卷积的。假设输入xi特征映射在i层被划分为G层，命名为和/>是分组卷积的权重矩阵，分组卷积可以表示为：
其中*表示卷积计算。
其中，实例归一化(IN)是批量归一化(Batch normalization)的一种，
其中xi和yi分别是归一化层的输入和输出，i是一个指数。
对于一维信号，i＝(iN,iC)是特征向量，其索引顺序为(N,C)，其中N是批量轴，C为通道轴，ui、σ和∈分别表示平均值、标准差值和常数。Si是计算平均值和标准差的像素集，t是该集的大小。
对于输入特征图第i层的前向传播过程可以表示为：
Xi+1＝ReLU(LN(GC(xj)))
其中ReLU激活函数通过以下方式获得：
ReLU(x)＝max(0,x)
进一步地，为了降低特征维数和压缩参数个数，在池化层中采用了最大池化函数。
特征提取器自动学习特征，并根据提取的特征进行健康分类，领域自适应是通过MMD指标和领域分类器实现。
在平均池化层(AvP)层和FC层的基础上，在输出层估计轴承的健康分类。全连接层FC层计算如下：
其中θC＝[θ1,θ2,...,θk]记录故障分类器的参数。
为使模型拥有更好的性能，需要对两个目标函数进行优化，所述的总优化目标函数L表示为:
L＝Lc+αLMMD+f(α)
Lc和Lmmd分别表示源域和目标域数据集的故障分类误差和域对齐误差，
LMMD＝MMD(xs,xt)
其中b为批量处理大小的值，其中α是Lc和LMMD的权衡因子，是可以训练的，而不是超参数，f(α)是避免权值为0的调节项。
采用自适应矩估计(Adam)算法对所提出的优化目标进行训练。θf,θC,θN,θd分别为特征提取、故障分类和噪声识别的参数。将损失函数可以重新改写为：
结合上述方程和Adam算法，参数θf,θC,θN,θd和α更新如下：
其中ε是学习率。
本发明方法不依赖于任何轴承数据标签信息，实现了无监督故障诊断，所提出模型不仅拥有较好智能故障诊断的性能。
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种噪声条件下无监督迁移学习轴承故障诊断系统，如图3所示，所述系统包括：
数据采集模块110、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
第一构建模块120、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
第二构建模块130、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；
第三构建模块140、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层和全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
故障诊断模块150、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经第一构建模块处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
实验验证
选择凯斯西储大学驱动端加速度计轴承数据集(DEA)，帕德博恩大学机电驱动系统轴承数据集(EDS)，高速列车轴箱轴承数据集(HSTA)进行实验，验证AANTLN模型的有效性。
DEA已被广泛用于验证各种智能故障诊断(IFD)方法。采用电火花加工形成的人为故障包括正常(Nm)、内圈故障(IF)、外圈故障(OF)、保持架故障(CF)和球故障(BF)四种健康状态。损伤的直径分别为0.021、0.014和0.007英寸。每个故障轴承都单独安装在测试台上，在四个转速下运行，分别为1797rpm、1772rpm、1750rpm和1730rpm。对于3马力、2马力、1马力和0马力的电机负载，本部分主要研究从驱动端采集的数据，采样率为12kHz。故障频率(fr)如表2所示，不同速度下的故障频率等于fr乘以Hz为单位的速度。
表2：DEA的故障频率
EDS提供高分辨率的轴承数据，在滚动轴承模块顶部的适配器上测量轴承外壳的加速度，并以64kHz的采样率将信号数字化存储。
HSTA数据集来自中国铁路高速车辆，有五个运行速度；30km/h、50km/h、100km/h、150km/h和200km/h。传感器放置在车轮轴承上测量振动加速度，采样频率为10kHz。HSTA包括7个健康状态：Nm、CF、OF和4个复合故障。
为了避免测试的偶然性，我们将每个测试重复5次，并比较平均值。为了验证模型的可行性和有效性，我们使用了三个数据集:DEA数据集(dataset D)、EDS数据集(datasetE)和HSTA数据集(dataset H)。详细的TL信息如表3所示。每个数据集根据电机转速或工作环境分为三个迁移任务。
表3数据库的详细TL信息表
由于使用了保持架故障而不是内圈故障测试，这将影响TL故障诊断的准确性。我们在表4所示的15个传输诊断任务上验证了提出的AANTLN，包括同一数据集HTSA中不同任务之间的TL和数据集E_*→H_*，其中*代表“0，1，2”。数字6至15用于验证所提出模型的有效性和鲁棒性。数字1到5用于讨论自适应输入长度的必要性，如表4所示。
表4：同一域和跨域TL的任务设计
选择了三种先进的TL模型和四种最先进的抗噪模型进行比较。这些模型由样本和目标/>样本中使用相同数据集的测试样本训练。
TL模型由领域对抗神经网络(DANN)、CaoCNN和FTNN组成。同时，抗噪声模型包括TICNN、IMSFA、JLCNN、MBSN。每种方法的实施和培训设置的细节将如下所示：
