CN118013289A - 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 - Google Patents
一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 Download PDFInfo
- Publication number
- CN118013289A CN118013289A CN202410417801.1A CN202410417801A CN118013289A CN 118013289 A CN118013289 A CN 118013289A CN 202410417801 A CN202410417801 A CN 202410417801A CN 118013289 A CN118013289 A CN 118013289A
- Authority
- CN
- China
- Prior art keywords
- source domain
- under
- fault
- meta
- fault type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000013526 transfer learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013508 migration Methods 0.000 claims abstract description 33
- 230000005012 migration Effects 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品,涉及机械故障诊断技术领域,所述方法包括:获取待诊断设备多种工况下的多种故障类型下的多传感器信号,对各故障类型下的多传感器信号进行稀疏主成分分析、随机采样和归一化,得到对应故障类型下的融合图像;基于各故障类型下的融合图像,构建源域数据集和目标域数据集;利用源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型;利用目标域支持集对元迁移诊断模型进行微调,得到微调后的元迁移诊断模型;利用微调后的元迁移诊断模型对目标域查询集进行诊断,得到对应的故障诊断结果。实现了变工况小样本下设备的状态监测和故障诊断。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别是涉及一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品。
背景技术
齿轮箱作为许多大型复杂机电设备的重要组成部分,在恶劣环境下易发生各种潜在故障,潜在故障可能使机电设备失去正常运行功能,在严重的情况下导致重大灾难事故和重大经济损失。为了降低上述故障风险并确保设备运行可靠性,研究高可靠性、强泛化性能的齿轮箱故障诊断系统势在必行。深度学习具有强大的自适应特征提取功能,基于深度学习的故障诊断方法可以消除了对复杂信号处理技术的依赖,在过去十年中得到了广泛研究。深度学习方法在故障诊断中取得了诸多重要应用,但仍然存在一定的局限性。一方面,基于深度学习的故障诊断方法依赖于丰富的历史健康状态数据。在实际工业中,机电设备通常禁止在故障状态下运行且故障持续时间较短,导致故障样本十分有限。另一方面,大多数基于深度学习的故障诊断方法需要满足数据同分布假设,才能获得良好的诊断性能。然而,对于变工况运行条件下的机电设备数据集,并不满足数据同分布假设。因此,在实际工业中,如何实现变工况条件下的故障诊断是一个很大的挑战。
元学习作为一种新兴的小样本学习方法,受到了广泛关注。与传统基于深度学习的故障诊断方法不同,元学习不仅关注当前任务的性能,而且强调在学习过程中积累诊断知识的基础上可以快速泛化到未知诊断任务。目前,元学习方法可以分为基于距离度量的方法和基于优化的方法。基于距离度量的方法通过测量不同任务之间的相似性或距离,使模型能够更好地适应新任务。然而,在运行工况急剧变化的场景中,通过距离指标精确测量任务间的相似性极具挑战性,因此基于距离度量的元学习方法在变运行工况下的故障诊断性能可能会降低。以模型不可知元学习(Model-Agnostic Meta-Learning,MAML)为代表的基于优化的元学习方法,其重点是学习如何在训练过程中动态调整模型参数,以适应各种任务的优化要求。
虽然诸如MAML等元学习方法已经成功应用于小样本条件下的故障诊断,但仍然存在一些局限性。首先是时变运行工况限制。现阶段,急剧变转速运行工况下的元迁移诊断方法,未得到充分研究。而实际工业应用中,时变转速运行工况导致数据集发生分布偏移是常见现象。其次是高效计算效率限制。大多数基于元学习的故障诊断方法均利用快速傅立叶变换(Fast Fourier Transform,FFT)、小波变换(Wavelet Transform,WT)和短时傅立叶变换(Short-Time Fourier Transform,STFT)等时频分析技术,提取振动信号的时频特征以适应变转速工况故障诊断要求。然而,时频分析需要的计算成本高,导致故障诊断效率降低;此外,先进时频分析方法的运用须依赖信号处理的先验专家知识。
因此,探索一种面向变工况小样本故障诊断、具有优异诊断性能和低计算成本的信息融合元迁移诊断方法至关重要。
