CN117493980B - 一种集成特征提取和排序因果发现的轴承故障诊断方法 - Google Patents
一种集成特征提取和排序因果发现的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN117493980B CN117493980B CN202311842689.8A CN202311842689A CN117493980B CN 117493980 B CN117493980 B CN 117493980B CN 202311842689 A CN202311842689 A CN 202311842689A CN 117493980 B CN117493980 B CN 117493980B
- Authority
- CN
- China
- Prior art keywords
- fault
- action
- representing
- causal
- vit
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 9
- LZMSXDHGHZKXJD-VJANTYMQSA-N trypanothione disulfide Chemical compound OC(=O)[C@@H](N)CCC(=O)N[C@H]1CSSC[C@H](NC(=O)CC[C@H](N)C(O)=O)C(=O)NCC(=O)NCCCNCCCCNC(=O)CNC1=O LZMSXDHGHZKXJD-VJANTYMQSA-N 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 51
- 230000002787 reinforcement Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims 2
- 230000009466 transformation Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及轴承故障诊断技术领域,具体是一种集成特征提取和排序因果发现的轴承故障诊断方法;本发明采用了TSST进行故障特征提取,解决了故障特征提取不完全的问题。同时,引入因果发现理论,研究了故障数据之间的因果关系,并通过ViT网络模型修正因果关系,能够更准确地进行轴承故障诊断,并提高故障诊断的可靠性。
Description
技术领域
本发明涉及轴承故障诊断技术领域,具体是一种集成特征提取和排序因果发现的轴承故障诊断方法。
背景技术
轴承是常见机械零部件,在机械设备中起着转动承载的作用。当轴承发生故障时,可能会引发整个机械设备的连锁反应,轻则导致机械设备停工,重则可能会出现严重的安全事故。因此,通过开发轴承故障诊断技术预先获知轴承可能存在的故障类型,对于确保机械设备可靠安全的运行至关重要。
现阶段,基于深度学习的轴承故障智能故障诊断方法已成为众多诊断技术中的热门选择。尽管上述轴承故障诊断方法已经取得了一定的成功,但仍存在一些问题。在特征提取方面,轴承故障信号通常是多维、非线性和非平稳的。例如在故障发生时,振动信号可能表现出突变、波形畸变等特征。常规的特征提取方法在处理这种非线性和非平稳信号时存在局限性,无法捕捉到故障信号中的动态变化,这种特征提取不完全的情况会导致部分重要信息的丢失,从而降低了故障诊断的准确性和可靠性。另外,尽管上述故障诊断方法降低了对建立模型的要求,但是这样建立的模型在解释性和泛化能力方面存在限制,导致难以建立起信号特征和轴承故障原因之间的因果关系,进而进一步影响诊断结果的准确性和可靠性,因此亟待解决。
发明内容
为了避免和克服现有技术中存在的技术问题,本发明提供了一种集成特征提取和排序因果发现的轴承故障诊断方法。本发明能够有效的提高轴承故障诊断的准确性。
为实现上述目的,本发明提供如下技术方案:
一种集成特征提取和排序因果发现的轴承故障诊断方法,包括以下诊断步骤:
A1、通过TSST对轴承的故障数据进行特征提取,以获得包含故障变量,以及故障变量观测值的故障样本;
A2、引入强化学习,将观测值作为强化学习中的状态,将故障变量作为强化学习中的动作;运行强化学习,智能体依次选择各个动作,以形成对各个故障变量进行排序的动作路径,通过评分函数计算各个动作路径的分数,并选择分数最大的动作路径作为目标路径,该目标路径构成包含故障变量之间的因果关系的DAG;
A3、将因果效应损失函数加入到ViT网络模型的损失函数队列中,将生成DAG的故障样本输入到ViT网络模型中,对ViT网络模型进行训练;利用ViT网络模型中的损失函数更新ViT网络模型,以将ViT网络模型更新成最优轴承故障诊断模型;
A4、将待诊断的故障样本输入到最优轴承故障诊断模型中,以预测出该故障样本的故障类型。
作为本发明进一步的方案:评分函数具体如下:
;
其中,R表示评分函数,R的计算值即为分数;表示第j个故障变量x j 的第k个观测值;Pa表示故障变量x j 在动作路径中的父节点,即与故障变量x j 相邻的前一个故障变量;表示与故障变量x j 似然相关的参数;/>表示参数/>的位数或长度;/>为条件概率,表示在给定故障变量x j 的父节点Pa的情况下,故障变量x j 取第k个观测值的概率;m表示单个故障变量的观测值总数,也表示故障样本的总数;d表示故障变量的总数。