DANN：DANN是一种经典的基于对抗网络的领域自适应结构。这种TL行为使用几个标准层和一个梯度反转层。
CaoCNN：CaoCNN使用基于无偏估计的CK-MMD来提高模型的鲁棒性和效率。然后利用分布自适应损失和交叉熵损失来提高精度。
FTNN：FTNN采用多层域自适应和伪标签学习来减少和/>之间的分布。权衡参数设置为0.01，权衡参数设置为5。
TICNN:TICNN是一种经典的去噪模型，它直接对振动信号起作用，而不需要手工制作特征提取过程。本发明采用MMD作为距离对准函数进行比较。小批量范围为10～100dB噪声信号范围为-4dB～10dB。
IMSFA:IMSFA融合了特征关注机制。对DEA数据集和实际风力发电机轴承故障进行了测试。结果表明，当信噪比在-4dB～12dB范围内时，AANTLN的外推性能优于现有的多尺度方法。
JLCNN:JLCNN采用联合特征编码网络自动获取信号去噪任务和故障诊断任务的特征。在DEA和轮对轴承数据集上的实验结果表明，JLCNN在噪声环境下的性能优于其他方法。
MBSN:MBSN提出了多分支、多尺度的CNN来实现故障信息的自动学习和融合。MBSN在强、中、弱噪声条件下均具有优异的诊断性能和较小的方差。
为了更好地模拟模型在工程实践中噪声环境下的性能，在原始数据中加入不同信噪比场景的高斯白噪声。对于同领域TL任务和不同领域TL任务分别设置信噪比场景-4、-2、0、2、4、6、8、10dB和-2、0、2、4、6、8、10dB模拟不同噪声条件下的轴承。
为了保证对比实验的准确性和公平性，将柯西核的学习率和宽度保持不变。其他参数均按所提出的方法设置。批量大小设置为4，学习率设置为0.001。
验证1：在高速列车轴箱轴承数据集上进行了实验，在相同数据集之间进行迁移学习
每种方法对轴承健康状态分类的准确率，如表5所示。
表5：相同数据集的迁移学习精确度
在同一数据集下，诊断结果与原始文本高度吻合。随着信噪比的提高，诊断准确率也在提高。包括DANN、CaoCNN和FTNN在内的TL模型的性能不如抗噪声模型。这表明噪声是影响模型精度的主要因素。
AANTLN的准确性要略微高于当下最先进的抗噪模型，且当信噪比为0时，AANTLN网络的准确率可以达到100％，结果表明AANTLN网络具有良好的应用潜力。
验证2：机电传动系统轴承与高速列车轴箱轴承数据集之间的实验，不同数据集之间的迁移学习
实验分类结果如表6所示。
表6：不同数据集的迁移学习精确度
源域为EDS，目标域为HSTA，本发明设计的特点如下：
1.EDS和HSTA的采样频率分别为64kHz和10kHz。由于采样频率差异较大，包含轴承故障信息的输入长度(IL)变化较大。
2.最初的TL模型不考虑噪声。
3.原始的抗噪声模型没有考虑分布变化很大的数据集之间的TL。
4.该模型考虑了噪声条件和数据集分布的较大差异。
如表6所示，表6显示了处理不同数据集时，不同方法在不同噪声条件下对轴承健康状态进行分类的准确率。比较模型在从EDS转到HSTA时表现不佳。当信噪比大于-2dB时，AANTLN的所表现的性能良好。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种噪声条件下无监督迁移学习轴承故障诊断方法，其特征在于，包括如下步骤：
S1、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
S2、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
设振动信号的包络谱前L点带宽标记为Bw，则输入长度计算公式所示如下：
其中fs是采样频率，是自适应输入长度；
内圈、外圈、滚子和保持架的输入长度分别计算如下：
fr、n、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角；
其中，k代表超参数，在计算后，选择最大值作为IL，公式表达如下：
S3、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；所述AANTLN网络模块包括自适应输入长度模块AIL、卷积层CNN和池化层；每个卷积层中包括分组卷积层GC、实例归一化层IN；
S4、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层和全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
S5、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经步骤S2处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
2.根据权利要求1所述的噪声条件下无监督迁移学习轴承故障诊断方法，其特征在于：所述不同信噪比具体是选择信噪比SNR为-4dB,-2dB,0dB,2dB,4dB,6dB,8dB和10dB，信噪比的计算方法如下：
其中Psignal是信号能量，Pnosie是噪声能量。
3.根据权利要求1所述的噪声条件下无监督迁移学习轴承故障诊断方法，其特征在于：在步骤S4中，对于输入特征图第i层的前向传播过程可以表示为：
Xi+1＝ReLU(LN(GC(xj)))
其中ReLU激活函数通过以下方式获得：
ReLU(x)＝max(0,x)
全连接层FC层计算如下：
其中θC＝[θ1,θ2,...,θk]记录故障分类器的参数。
