CN109947086B - 基于对抗学习的机械故障迁移诊断方法及*** - Google Patents
基于对抗学习的机械故障迁移诊断方法及*** Download PDFInfo
- Publication number
- CN109947086B CN109947086B CN201910289486.8A CN201910289486A CN109947086B CN 109947086 B CN109947086 B CN 109947086B CN 201910289486 A CN201910289486 A CN 201910289486A CN 109947086 B CN109947086 B CN 109947086B
- Authority
- CN
- China
- Prior art keywords
- training
- domain
- data set
- model
- migration
- 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
Images
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于对抗学习的机械故障迁移诊断方法及***,其中,该方法包括:获取不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集和目标域测试数据集;根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型生成故障诊断模型;根据不带标签的源域训练数据集和目标域测试数据集对故障诊断模型进行训练;根据带标签的源域训练数据集和反向传播算法对训练后的故障诊断模型进行微调;将不带标签的目标域测试数据集输入微调后的故障诊断模型,输出待测试样本的故障类别。该方法通过对抗学习方法获得域不变特征,实现不同域之前的迁移,实现了对变工况机械故障的智能诊断。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,特别涉及一种基于对抗学习的机械故障迁移诊断方法及***。
背景技术
随着工业技术的逐步发展,对工业设备的需求不断上升,现如今的工业***集成化规模越来越大,单个设备结构也越来越复杂,同一***中不同设备之间的耦合程度也越来越高,这些因素一方面为机械设备实现复杂行为奠定坚实基础,但同时也导致整个***发生故障的几率大大增加。
现存工业***通常长期连续稳定运行,故障出现频繁低,但一旦发生故障,故障劣化速度快,故障导致威胁大,若不及时控制将会导致机毁人亡的严重事故。因此保证工业***长周期稳定运行、避免严重事故的发生具有重要的社会意义,并能够带来巨大的经济效益和社会效益。
为了保障工业***的安全性同时推动智能制造的发展,越来越多的工业复杂***利用工业物联网平台去建立设备运行状态监测***,这使得工业***采集与存储海量的工业设备运行数据,为基于数据驱动的故障诊断方法提供充足的数据源。但是机遇往往伴随着挑战,由于工业***具备环境高度复杂性、信息不完备性等特点,使得基于数据驱动的故障诊断技术在真正应用时遇到巨大的挑战。对于基于数据驱动的故障诊断技术来说,主要面临的问题来自于数据本身,由于工业设备的特点,导致了设备的故障样本收集难度大,现存的实际故障数据种类不足且样本少,这将导致数据的“不完备”性,迁移学习方法是解决这一问题的关键技术。
基于数据驱动的深度学习模型对于样本的依赖性强,需要丰富且大量的样本数据才能训练获得满足实际需要的模型。深度模型的良好效果需要同时满足两个条件:1)有充足的训练样本;2)训练数据与目标应用数据的分布应该尽可能的相似。但是在实际的故障诊断任务中,这两个条件往往难以同时满足,例如,工业***通常需要根据实际需求进行功率负荷的调整,而负荷的变化将使得采集***获得的数据空间分布发生变化,当使用低负荷条件下收集数据训练得到的模型应用于诊断高负荷条件下的数据时,模型的性能将受到大大的影响。然而,在目标应用测试条件下再次收集数据将消耗巨大的费用,很多时候更是不可能实现。由此,根据源域训练数据和目标应用测试数据对已经训练好的诊断模型进行迁移是解决这一难题的重要手段。
目前,迁移故障诊断问题尚属初步阶段,还有非常多的技术难点需要深入研究进行突破。本文提出的一种针对变工况下基于对抗学习的机械故障迁移诊断方法就是解决这一技术难题的一种有效技术方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于对抗学习的机械故障迁移诊断方法,该方法通过对抗学习方法获得域不变特征,从而实现不同域之前的迁移,实现了对变工况机械故障的智能诊断。
本发明的另一个目的在于提出一种基于对抗学习的机械故障迁移诊断***。
为达到上述目的,本发明一方面实施例提出了一种基于对抗学习的机械故障迁移诊断方法,包括:S1,获取待测试样本在不同工况下机械故障的原始信号,对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集;
S2,根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型;
S3,根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练;