发明内容
本发明的目的是提供一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品,实现了变工况小样本下设备的状态监测和故障诊断。
为实现上述目的,本发明提供了如下方案:
一种基于信息融合元迁移学习的变工况小样本故障诊断方法,包括:获取待诊断设备多种工况下的多种故障类型下的多传感器信号。所述多传感器信号包括:振动信号、电流信号、转矩信号和转速信号;
对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号。
对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像。
基于各故障类型下的融合图像,构建源域数据集和目标域数据集;所述源域数据集包括:源域支持集和源域查询集,所述源域支持集包括:源域元训练任务的支持集和源域元验证任务的支持集,所述源域查询集包括:源域元训练任务的查询集和源域元验证任务的查询集,所述目标域数据集包括:目标域支持集和目标域查询集。
利用所述源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型。
利用所述目标域支持集对元迁移诊断模型进行微调,得到微调后的元迁移诊断模型。
利用微调后的元迁移诊断模型对所述目标域查询集进行诊断,得到对应的故障诊断结果。
可选地,所述多传感器信号为一维时间序列信号。
可选地,对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号,包括:初始化各故障类型下的多传感器信号对应的权重。
基于预设重构误差、各故障类型下的多传感器信号以及对应的初始化权重,对对应故障类型下的多传感器信号进行权重更新,得到更新后的权重。
基于各故障类型下的多传感器信号和对应的更新后的权重,确定对应故障类型下的多传感器增强信号。
可选地,对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像,包括:将任一故障类型下的多传感器增强信号确定为当前增强信号。
从所述当前增强信号的矩阵中随机选取预设长度的元素作为待处理样本。
对所述待处理样本进行归一化,得到像素矩阵。
对所述像素矩阵进行灰度化,得到二维灰度矩阵。
基于二维灰度矩阵确定融合图像。
可选地,基于各故障类型下的融合图像,构建源域数据集和目标域数据集,包括:将各故障类型下的融合图像划分为源域支持集、源域查询集、目标域支持集和目标域查询集,得到源域数据集和目标域数据集。
可选地,利用所述源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型,包括:构建所述二维元卷积神经网络。
利用源域元训练任务的支持集和源域元训练任务的查询集更新所述二维元卷积神经网络的模型参数。
利用源域元验证任务的支持集和源域元验证任务的查询集对二维元卷积神经网络进行验证,得到所述元迁移诊断模型。
一种计算机装置,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述任一项所述的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一项所述的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开了一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品,首先,获取待诊断设备多种工况下的多种故障类型下的多传感器信号;多传感器信号包括:振动信号、电流信号、转矩信号和转速信号;其次,对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号;对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像;基于各故障类型下的融合图像,构建源域数据集和目标域数据集;源域数据集包括:源域支持集和源域查询集,源域支持集包括:源域元训练任务的支持集和源域元验证任务的支持集,源域查询集包括:源域元训练任务的查询集和源域元验证任务的查询集,目标域数据集包括:目标域支持集和目标域查询集;最后,利用源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型;利用目标域支持集对元迁移诊断模型进行微调,得到微调后的元迁移诊断模型;利用微调后的元迁移诊断模型对目标域查询集进行诊断,得到对应的故障诊断结果,从而实现了变工况小样本下设备的状态监测和故障诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于信息融合元迁移学习的变工况小样本故障诊断方法流程示意图。
图2为面向变工况小样本故障诊断的信息融合元迁移学习方法详细流程示意图。
图3为面向变工况小样本故障诊断的信息融合元迁移学习方法整体结构示意图。
图4为二维元卷积神经网络结构示意图。
图5为实施例工况设置示意图。
图6为诊断时间比较图。
图7为计算机设备的内部结构图。
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。