作为本发明再进一步的方案:步骤A2的具体步骤如下:
A21、每个故障样本均包含有d个故障变量,每个故障变量均含有m个观测值,即构成m个故障样本;
将各个故障变量的观测值均输入到强化学习中,并由d×m个观测值构成强化学习的状态空间S,S={s 1,s 2,…,s j ,…,s d },其中,s 1表示状态空间中的第1个状态,即由第1个故障变量的m个观测值构成的数据集合;s 2表示状态空间中的第2个状态,即由第2个故障变量的m个观测值构成的数据集合;s j 表示状态空间中的第j个状态,即由第j个故障变量的m个观测值构成的数据集合;s d 表示状态空间中的第d个状态,即由第d个故障变量的m个观测值构成的数据集合;
A22、将故障变量作为强化学习的动作,并由d个故障变量构成强化学习的动作空间V,V={v 1,v 2,…,v j ,…,v d },v 1表示动作空间中的第1个动作,即第1个故障变量;v 2表示动作空间中的第2个动作,即第2个故障变量;v j 表示动作空间中的第j个动作,即第j个故障变量;v d 表示动作空间中的第d个动作,即第d个故障变量;
A23、随机选择一个动作,开始运行强化学习,并根据当前动作进行状态转移操作,使智能体遍历动作空间中的所有动作,并通过最大化累计奖励期望策略确定智能体的动作路径;在动作路径中,当前动作的前一动作即为当前动作的父节点;
A24、重复执行步骤A23设定次数,获得对应数量的动作路径;通过评分函数计算各个动作路径的分数,并选择其中分数最高的动作路径作为目标路径;各个故障变量在该目标路径中的排序方式构成了包含故障变量之间因果关系的DAG。
作为本发明再进一步的方案:步骤A3的具体步骤如下:
A31、基于DAG中各个故障变量之间的因果关系,构建因果效应损失函数,因果效应损失函数具体表示如下:
;
其中,L cau 表示因果效应损失函数;m表示输入到ViT网络模型中的故障样本的数量,即全部的故障样本全部输入到ViT网络模型中;X i 表示第i个故障样本;λ i 表示故障样本X i 在因果效应损失函数中的权重参数;β i 表示第i个故障样本的因果效应值;
A32、将因果效应损失函数加入到ViT网络模型的损失函数队列中,以构成ViT网络模型的总损失函数,总损失函数L total =L ce +L reg +L cau ;其中L ce 具体表示如下:
;
其中,L ce 表示交叉熵损失函数;M表示轴承的故障类型总数;y i,r 表示第i个故障样本通过ViT网络模型预测出的故障类型是否与该故障样本的真实故障类型相同,是则取值为1,反之为0;p i,r 表示ViT网络模型预测出的第i个故障样本是第r个故障类型的概率,r∈[1,M];
L reg 具体表示如下:
;
其中,L reg 表示正则化损失函数;m表示权重矩阵W的行数;d表示权重矩阵W的列数;W u,v 表示权重矩阵W的第u行第v列元素的值;u∈[1,m],v∈[1,d];λ reg 表示正则化系数;
A33、将生成DAG的m个故障样本全部输入到ViT网络模型中,对ViT网络模型进行迭代训练;当总损失函数值达到设定阈值时,停止迭代训练,并将此时的ViT网络模型称为最优轴承故障诊断模型。
作为本发明再进一步的方案:因果效应损失函数中的因果效应可以通过因果推断中的前门调整方法或者是因果推断中的后门调整方法计算获得。
作为本发明再进一步的方案:在使用TSST处理轴承的故障数据时,将轴承离散型的振动信号由时域转换到时频域。
与现有技术相比,本发明的有益效果是:
1、本发明采用了TSST进行故障特征提取,解决了故障特征提取不完全的问题。同时,引入因果发现理论,研究了故障数据之间的因果关系,并通过ViT网络模型修正因果关系,能够更准确地进行轴承故障诊断,并提高故障诊断的可靠性。
2、本发明提出的轴承故障诊断方法,通过因果发现和因果修正技术来减少数据不一致对诊断结果的影响。
3、本发明通过因果发现构建了故障变量和其对应的观测值之间的因果模型,以深入理解和分析轴承故障的因果关系,为后续的故障分类提供基础,并为实际应用中的故障诊断提供了可靠的支持。
4、本发明在构建的因果模型的基础上,借助ViT网络模型和因果修正技术,实现了轴承的故障分类任务,提高了故障诊断的准确性和鲁棒性。
附图说明
图1为本发明的主要诊断流程结构示意图。
图2为本发明中各个模块的组合结构示意图。
图3为本发明中因果发现的流程结构示意图。
图4为本发明中故障诊断流程的结构示意图。
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和图2,本发明实施例中,主要包括以下三个模块:
a.数据处理模块。
使用多个振动传感器从正在运行的轴承中采集原始信号数据,原始信号数据包括振动信号和工况数据。对振动信号进行数据分割,比如将每个振动信号分割成多个故障样本,然后通过时间重分配多同步挤压变换(Time-reassigned synchrosqueezingtransform,TSST)将这些故障样本转换为图像形式。