S4,根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调;
S5,将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型,输出所述待测试样本的故障类别。
本发明实施例的基于对抗学习的机械故障迁移诊断方法,通过获取在不同工况下机械故障的原始信号,生成带标签的源域训练数据与不带标签的目标域测试数据;利用带标签的源域训练数据,使用反向传播算法优化作为基础诊断模型的卷积神经网络;利用不带标签的源域训练数据与目标域测试数据,通过 Wasserstein距离引导的对抗学习方法获得域不变特征,实现跨域的迁移;利用带标签的源域训练数据,使用反向传播算法对迁移模型进行微调,避免过迁移问题;将待测试的无标签目标域数据输入迁移后的模型,得到故障分类结果。
另外,根据本发明上述实施例的基于对抗学习的机械故障迁移诊断方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述S2进一步包括:
进一步地,在本发明的一个实施例中,所述S3进一步包括:
利用所述不带标签的源域数据与所述不带标签的目标域数据,基于所述对抗学习的迁移方法对步骤S2生成的所述故障诊断模型进行迁移,采用所述 Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
进一步地,在本发明的一个实施例中,所述步骤S3和步骤S4具体包括:
步骤2,使用所述反向传播算法优化域评价网络Dj和全连接层Fcj:
步骤4,使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C;
步骤5,当域评价网络Dj输出的Wesserstein距离小于预设阈值Threw时,则停止训练,保持所获得的参数,完成所述故障诊断模型的迁移训练与微调;否则返回步骤1,重新执行步骤1~5。
进一步地,在本发明的一个实施例中,所述步骤S3还包括:
迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征学习过程,当源域训练数据与目标域训练数据之间的分布无偏差时,则再获得域不变的特征映射。
为达到上述目的,本发明另一方面实施例提出了一种基于对抗学习的机械故障迁移诊断***,包括:数据生成模块,用于获取待测试样本的不同工况下机械故障的原始信号,对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集;
模型生成模块,用于根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型;
模型训练模块,用于根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练;
模型微调模块,用于根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调;
诊断模块,用于将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型,输出所述待测试样本的故障类别。
本发明实施例的基于对抗学习的机械故障迁移诊断***,通过获取在不同工况下机械故障的原始信号,生成带标签的源域训练数据与不带标签的目标域测试数据;利用带标签的源域训练数据,使用反向传播算法优化作为基础诊断模型的卷积神经网络;利用不带标签的源域训练数据与目标域测试数据,通过 Wasserstein距离引导的对抗学习方法获得域不变特征,实现跨域的迁移;利用带标签的源域训练数据,使用反向传播算法对迁移模型进行微调,避免过迁移问题;将待测试的无标签目标域数据输入迁移后的模型,得到故障分类结果。
另外,根据本发明上述实施例的基于对抗学习的机械故障迁移诊断***还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述模型生成模块,包括:数据分配单元、优化单元和确定单元;
进一步地,在本发明的一个实施例中,所述模型训练模块还用于,
利用所述不带标签的源域数据与所述不带标签的目标域数据,基于所述对抗学习的迁移方法对生成的所述故障诊断模型进行迁移,采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
进一步地,在本发明的一个实施例中,所述模型训练模块和所述模型微调模块还用于,
当域评价网络Dj输出的Wesserstein距离小于预设阈值Threw时,则停止训练,保持所获得的参数,完成所述故障诊断模型的迁移训练与微调。
进一步地,在本发明的一个实施例中,所述模型训练模块,还用于,
迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征学习过程,当源域训练数据与目标域训练数据之间的分布无偏差时,则再获得域不变的特征映射。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断方法流程图;
图2为根据本发明一个具体实施例的基于对抗学习的机械故障迁移诊断方法流程图;
图3为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断模型的总体方案示意图;