本发明的目的是提供一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品,旨在实现变工况小样本下设备的状态监测和故障诊断。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1提供了一种基于信息融合元迁移学习的变工况小样本故障诊断方法。
如图1-图3所示,本实施例中的基于信息融合元迁移学习的变工况小样本故障诊断方法,包括步骤101-步骤107。
步骤101:获取待诊断设备多种工况下的多种故障类型下的多传感器信号。
其中,多传感器信号包括:振动信号、电流信号、转矩信号和转速信号。
作为一种可选的实施方式,多传感器信号为一维时间序列信号。
具体的,定义机械系统中多传感器信号X包含a种传感器采集信号,各传感器采集的信号的长度为L,一维时间序列信号为非均匀信号,表示为:。
步骤102:对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号。
作为一种可选的实施方式,步骤102,包括步骤1021-步骤1023。
步骤1021:初始化各故障类型下的多传感器信号对应的权重。
步骤1022:基于预设重构误差、各故障类型下的多传感器信号以及对应的初始化权重,对对应故障类型下的多传感器信号进行权重更新,得到更新后的权重。
步骤1023:基于各故障类型下的多传感器信号和对应的更新后的权重,确定对应故障类型下的多传感器增强信号。
具体的,引入稀疏主成分分析,构建多传感器信号的权重,增强数据特征。
首先,在分布N(0,1)中取一个随机值作为权重的初值。通过公式对权重进行更新。
其中,λ表示超参数;表示多传感器信号X的转置;/>表示更新后的权重;表示更新前的权重/>的转置。
通过稀疏主成分分析得到增强的特征矩阵(即多传感器增强信号):。
更新过程中以稀疏主成分分析为基础重构信号,将多传感器增强信号与多传感器信号进行比较,重构误差err为:
。
其中,表示F-范数;/>表示权重w的转置。
若重构误差小于误差要求e,则稀疏主成分分析的权重更新过程收敛,权重更新过程结束。
步骤103:对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像。
作为一种可选的实施方式,步骤103,包括步骤1031-步骤1035。
步骤1031:将任一故障类型下的多传感器增强信号确定为当前增强信号。
步骤1032:从当前增强信号的矩阵中随机选取预设长度的元素作为待处理样本。
具体的,不同运行工况下的迁移诊断场景中,采用随机采样获取信号样本,并保证随机样本具有全局信号的代表性。从增强特征信号矩阵(即多传感器增强信号的矩阵)中采集预设长度为L1的元素作为待处理样本的过程可以描述如下。
。
。
其中,为一个随机数,表示/>的起始索引;L表示多传感器增强信号的长度;/>表示增强特征信号矩阵中的所有索引;/>表示第k个待处理样本的第j个通道的信号;/>表示第j个通道的增强特征信号矩阵。
步骤1033:对待处理样本进行归一化,得到像素矩阵。
步骤1034:对像素矩阵进行灰度化,得到二维灰度矩阵。
具体的,二维灰度矩阵中元素的生成过程描述如下:
。
通过上述步骤,利多传感器增强信号可以转化为一系列二维灰度矩阵/>,/>。
其中,表示第1个通道的增强特征信号矩阵;/>表示第2个通道的增强特征信号矩阵;/>表示第3个通道的增强特征信号矩阵;E表示样本数量,E≥K+M,K表示支持集中每个类的样本数;M表示查询集中每个类的样本数;/>表示第k个待处理样本的第j个通道的二维灰度矩阵。
步骤1035:基于二维灰度矩阵确定融合图像。
具体的,利用归一化的二维灰度矩阵进行信息融合,构建样本彩色图像的RGB通道,通过图像颜色和纹理可以实现精细化的特征表示,该过程描述如下。
。
。
其中,R表示红色通道的信号;G表示绿色通道的信号;B表示蓝色通道的信号;表示获得的信息融合样本,即融合图像;/>表示连接操作。
步骤104:基于各故障类型下的融合图像,构建源域数据集和目标域数据集。
其中,源域数据集包括:源域支持集和源域查询集,源域支持集包括:源域元训练任务的支持集和源域元验证任务的支持集,源域查询集包括:源域元训练任务的查询集和源域元验证任务的查询集,目标域数据集包括:目标域支持集和目标域查询集。
作为一种可选的实施方式,步骤104,包括:将各故障类型下的融合图像划分为源域支持集、源域查询集、目标域支持集和目标域查询集,得到源域数据集和目标域数据集。
具体的,首先需要构建源域元任务,构建的源域元任务TD表示为。
其中,表示源域第i个元训练任务的支持集;/>表示为第i个元训练任务的支持集中的融合图像;/>表示为第i个元训练任务的支持集中的融合图像对应的标签;N表示传感器类别的数量;/>表示源域第i个元验证任务的查询集;/>表示为第i个元验证任务的查询集中的融合图像;/>表示为第i个元验证任务的查询集中的融合图像对应的标签。
详细地,源域元任务包括来自源域S的源类别组中的n个源域元训练任务和n个源域元验证任务/>。
其中,表示源域第i1个元训练任务的支持集;/>表示源域第i1个元训练任务的查询集;/>表示源域第i2个元验证任务的支持集;/>表示源域第i2个元验证任务的查询集。