b.因果发现模块。
将传感器采集的观测值,包括振动信号和工况数据如转速、扭矩等,输入到因果发现模块,得到一个有向无环图(DAG)。通过前门调整、后门调整等模块,确定工况数据与故障变量之间的因果关系,并生成因果损失函数,以便后续应用于ViT网络模型。同时,根据因果调整公式对时频图进行调整。
c.故障诊断模块。
首先将输入的TSST图像划分为一系列的图像块。然后,将每个图像块通过线性映射映射到低维特征空间中,得到图像块的表示,并为图像块添加位置编码。接下来,将位置编码后的图像块作为输入序列,通过多层的Transformer编码器进行处理。最后,将最后一个Transformer编码器层的输出传递给一个全连接层,用于最终的分类任务预测。
本发明的方法对应的包括以下内容:
1、数据预处理。
在轴承故障诊断中,振动信号在非平稳条件下,其瞬时频率和瞬时振幅会随时间变化,这些振动信号是通过传感器以一定的采样频率获取的。为了描述振动信号的时变特性,在这种情况下,时频分析方法是一种有效工具。TSST能够更好地集中类似脉冲信号的时频表示,因此在轴承故障诊断中更加具有优势。
通过TSST对轴承的振动信号进行预处理,可以将采集到的轴承原始振动信号从时域转换到时频域。这种转换能够更好地捕捉振动信号的动态特性,并提取出有用的频谱特征。在后续的特征提取过程中,可以基于时频图的特征进行进一步分析和建模,以达到准确可靠的轴承故障诊断的目的。本实施例中一共采集了m个故障样本,每个故障样本均包含有d个故障变量,每个故障变量均含有m个观测值。
2、因果发现。
因果发现的目标是通过分析数据中的相关性来推断因果关系,它的实际目的是进行后续的因果修正,即消除混淆因素,减少观测值中的偏差和误导,从而得出更准确可靠的因果推断和故障预测结果。本发明在该阶段的目的就是找到一个表征因果关系且满足无环性的有向无环图(DAG)。寻找满足无环性约束的有向图就可以转化为寻找排序的问题。为了更好实现DAG的搜索,将强化学习引入因果发现中,将包含故障特征和故障类型的故障变量的排序搜索问题定义为一个多步马尔可夫决策过程。在每个决策步骤中,选择一个故障变量作为一个动作,并将所选动作的顺序视为搜索到的排序,通过排序获得各个故障变量之间的因果关系。通过强化学习和编码器-解码器架构搜索最佳分数的DAG,在后续的故障诊断环节中,我们将通过DAG,排除混淆变量的影响,修正因果效应,从而实现正确的分类。
本实施例中强化学习的过程如下:
1)将各个故障变量的观测值均输入到强化学习中,并由d×m个观测值构成强化学习的状态空间S,S={s 1,s 2,…,s j ,…,s d }。
2)将故障变量作为强化学习的动作,并由d个故障变量构成强化学习的动作空间V,V={v 1,v 2,…,v j ,…,v d }。
3)随机选择一个动作,开始运行强化学习,并根据当前动作进行状态转移操作,使智能体遍历动作空间中的所有动作,并通过最大化累计奖励期望策略确定智能体的动作路径;在动作路径中,当前动作的前一动作即为当前动作的父节点。
4)重复执行步骤3)设定次数,获得对应数量的动作路径;通过评分函数计算各个动作路径的分数,并选择其中分数最高的动作路径作为目标路径;各个故障变量在该目标路径中的排序方式构成了包含故障变量之间因果关系的DAG。
对时频分析的结果进行因果调整,以排除可能的混淆因素的影响。这可以通过以下数学公式来表示:
;
在这里,Y adjusted 是调整后的时频分析结果;Y raw 是原始结果;是因果分析中识别的混淆因素的权重;O表示混淆因素。
改进的结果:改进后的时频分析结果更准确地反映了振动信号的真实频域特性,减少了混淆因素的影响,这有助于更好地理解信号的频域特性和潜在因果关系。
3、故障诊断。
在因果发现部分,基于排序的因果发现方法成功建立了故障变量之间的DAG,借助这一因果模型,能够对已有的深度学习框架下的故障诊断进行有力的因果修正,从而实现更高的诊断精度与鲁棒性。
本实施例所使用的轴承故障诊断的网络是基于Transformer架构构建的VisionTransformer网络模型,简称ViT网络模型。在故障诊断中,轴承故障通常会随时间逐渐发展,因此需要对时间序列数据进行建模。而由于自注意力机制的存在,ViT网络模型在处理序列图像时具有较好的效果,可以用于识别故障的演变和发展趋势。且ViT网络模型的结构易于扩展,能够应对不同大小的图像或数据,这对于轴承故障诊断中可能出现的不同数据分辨率和类型非常实用。
通过估计已建立的DAG中的因果效应,并将其应用在因果效应损失函数中,修正特征提取方式,以减小混淆因素的影响。有很多可用的因果效应的估计方法,主要的方法有:后门调整方法和前门调整方法。前门调整和后门调整都是因果推断中的方法,用于处理混淆因素对因果关系估计的干扰。
故障诊断的具体步骤如下:
1)基于DAG中各个故障变量之间的因果关系,构建因果效应损失函数。
2)将因果效应损失函数加入到ViT网络模型的损失函数队列中,以构成ViT网络模型的总损失函数,总损失函数L total =L ce +L reg +L cau 。