4.根据权利要求1所述的噪声条件下无监督迁移学习轴承故障诊断方法，其特征在于：所述的总优化目标函数L表示为：
L＝Lc+αLMMD+f(α)
Lc和Lmmd分别表示源域和目标域数据集的故障分类误差和域对齐误差，
LMMD＝MMD(xs,xt)
其中b为批量处理大小的值，其中α是Lc和LMMD的权衡因子，f(α)是避免权值为0的调节项。
5.一种噪声条件下无监督迁移学习轴承故障诊断系统，其特征在于：所述系统包括：
数据采集模块(110)、从源域和目标域获得旋转机械包含噪声的轴承振动信号；
第一构建模块(120)、构建自适应输入长度模块AIL，依据包络谱的带宽，得到信号输入长度，通过重新采样防止欠拟合，并对包含不同信噪比的振动信号包络解调，通过希尔伯特变化HT得到每个信号的包络谱，截断故障频率k次所在的点为自适应输入长度；
设振动信号的包络谱前L点带宽标记为Bw，则输入长度计算公式所示如下：
其中fs是采样频率，是自适应输入长度；
内圈、外圈、滚子和保持架的输入长度分别计算如下：
fr、n、d、D、φ分别表示旋转频率、滚子数、滚子直径、节圆直径和接触角；
其中，k代表超参数，在计算后，选择最大值作为IL，公式表达如下：
第二构建模块(130)、在AANTLN网络模块中采用两个卷积层和两个池化层构建特征提取模块，从输入数据中提取状态特征；所述AANTLN网络模块包括自适应输入长度模块AIL、卷积层CNN和池化层；每个卷积层中包括分组卷积层GC、实例归一化层IN；
第三构建模块(140)、构建状态分类模块和源域与目标域损失函数：所述状态分类模块包括自适应平均池化层和全连接层，采用全连接层和Soft-max函数将特征提取模块提取的状态特征进行数据分类，并引用最大均值差异MMD使源域和目标域对齐；
故障诊断模块(150)、构建由特征提取模块和状态分类模块组成的总优化目标函数L，进行模型参数更新，得到最优AANTLN网络模块，将经第一构建模块处理后的数据输入到最优网络，完成轴承智能健康状态识别与故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311158788.4A CN117473412B (zh) | 2023-09-08 | 2023-09-08 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311158788.4A CN117473412B (zh) | 2023-09-08 | 2023-09-08 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117473412A CN117473412A (zh) | 2024-01-30 |
| CN117473412B true CN117473412B (zh) | 2024-05-07 |
Family
ID=89635470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311158788.4A Active CN117473412B (zh) | 2023-09-08 | 2023-09-08 | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117473412B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| 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 |
| KR102398046B1 (ko) * | 2021-03-10 | 2022-05-12 | 서울대학교산학협력단 | 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
| CN115563536A (zh) * | 2022-09-28 | 2023-01-03 | 北京工业大学 | 基于子域自适应的滚动轴承故障诊断方法 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
| CN116028876A (zh) * | 2022-09-20 | 2023-04-28 | 北京工业大学 | 一种基于迁移学习的滚动轴承故障诊断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110555273B (zh) * | 2019-09-05 | 2023-03-24 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
| 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 |
| US20230196733A1 (en) * | 2021-12-16 | 2023-06-22 | Naver Corporation | Method of unsupervised domain adaptation in ordinal regression |
-
2023
- 2023-09-08 CN CN202311158788.4A patent/CN117473412B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102398046B1 (ko) * | 2021-03-10 | 2022-05-12 | 서울대학교산학협력단 | 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 |
| CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| 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 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
| CN116028876A (zh) * | 2022-09-20 | 2023-04-28 | 北京工业大学 | 一种基于迁移学习的滚动轴承故障诊断方法 |
| CN115563536A (zh) * | 2022-09-28 | 2023-01-03 | 北京工业大学 | 基于子域自适应的滚动轴承故障诊断方法 |
| CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| F. Theoleyre ; CNRS ; G. Papadopoulos ; IMT Atlantique ; G. Mirsky ; ZTE Corp. ; .Operations, Administration and Maintenance (OAM) features for RAW draft-theoleyre-raw-oam-support-03.IETF .2020,全文. * |
| 昝涛 ; 王辉 ; 刘智豪 ; 王民 ; 高相胜 ; .基于多输入层卷积神经网络的滚动轴承故障诊断模型.振动与冲击.2020,(12),全文. * |
| 邢展 ; 易彩 ; 林建辉.稀疏性多源完全领域适配迁移诊断方法研究.铁道科学与工程学报.2023,全文. * |
| 金余丰 ; 刘晓锋 ; 姚美常 ; 黄凤良 ; .基于域对抗迁移的变工况滚动轴承故障诊断模型.自动化仪表.2019,(12),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117473412A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| Zou et al. | An adversarial denoising convolutional neural network for fault diagnosis of rotating machinery under noisy environment and limited sample size case | |
| CN110672343B (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
| CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
| CN113567131B (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN109774740A (zh) | 一种基于深度学习的轮对踏面损伤故障诊断方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN112284735A (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
| CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
| CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN117708574B (zh) | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 | |
| CN116186641A (zh) | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 | |
| CN116256174A (zh) | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 | |
| CN117473412B (zh) | 一种噪声条件下无监督迁移学习轴承故障诊断方法和系统 | |
| CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
| CN114964783B (zh) | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 | |
| CN117191396A (zh) | 一种基于两阶段迁移的齿轮箱故障诊断方法 | |
| Han et al. | Parallel network using intrinsic component filtering for rotating machinery fault diagnosis | |
| Lu et al. | An automated bearing fault diagnosis using a self-normalizing convolutional neural network | |
| CN116106016A (zh) | 一种基于联合学习卷积神经网络的滚动轴承故障诊断方法 |
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 |