表示源域第i1个元训练任务的支持集;/>表示为第i1个元训练任务的支持集中的融合图像;/>表示为第i1个元训练任务的支持集中的融合图像对应的标签;N表示传感器类别的数量;/>表示源域第i1个元训练任务的查询集;/>表示为第i1个元训练任务的查询集中的融合图像;/>表示为第i1个元训练任务的查询集中的融合图像对应的标签;/>表示源域第i2个元验证任务的支持集;/>表示为第i2个元验证任务的支持集中的融合图像;/>表示为第i2个元验证任务的支持集中的融合图像对应的标签;/>表示源域第i2个元验证任务的查询集;/>表示为第i2个元验证任务的查询集中的融合图像;表示为第i2个元验证任务的查询集中的融合图像对应的标签。
相似地,小样本的元测试任务可以表示为在目标域内的一个目标类别组,/>表示目标域第i3个测试任务的支持集;/>表示目标域第i3个测试任务的查询集。目标域数据集即是元任务中的目标域元任务中的支持集和查询集。
需注意的是上述的源域、目标域、验证域的样本之间需要满足不存在交集的关系。
步骤105:利用源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型。
作为一种可选的实施方式,步骤105,包括步骤1051-步骤1053。
步骤1051:构建二维元卷积神经网络。
如图4所示,二维元卷积神经网络的特征提取部分包括:四层二维卷积层、四层批归一化层、四层线性修正单元以及四层最大池化层。
步骤1052:利用源域元训练任务的支持集和源域元训练任务的查询集更新二维元卷积神经网络的模型参数。
具体的,将源域元训练任务分为多个批次输入,以第g批次元训练任务(m表示每批次元训练任务中包含的任务数)为例。
将源域元训练任务输入到二维元卷积神经网络的输入层,源域元训练任务将通过四个卷积层映射为高维特征。所有卷积层都经过批归一化的处理以降低所学习特征的维度。在通过全连接层后,特征将被展平为一维向量,作为softmax函数的一维输入向量。
假设表示特征提取器,则一个任务提取特征/>的过程可以描述为:,其中,/>表示特征提取器的模型训练参数。
全连接层使用softmax函数来预测每个任务与健康状况相关的概率,其描述如下:,其中,/>表示任务/>预测为类别的预测概率。
模型参数通过反向传播分类器的交叉熵函数损失进行更新,任务Tg的损失函数可以描述如下。
。
其中,表示任务/>的损失;/>表示第h个元训练任务支持集中的融合图像;/>表示第h个元训练任务支持集中的融合图像对应的标签;
使用二维元卷积神经网络预测样本的类标索引,预测类标索引/>为预测概率向量/>中分量数值最高的角标索引。
。
其中,表示在一个任务中样本/>被预测为j类的概率。
最后,一个批次源域元训练任务的平均诊断准确率A可以描述如下。
。
其中,表示/>的真实标签;/>表示指标函数。
到此,二维元卷积神经网络构建完成。
首先,元训练阶段对二维元卷积神经网络参数θ进行更新。在元训练阶段,二维元卷积神经网络的参数都是从前一批基于参数/>的元训练任务的训练中获得的。因此,在执行第i个元训练任务时,参数更新过程可以表示如下。
。
其中,表示二维元卷积神经网络的学习率;/>表示在源域支持集/>下参数/>在损失函数下的梯度;/>表示参数θ的参数化函数。
二维元卷积神经网络的参数将通过优化来自的任务中含有参数θ的参数化函数/>的性能得到更新,元训练目标可以表示如下。
。
。
在每个训练周期结束时,会使用源域数据集的查询集评估参数为/>的二维元卷积神经网络的性能,但是源域查询集/>不参与梯度更新。在利用查询集完成一个批次中的m个元任务评估后,二维元卷积神经网络将会产生一个平均损失函数/>,损失函数/>和描述如下。
。
。
当完成了模型参数的更新后,二维元卷积神经网络将会被传递到元训练的外循环阶段,在外循环阶段将会对初始化参数θ进行更新,更新过程可描述如下。
。
其中,β表示元学习率。
在元训练的外循环阶段结束后,更新完成的参数θ将会保存为目标域元测试任务的初始化参数。
步骤1053:利用源域元验证任务的支持集和源域元验证任务的查询集对二维元卷积神经网络进行验证,得到元迁移诊断模型。
步骤106:利用目标域支持集对元迁移诊断模型进行微调,得到微调后的元迁移诊断模型。
步骤107:利用微调后的元迁移诊断模型对目标域查询集进行诊断,得到对应的故障诊断结果。
如图5所示的本发明实施例的面向变工况小样本故障诊断的信息融合元迁移学习方法的实施例工况设置。如图5所示,图中的实线、点虚线、点划线曲线分别代表了不同的变转速工况,与表1中的时变转速对应。如表1所示,根据不同的变转速工况、不同的负载载荷分别设置了6种工况,每种工况都设置了10种故障类型。
。
如表2所示的本发明实施例的面向变工况小样本故障诊断的信息融合元迁移学习方法与其他先进方法的变工况下的诊断精度比较图,图中的工况T1、T2、T3、T4、T5、T6分别对应图5中的变转速工况T1、T2、T3、T4、T5、T6。表2中,除了本发明里所提的本发明实施例的面向变工况小样本故障诊断的信息融合元迁移学习方法,选择了一部分先进方法作为对比。需要说明的是,WMAML代表带有对振动信号进行连续小波分析的模型无关元学习方法(MAML),TSMAML代表对振动信号进行傅里叶变换的模型无关元学习方法(MAML)。FMAML代表带有信息融合和主成分分析方法的模型无关元学习方法(MAML),WProtoNet代表对振动信号带有连续小波变换的原型网络(ProtoNet),WReptile代表带有对振动信号进行连续小波分析方法的Reptile网络,IF-Gray代表所提方法去除RGB通道构建过程并保留灰度矩阵为输入的元学习方法,RGB代表所提方法将输入改为构建的RGB三通道信号而不进行稀疏主成分分析增强的元学习方法,Gray代表所提方法将输入图像改为单通道信号转换的灰度图像的元学习方法,Matrix表示输入改为单通道振动信号转换为二维矩阵的所提模型。所有方法的原始数据均一致,每种健康状态仅有10个样本作为源训练集,仅有20个样本作为源验证集,30个样本作为目标测试集。测试结果显示,所提方法能够有效识别最多数量的样本,准确率明显领先其他方法,且标准差也是测试方法当中较优秀的,这说明了本发明提出的面向变工况小样本故障诊断的信息融合元迁移学习方法的优越性、稳定性。