3)将生成DAG的m个故障样本全部输入到ViT网络模型中,对ViT网络模型进行迭代训练;当总损失函数值达到设定阈值时,停止迭代训练,并将此时的ViT网络模型称为最优轴承故障诊断模型。
4)将待诊断的故障样本输入到最优轴承故障诊断模型中,以预测出该故障样本的故障类型。
本发明采用了TSST进行故障特征提取,解决了故障特征提取不完全的问题。同时,引入因果发现理论,研究了故障数据之间的因果关系,并通过ViT网络模型修正因果关系,能够更准确地进行轴承故障诊断,并提高故障诊断的可靠性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种集成特征提取和排序因果发现的轴承故障诊断方法,其特征在于,包括以下诊断步骤:
A1、通过时间重分配多同步挤压变换TSST对轴承的故障数据进行特征提取,以获得包含故障变量,以及故障变量观测值的故障样本;
A2、引入强化学习,将观测值作为强化学习中的状态,将故障变量作为强化学习中的动作;运行强化学习,智能体依次选择各个动作,以形成对各个故障变量进行排序的动作路径,通过评分函数计算各个动作路径的分数,并选择分数最大的动作路径作为目标路径,该目标路径构成包含故障变量之间的因果关系的有向无环图DAG;
A3、将因果效应损失函数加入到ViT网络模型的损失函数队列中,将生成有向无环图DAG的故障样本输入到ViT网络模型中,对ViT网络模型进行训练;利用ViT网络模型中的损失函数更新ViT网络模型,以将ViT网络模型更新成最优轴承故障诊断模型;
A4、将待诊断的故障样本输入到最优轴承故障诊断模型中,以预测出该故障样本的故障类型;
评分函数具体如下:
其中,R表示评分函数,R的计算值即为分数;表示第j个故障变量x j 的第k个观测值;Pa表示故障变量x j 在动作路径中的父节点,即与故障变量x j 相邻的前一个故障变量;/>表示与故障变量x j 似然相关的参数;/>表示参数/>的位数或长度;/>为条件概率,表示在给定故障变量x j 的父节点Pa的情况下,故障变量x j 取第k个观测值的概率;m表示单个故障变量的观测值总数,也表示故障样本的总数;d表示故障变量的总数;
步骤A2的具体步骤如下:
A21、每个故障样本均包含有d个故障变量,每个故障变量均含有m个观测值,即构成m个故障样本;
将各个故障变量的观测值均输入到强化学习中,并由d×m个观测值构成强化学习的状态空间S,S={s 1,s 2,…,s j ,…,s d },其中,s 1表示状态空间中的第1个状态,即由第1个故障变量的m个观测值构成的数据集合;s 2表示状态空间中的第2个状态,即由第2个故障变量的m个观测值构成的数据集合;s j 表示状态空间中的第j个状态,即由第j个故障变量的m个观测值构成的数据集合;s d 表示状态空间中的第d个状态,即由第d个故障变量的m个观测值构成的数据集合;
A22、将故障变量作为强化学习的动作,并由d个故障变量构成强化学习的动作空间V,V={v 1,v 2,…,v j ,…,v d },v 1表示动作空间中的第1个动作,即第1个故障变量;v 2表示动作空间中的第2个动作,即第2个故障变量;v j 表示动作空间中的第j个动作,即第j个故障变量;v d 表示动作空间中的第d个动作,即第d个故障变量;
A23、随机选择一个动作,开始运行强化学习,并根据当前动作进行状态转移操作,使智能体遍历动作空间中的所有动作,并通过最大化累计奖励期望策略确定智能体的动作路径;在动作路径中,当前动作的前一动作即为当前动作的父节点;
A24、重复执行步骤A23设定次数,获得对应数量的动作路径;通过评分函数计算各个动作路径的分数,并选择其中分数最高的动作路径作为目标路径;各个故障变量在该目标路径中的排序方式构成了包含故障变量之间因果关系的有向无环图DAG。
2.根据权利要求1所述的一种集成特征提取和排序因果发现的轴承故障诊断方法,其特征在于,步骤A3的具体步骤如下:
A31、基于有向无环图DAG中各个故障变量之间的因果关系,构建因果效应损失函数,因果效应损失函数具体表示如下:
其中,L cau 表示因果效应损失函数;X i 表示第i个故障样本;λ i 表示故障样本X i 在因果效应损失函数中的权重参数;β i 表示第i个故障样本的因果效应值;
A32、将因果效应损失函数加入到ViT网络模型的损失函数队列中,以构成ViT网络模型的总损失函数,总损失函数L total =L ce +L reg +L cau ;其中L ce 具体表示如下:
其中,L ce 表示交叉熵损失函数;M表示轴承的故障类型总数;y i,r 表示第i个故障样本通过ViT网络模型预测出的故障类型是否与该故障样本的真实故障类型相同,是则取值为1,反之为0;p i,r 表示ViT网络模型预测出的第i个故障样本是第r个故障类型的概率,r∈[1,M];
L reg 具体表示如下:
其中,L reg 表示正则化损失函数;m表示权重矩阵W的行数;d表示权重矩阵W的列数;W u,v 表示权重矩阵W的第u行第v列元素的值;u∈[1,m],v∈[1,d];λ reg 表示正则化系数;
A33、将生成有向无环图DAG的m个故障样本全部输入到ViT网络模型中,对ViT网络模型进行迭代训练;当总损失函数值达到设定阈值时,停止迭代训练,并将此时的ViT网络模型称为最优轴承故障诊断模型。