图4为根据本发明一个实施例的D→B迁移任务中对源域训练数据的基础模型特征可视化示意图;
图5为根据本发明一个实施例的D→B迁移任务中对目标域测试数据的基础模型特征可视化示意图;
图6为根据本发明一个实施例的D→B迁移任务中对源域训练数据的迁移模型特征可视化示意图;
图7为根据本发明一个实施例的D→B迁移任务中对目标域测试数据的迁移模型特征可视化示意图;
图8为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断***结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法及***。
首先将参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法。
图1为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断方法流程图。
如图1所示,该基于对抗学习的机械故障迁移诊断方法包括以下步骤:
在步骤S1中,获取待测试样本在不同工况下机械故障的原始信号,对不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集。
具体地,获取在不同工况下机械故障的原始信号,整理并生成第1种工况下带标签的源域训练数据集和第2种工况不带标签的待测试目标域数据集其中和分别是数据集Xs和Xt的第i和第j 个样本,每个样本中有n个数据点,ms和mt分别是两个数据集的样本总数,是数据集Xs的第i个样本的故障类别标签。
在步骤S2中,根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型。
可以理解的是,卷积神经网络是使用卷积计算方法替代通用矩阵计算的一种神经网络。典型的卷积计算是针对图像分类来说的,二维卷积定义为:
针对机械故障的迁移故障诊断问题,处理的均是1维振动信号,因此,本发明实施例使用一维卷积神经网络。通过公式(1)容易看出,当m等于1时,二维卷积转变为一维卷积。一维卷积计算公式如下:
对于本方发明实施例故障分类问题来说,需要在连续的卷积层之后加入全连接层输出分类结果,全连接层的公式定义如下:
yl=φ(Wlyl-1+bl) (3)
其中,Wl是两层全连接层直接的权重参数,yl-1是上层的特征映射,bl是当前层的偏差。
使用反向传播方法对故障分类的卷积神经网络进行训练,分类网络包括用于提取数据集的多层故障特征的卷积特征映射网络单元M(其参数为θM)和用于建立故障特征与样本标记之间映射的全连接分类网络单元C(其参数为θc),模型的损失定义为SoftMax函数预测概率分布和源域数据标签的One-hot编码之间的交叉熵:
进一步地,在本发明的一个实施例中,步骤S2具体包括:
在步骤S3中,根据不带标签的源域训练数据集、不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对故障诊断模型进行迁移训练。
进一步地,利用不带标签的源域数据与目标域数据,基于对抗学习的迁移方法对上步获得的基础诊断模型进行迁移,采用Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
在步骤S4中,根据带标签的源域训练数据集和反向传播算法对迁移训练后的故障诊断模型进行微调。
可以理解的是,Wasserstein距离是一种分布度量方法。Wasserstein度量是一种在Polish度量空间(M,ρ)上测量数据分布间距离的度量方式。对于两个不同概率分布P和Q的测量,Wasserstein距离公式定义如下:
其中,ρ(x,y)是距离函数,x和y自样本集M,∏(P,Q)是M×M集中P 和Q的所有边缘概率。在本发明的实施例中,使用1阶Wasserstein距离函数来指导对抗网络训练过程。在满足Kantorovich-Rubinstein二元性下,1阶Wasserstein 距离函数公式如下所示:
其中,上界覆盖了所有1-Lipschitz函数f:x→R。
Wasserstein距离指导对抗训练策越,本发明实施例使用的对抗网络的目标函数定义如下:
λ是惩罚系数。
提出的迁移故障诊断模型中,使用深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征的学习过程。当源域与目标域之间的分布无偏差时,就将获得域不变的特征映射。同时,域评价器是用来估计源域与目标域特征分布的Wasserstein距离。源域特征分布和目标域特征分布的Wasserstein距离通过最大化域评价网络D的损失函数Lwd来估计,其中fs=F(xs)和ft=F(xt)。损失函数定义如下:
通过对抗训练策略学习获得域不变特征。在迁移训练过程中主要由两部分组成,首先,训练域评价器网络去最大化两个域的Wasserstein距离,然后,固定域评价器网络的参数,通过调整深度模型中的特征映射来减少Wasserstein距离。域不变特征的学习策略公式表达如下:
其中,λ是惩罚系数。
针对基础诊断模型卷积神经网络在源域与目标域之前通过迁移全连接分类网络单元C来获取域不变特征,Fcj(其参数)是全连接网络中第j个全连接层,使用多个域评价网络Dj(其参数)去估计源域与目标域之间的Wasserstein 距离。由此,对抗训练策略的损失函数定义为:
提出的对迁移模型的微调,在域不变特征对抗迭代训练过程中,在每一次对抗网络优化调整后,利用源域训练数据集,通过公式(5)和公式(6)的反向传播算法调整卷积神经网络中的卷积特征映射网络单元M与全连接分类网络单元 C,从而对迁移模型进行微调。
进一步地,在本发明的一个实施例中,步骤S3和步骤S4具体包括:
步骤4,使用反向传播算法优化卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元按照如下公式更新卷积神经网络:
步骤5,当域评价网络Dj输出的Wesserstein距离小于预设阈值Threw时,则停止训练,保持所获得的参数,完成故障诊断模型的迁移训练与微调;否则返回步骤1,重新执行步骤1~5。
在步骤S5中,将不带标签的目标域测试数据集输入微调后的故障诊断模型,输出待测试样本的故障类别。
下面结合附图和具体实施例对本发明的基于对抗学习的机械故障迁移诊断方法进行详细说明。
一种针对变工况下基于对抗学习的机械故障迁移诊断模型总体方案如图2 所示。使用深度卷积神经网络作为基本诊断模型,其中,包括多个卷积层、全连接层以及最后的Softmax输出层,利用源域训练数据集Xs计算模型预测输出与数据标签的交叉熵,通过反向传播算法优化基础诊断模型,通过迭代训练使其达到对源域训练数据能够准确分类的目标。在基础模型的基础上,使用对抗训练策略分别在深度模型中各层特征中学习域不变特征,利用域评价网络来评价源域与目标域特征分布的Wasserstein距离,通过迭代训练逐步缩减跨域的分布距离。目的是在能够对源域训练数据准确分类的基础上,通过对抗学习策略,调整并学习目标域测试数据的特征分布,使其靠近源域数据的特征分布,来解决故障诊断实际应用中由于数据不完备导致的迁移问题。由此,在每一代的对抗训练缩减不同域的Wasserstein距离后,增加使用带标签源域数据对迁移模型进行微调,保证其对源域数据的适用性,避免过迁移问题。
以某4种不同工况下的滚动轴承故障诊断任务为例,对基于对抗网络的机械故障迁移诊断方法进行校验。在4种不同驱动电机负荷条件下,通过振动传感器采集轴承的振动信号,采样频率设定为12kHz。故障数据库中包括内圈缺陷、外圈缺陷和滚动体缺陷3种故障,每个故障制作3种故障尺寸,在加上正常状态一共10种类别,每种类别500个样本数据,具体如表1所示,表1为不同工况下轴承故障数据集描述。
表1
根据本发明实施例提出的构架,针对轴承故障诊断问题,如图3所示,使用卷积神经网络构建基础诊断模型,卷积神经网络的构架与详细信息如表2所示,表2为卷积神经网络模型详细信息。使用域评价网络去估计各层跨域分布之间的 Wasserstein距离,域评价网络构架域详细信息如表3所示,表3为域评价网络详细信息。
表2
表3
基础诊断的卷积神经网络训练步骤:
步骤3:使用反向传播算法优化卷积神经网络中的卷积特征映射网络单元M 与全连接分类网络单元C,按照如下公式更新卷积神经网络:
迁移模型的对抗训练与微调步骤:
步骤2:使用反向传播算法优化域评价网络Dj和全连接层Fcj,按照如下公式更新网络:
步骤4:使用反向传播算法优化的卷积特征映射网络单元M与全连接分类网络单元C,按照如下公式更新卷积神经网络:
步骤5:当域评价网络输出的Wesserstein距离小于设定阈值Threw时,停止训练保持所获得的参数,完成迁移模型的训练与微调;否则返回步骤1,重新执行步骤1~5。
在训练过程中的超参数设置为:学习率α=0.0001,mini-batch大小为m=64,惩罚系数λ=10,基础诊断模型测试准确率阈值Threc=99%,Wasserstein距离阈值Threw=0.0001。
设计4个种类不同工况数据集之间进行相互迁移来验证本实施例的方法。例如A→B,将数据集A作为源域训练数据集,数据集B作为目标域测试数据集。对比计算结果如表4所示,表4为基础模型与迁移模型在不同迁移任务上的诊断准确率。结果显示本发明实施例的迁移方法能够大大提升基础模型对目标域测试数据的诊断准确率。
A→B | A→C | A→D | B→A | B→C | B→D | |
基础模型 | 87.93% | 89.00% | 80.73% | 97.47% | 99.40% | 89.00% |
迁移模型 | 99.73% | 99.67% | 100.00% | 99.13% | 100.00% | 99.93% |
C→A | C→B | C→D | D→A | D→B | D→C | |
基础模型 | 97.00% | 97.20% | 89.53% | 90.20% | 75.53% | 79.26% |
迁移模型 | 98.53% | 99.80% | 100.00% | 98.07% | 98.27% | 99.53% |
图4~7为使用s-TNE技术对D→B迁移任务中诊断模型域不变特征进行可视化的结果图。图4和图5分别为基础模型对源域训练数据和目标域测试数据的特征可视化结果,图6和图7分别为迁移模型对源域训练数据和目标测试数据的可视化结果。通过结果可以明显看出,目标测试数据与源域训练数据的基础诊断模型特征分布差距显著,尤其以类别7,8,9最为突出,特征分布空间距离非常大,显然基础模型对目标域测试数据难以准确分类识别。而通过本发明实施例的方法进行迁移后,所有类别在特征空间中的分布距离基本一致,这样使得迁移后的模型能够对源域训练数据与目标域测试数据均能够准确地分类诊断。