。
如图6所示,本发明的方法的花费时间处于优秀水平,尽管逊于FMAML方法,但是从图6可以看出,本发明的方法在准确率上是最优秀的,远远优于FMAML方法。这说明了本发明的方法在保证时间花费较少的情况下,取得了比现有先进方法更优秀的诊断准确率,说明了本发明的方法相比现有先进方法具有更低计算成本的同时还具有最优秀的诊断性能。
实施例2提供了一种计算机装置,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序以实现实施例1中的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
实施例3提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
实施例4提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现实施例1中的基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
实施例5
一种计算机设备,该计算机设备可以是数据库,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的基于信息融合元迁移学习的变工况小样本故障诊断方法。
需要说明的是,本发明所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经对象授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,所述方法包括:
获取待诊断设备多种工况下的多种故障类型下的多传感器信号;所述多传感器信号包括:振动信号、电流信号、转矩信号和转速信号;
对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号;
对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像;
基于各故障类型下的融合图像,构建源域数据集和目标域数据集;所述源域数据集包括:源域支持集和源域查询集,所述源域支持集包括:源域元训练任务的支持集和源域元验证任务的支持集,所述源域查询集包括:源域元训练任务的查询集和源域元验证任务的查询集,所述目标域数据集包括:目标域支持集和目标域查询集;
利用所述源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型;
利用所述目标域支持集对元迁移诊断模型进行微调,得到微调后的元迁移诊断模型;
利用微调后的元迁移诊断模型对所述目标域查询集进行诊断,得到对应的故障诊断结果。
2.根据权利要求1所述的基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,所述多传感器信号为一维时间序列信号。
3.根据权利要求2所述的基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,对各故障类型下的多传感器信号进行稀疏主成分分析,得到对应故障类型下的多传感器增强信号,包括:
初始化各故障类型下的多传感器信号对应的权重;
基于预设重构误差、各故障类型下的多传感器信号以及对应的初始化权重,对对应故障类型下的多传感器信号进行权重更新,得到更新后的权重;
基于各故障类型下的多传感器信号和对应的更新后的权重,确定对应故障类型下的多传感器增强信号。
4.根据权利要求2所述的基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,对各故障类型下的多传感器增强信号进行随机采样和归一化,得到对应故障类型下的融合图像,包括:
将任一故障类型下的多传感器增强信号确定为当前增强信号;
从所述当前增强信号的矩阵中随机选取预设长度的元素作为待处理样本;
对所述待处理样本进行归一化,得到像素矩阵;
对所述像素矩阵进行灰度化,得到二维灰度矩阵;
基于二维灰度矩阵确定融合图像。
5.根据权利要求1所述的基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,基于各故障类型下的融合图像,构建源域数据集和目标域数据集,包括:
将各故障类型下的融合图像划分为源域支持集、源域查询集、目标域支持集和目标域查询集,得到源域数据集和目标域数据集。
6.根据权利要求2所述的基于信息融合元迁移学习的变工况小样本故障诊断方法,其特征在于,利用所述源域数据集对二维元卷积神经网络进行训练,得到元迁移诊断模型,包括:
构建所述二维元卷积神经网络;
利用源域元训练任务的支持集和源域元训练任务的查询集更新所述二维元卷积神经网络的模型参数;
利用源域元验证任务的支持集和源域元验证任务的查询集对二维元卷积神经网络进行验证,得到所述元迁移诊断模型。