3.根据权利要求2所述的一种集成特征提取和排序因果发现的轴承故障诊断方法,其特征在于,因果效应损失函数中的因果效应可以通过因果推断中的前门调整方法或者是因果推断中的后门调整方法计算获得。
4.根据权利要求3所述的一种集成特征提取和排序因果发现的轴承故障诊断方法,其特征在于,在使用时间重分配多同步挤压变换TSST处理轴承的故障数据时,将轴承离散型的振动信号由时域转换到时频域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842689.8A CN117493980B (zh) | 2023-12-29 | 2023-12-29 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842689.8A CN117493980B (zh) | 2023-12-29 | 2023-12-29 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493980A CN117493980A (zh) | 2024-02-02 |
CN117493980B true CN117493980B (zh) | 2024-03-19 |
Family
ID=89685347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311842689.8A Active CN117493980B (zh) | 2023-12-29 | 2023-12-29 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493980B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118427625B (zh) * | 2024-07-03 | 2024-09-17 | 合肥工业大学 | 一种基于因果迭代修正的权重分配故障轴承诊断方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN113011256A (zh) * | 2021-02-05 | 2021-06-22 | 合肥工业大学 | 基于小样本学习的跨类别故障诊断方法、系统及存储介质 |
CN114580388A (zh) * | 2020-12-01 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 数据处理方法、对象预测方法、相关设备及存储介质 |
CN115618065A (zh) * | 2022-09-28 | 2023-01-17 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
CN116305567A (zh) * | 2023-03-15 | 2023-06-23 | 中国船舶集团有限公司第七一九研究所 | 基于深度强化学习的舰船传动轴的可靠性仿真方法和系统 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116839900A (zh) * | 2023-07-06 | 2023-10-03 | 昌辉汽车转向系统(黄山)有限公司 | 基于因果注意的时序卷积网络的故障诊断方法 |
CN116915582A (zh) * | 2023-08-30 | 2023-10-20 | 北京大学 | 一种通信终端故障根因诊断分析方法及装置 |
CN117251960A (zh) * | 2023-11-20 | 2023-12-19 | 合肥工业大学 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944562B (zh) * | 2017-10-17 | 2019-07-05 | 北京清睿智能科技有限公司 | 一种扩展的处理不确定因果关系类信息的智能系统的构造方法 |
US20230351177A1 (en) * | 2022-04-29 | 2023-11-02 | University Of South Carolina | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion |
-
2023
- 2023-12-29 CN CN202311842689.8A patent/CN117493980B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN114580388A (zh) * | 2020-12-01 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 数据处理方法、对象预测方法、相关设备及存储介质 |
CN113011256A (zh) * | 2021-02-05 | 2021-06-22 | 合肥工业大学 | 基于小样本学习的跨类别故障诊断方法、系统及存储介质 |