7.一种计算机装置,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
9.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述基于信息融合元迁移学习的变工况小样本故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417801.1A CN118013289A (zh) | 2024-04-09 | 2024-04-09 | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417801.1A CN118013289A (zh) | 2024-04-09 | 2024-04-09 | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118013289A true CN118013289A (zh) | 2024-05-10 |
Family
ID=90948855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417801.1A Pending CN118013289A (zh) | 2024-04-09 | 2024-04-09 | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013289A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
CN111272424A (zh) * | 2020-01-20 | 2020-06-12 | 陕西理工大学 | 水润滑轴承在线监测试验平台及轴承特性测试分析方法 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
CN112115922A (zh) * | 2020-09-27 | 2020-12-22 | 天津工业大学 | 一种增强深度特征学习的旋转机械故障诊断方法 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学(武汉) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
CN113887586A (zh) * | 2021-09-17 | 2022-01-04 | 杭州电子科技大学 | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
CN116011507A (zh) * | 2022-12-06 | 2023-04-25 | 东北林业大学 | 融合元学习与图神经网络的稀有故障诊断方法 |
CN116383661A (zh) * | 2023-04-13 | 2023-07-04 | 合肥工业大学 | 离心泵故障诊断模型训练方法、故障诊断方法及装置 |
CN117009916A (zh) * | 2023-06-25 | 2023-11-07 | 西安电子科技大学 | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 |
CN117150359A (zh) * | 2023-08-31 | 2023-12-01 | 华能阜新风力发电有限责任公司 | 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 |
CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
CN117493066A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 一种服务器的故障预测方法、装置、设备及介质 |
-
2024
- 2024-04-09 CN CN202410417801.1A patent/CN118013289A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN111272424A (zh) * | 2020-01-20 | 2020-06-12 | 陕西理工大学 | 水润滑轴承在线监测试验平台及轴承特性测试分析方法 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN112115922A (zh) * | 2020-09-27 | 2020-12-22 | 天津工业大学 | 一种增强深度特征学习的旋转机械故障诊断方法 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学(武汉) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
CN113887586A (zh) * | 2021-09-17 | 2022-01-04 | 杭州电子科技大学 | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 |
CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
CN116011507A (zh) * | 2022-12-06 | 2023-04-25 | 东北林业大学 | 融合元学习与图神经网络的稀有故障诊断方法 |
CN116383661A (zh) * | 2023-04-13 | 2023-07-04 | 合肥工业大学 | 离心泵故障诊断模型训练方法、故障诊断方法及装置 |
CN117009916A (zh) * | 2023-06-25 | 2023-11-07 | 西安电子科技大学 | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 |
CN117150359A (zh) * | 2023-08-31 | 2023-12-01 | 华能阜新风力发电有限责任公司 | 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 |
CN117390411A (zh) * | 2023-10-16 | 2024-01-12 | 石家庄铁道大学 | 基于元迁移学习的变工况轴承故障诊断方法 |
CN117493066A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 一种服务器的故障预测方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
吴魁;王仙勇;孙洁;黄玉龙;: "基于深度卷积网络的多传感器信号故障诊断方法研究", 计算机测量与控制, no. 01, 25 January 2018 (2018-01-25) * |
曹宁;江志农;高金吉;: "小样本下基于迁移学习的轴承状态识别方法", 噪声与振动控制, no. 05, 18 October 2020 (2020-10-18) * |
朱丹宸;张永祥;潘洋洋;朱群伟;: "基于多传感器信号和卷积神经网络的滚动轴承故障诊断", 振动与冲击, no. 04, 28 February 2020 (2020-02-28) * |
邢砾文;姚文凯;黄莹;: "基于深度学习的含未知复合故障多传感器信号故障诊断", 重庆大学学报, no. 09, 15 September 2020 (2020-09-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270956B (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN115393289A (zh) | 基于集成交叉伪标签的肿瘤图像半监督分割方法 | |
Li et al. | Small Object Detection Algorithm Based on Feature Pyramid‐Enhanced Fusion SSD | |
CN111862260A (zh) | 基于跨域对偶生成式对抗网络的偏见消除方法与装置 | |
CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
CN117113139A (zh) | 故障检测模型的训练方法、装置、计算机设备和存储介质 | |
CN118013289A (zh) | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 | |
CN114496068A (zh) | 蛋白质二级结构预测方法、装置、设备及存储介质 | |
WO2022087778A1 (zh) | 一种基于多层耦合映射的低分辨率图像识别方法 | |
CN114581261A (zh) | 基于快速图计算的故障诊断方法、系统、设备及存储介质 | |
CN112287995A (zh) | 一种基于多层耦合映射的低分辨率图像识别方法 | |
Li et al. | MeshFormer: High‐resolution Mesh Segmentation with Graph Transformer | |
Qiang et al. | Large-scale multi-label image retrieval using residual network with hash layer | |
CN111143761A (zh) | 一种基于离散制造设备过程数据的矩阵补全方法 | |
CN114385831B (zh) | 一种基于特征提取的知识图谱关系预测方法 | |
CN117710100B (zh) | 基于区块链的数据分析方法及计算服务器 | |
CN116150462A (zh) | 针对目标对象的向量构建方法、装置和计算机设备 | |
Bajaj et al. | Expert-prescribed weighting for support vector machine classification | |
CN114970752A (zh) | 一种对时间序列进行异常检测的方法、系统、设备及介质 | |
CN118228100A (zh) | 基于对比学习的塔机小样本损伤诊断方法及系统 | |
CN115309281A (zh) | 用于确定位置的方法和系统及计算机可读存储介质 | |
CN116186528A (zh) | 一种基于无监督特征选择的入侵检测方法及系统 |
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 |