CN115618065A (zh) * | 2022-09-28 | 2023-01-17 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
CN116305567A (zh) * | 2023-03-15 | 2023-06-23 | 中国船舶集团有限公司第七一九研究所 | 基于深度强化学习的舰船传动轴的可靠性仿真方法和系统 |
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116839900A (zh) * | 2023-07-06 | 2023-10-03 | 昌辉汽车转向系统(黄山)有限公司 | 基于因果注意的时序卷积网络的故障诊断方法 |
CN116915582A (zh) * | 2023-08-30 | 2023-10-20 | 北京大学 | 一种通信终端故障根因诊断分析方法及装置 |
CN117251960A (zh) * | 2023-11-20 | 2023-12-19 | 合肥工业大学 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Non-Patent Citations (3)
Title |
---|
Interdependent Causal Networks for Root Cause Localization;Dongjie Wang et al.;《ACM》;20230804;第5051-5060页 * |
Rolling Bearing Fault Diagnosis with Disentangled and Robust Causal Modal;Xu Ding et al.;《IEEE》;20230313;第1-6页 * |
半监督阶梯网络和GAN在滚动轴承诊断的应用;丁煦等;《机械设计与制造》;20220531(第5期);第152-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493980A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN114065862B (zh) | 一种多维时序数据异常检测方法和系统 | |
CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 | |
CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
KR20140041766A (ko) | 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN115905991A (zh) | 一种基于深度学习的时间序列数据多元异常检测方法 | |
WO2023197617A1 (zh) | 基于多维传感数据的工业系统生产异常检测与诊断方法 | |
CN115510975A (zh) | 基于并行Transofmer-GRU的多变量时序异常检测方法及系统 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
CN115827888A (zh) | 一种复杂设备的故障预测方法 | |
CN116128882B (zh) | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 | |
CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 | |
CN116720149A (zh) | 基于时空相关性多元回归的飞行数据异常检测和恢复方法 | |
CN117312948A (zh) | 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
JP6892848B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Ying et al. | Stacked supervised auto-encoder with deep learning framework for nonlinear process monitoring and fault detection | |
CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 | |
CN114255373B (zh) | 序列异常检测方法、装置、电子设备和可读介质 | |
US20240289609A1 (en) | System for training neural network to detect anomalies in event data | |
CN116125922B (zh) | 一种基于平行式字典学习的复杂工业过程监测方法和系统 |
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 |