根据本发明实施例提出的基于对抗学习的机械故障迁移诊断方法,通过获取在不同工况下机械故障的原始信号,生成带标签的源域训练数据与不带标签的目标域测试数据;利用带标签的源域训练数据,使用反向传播算法优化作为基础诊断模型的卷积神经网络;利用不带标签的源域训练数据与目标域测试数据,通过 Wasserstein距离引导的对抗学习方法获得域不变特征,实现跨域的迁移;利用带标签的源域训练数据,使用反向传播算法对迁移模型进行微调,避免过迁移问题;将待测试的无标签目标域数据输入迁移后的模型,得到故障分类结果。
其次参照附图描述根据本发明实施例提出的基于对抗学习的机械故障迁移诊断***。
图8为根据本发明一个实施例的基于对抗学习的机械故障迁移诊断***结构示意图。
如图8所示,该基于对抗学习的机械故障迁移诊断***包括:数据生成模块 100、模型生成模块200、模型训练模块300、模型微调模块400和诊断模块500。
其中,数据生成模块100用于获取待测试样本的不同工况下机械故障的原始信号,对不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集。
模型生成模块200用于根据带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型。
模型训练模块300用于根据不带标签的源域训练数据集、不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对故障诊断模型进行迁移训练。
模型微调模块400用于根据带标签的源域训练数据集和反向传播算法对迁移训练后的故障诊断模型进行微调。
诊断模块500用于将不带标签的目标域测试数据集输入微调后的故障诊断模型,输出待测试样本的故障类别。
该基于对抗学习的机械故障迁移诊断***10通过对抗学习方法获得域不变特征,从而实现不同域之前的迁移,实现了对变工况机械故障的智能诊断。
进一步地,在本发明的一个实施例中,模型生成模块,包括:数据分配单元、优化单元和确定单元;
进一步地,在本发明的一个实施例中,模型训练模块还用于,
利用不带标签的源域数据与不带标签的目标域数据,基于对抗学习的迁移方法对生成的故障诊断模型进行迁移,采用Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
进一步地,在本发明的一个实施例中,模型训练模块和模型微调模块还用于,
当域评价网络Dj输出的Wesserstein距离小于预设阈值Threw时,则停止训练,保持所获得的参数,完成故障诊断模型的迁移训练与微调。
进一步地,在本发明的一个实施例中,模型训练模块,还用于,
迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征学习过程,当源域训练数据与目标域训练数据之间的分布无偏差时,则再获得域不变的特征映射。
需要说明的是,前述对基于对抗学习的机械故障迁移诊断方法实施例的解释说明也适用于该实施例的***,此处不再赘述。
根据本发明实施例提出的基于对抗学习的机械故障迁移诊断***,通过获取在不同工况下机械故障的原始信号,生成带标签的源域训练数据与不带标签的目标域测试数据;利用带标签的源域训练数据,使用反向传播算法优化作为基础诊断模型的卷积神经网络;利用不带标签的源域训练数据与目标域测试数据,通过Wasserstein距离引导的对抗学习方法获得域不变特征,实现跨域的迁移;利用带标签的源域训练数据,使用反向传播算法对迁移模型进行微调,避免过迁移问题;将待测试的无标签目标域数据输入迁移后的模型,得到故障分类结果。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于对抗学习的机械故障迁移诊断方法,其特征在于,包括以下步骤:
S1,获取待测试样本在不同工况下机械故障的原始信号,对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集;
S2,根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型;
S3,根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练;
S4,根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调;
S5,将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型,输出所述待测试样本的故障类别。
3.根据权利要求1所述的方法,其特征在于,所述S3进一步包括:
利用所述不带标签的源域训练数据集与所述不带标签的目标域测试数据集,基于所述对抗学习的迁移方法对步骤S2生成的所述故障诊断模型进行迁移,采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3和步骤S4具体包括:
步骤2,使用所述反向传播算法优化域评价网络Dj和全连接层Fcj:
步骤4,使用所述反向传播算法优化所述卷积神经网络模型中的卷积特征映射网络单元M与全连接分类网络单元C;
步骤5,当域评价网络Dj输出的Wesserstein距离小于预设阈值Threw时,则停止训练,保持所获得的参数,完成所述故障诊断模型的迁移训练与微调;否则返回步骤1,重新执行步骤1~5。
5.根据权利要求1所述的方法,其特征在于,所述步骤S3还包括:
迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征学习过程,当源域训练数据与目标域训练数据之间的分布无偏差时,则再获得域不变的特征映射。
6.一种基于对抗学习的机械故障迁移诊断***,其特征在于,包括:
数据生成模块,用于获取待测试样本的不同工况下机械故障的原始信号,对所述不同工况下机械故障的原始信号进行分析生成不同工况下带标签的源域训练数据集、不带标签的源域训练数据集、不带标签的目标域测试数据集;
模型生成模块,用于根据所述带标签的源域训练数据集和反向传播算法训练深度卷积神经网络模型,生成故障诊断模型;
模型训练模块,用于根据所述不带标签的源域训练数据集、所述不带标签的目标域测试数据集、对抗学习的迁移方法及Wasserstein距离导引的对抗网络对所述故障诊断模型进行迁移训练;
模型微调模块,用于根据所述带标签的源域训练数据集和反向传播算法对迁移训练后的所述故障诊断模型进行微调;
诊断模块,用于将所述不带标签的目标域测试数据集输入微调后的所述故障诊断模型,输出所述待测试样本的故障类别。
8.根据权利要求6所述的***,其特征在于,所述模型训练模块还用于,
利用所述不带标签的源域训练数据集与所述不带标签的目标域测试数据集,基于所述对抗学习的迁移方法对生成的所述故障诊断模型进行迁移,采用所述Wasserstein距离导引的对抗网络来探索复杂特征空间,通过对抗训练策略缩小不同域数据特征之间的分布差异来获取域不变特征,最终实现跨域的迁移。
10.根据权利要求6所述的***,其特征在于,所述模型训练模块,还用于,
迁移训练后的所述故障诊断模型通过所述深度卷积神经网络来实现特征的映射,域评价网络来指导域不变特征学习过程,当源域训练数据与目标域训练数据之间的分布无偏差时,则再获得域不变的特征映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289486.8A CN109947086B (zh) | 2019-04-11 | 2019-04-11 | 基于对抗学习的机械故障迁移诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289486.8A CN109947086B (zh) | 2019-04-11 | 2019-04-11 | 基于对抗学习的机械故障迁移诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109947086A CN109947086A (zh) | 2019-06-28 |
CN109947086B true CN109947086B (zh) | 2020-07-28 |
Family
ID=67014823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289486.8A Active CN109947086B (zh) | 2019-04-11 | 2019-04-11 | 基于对抗学习的机械故障迁移诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109947086B (zh) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414383A (zh) * | 2019-07-11 | 2019-11-05 | 华中科技大学 | 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用 |
CN110567720B (zh) * | 2019-08-07 | 2020-12-18 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
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 |
CN110738107A (zh) * | 2019-09-06 | 2020-01-31 | 上海衡道医学病理诊断中心有限公司 | 一种具备模型迁移功能的显微图像识别分割方法 |
CN110907176B (zh) * | 2019-09-30 | 2021-02-02 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
CN110751207B (zh) * | 2019-10-18 | 2022-08-05 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
CN110728377B (zh) * | 2019-10-21 | 2020-06-09 | 山东大学 | 一种面向机电设备的智能故障诊断方法及*** |
CN110796199B (zh) * | 2019-10-30 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及电子医疗设备 |
CN110866365B (zh) * | 2019-11-22 | 2021-06-01 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN111158964B (zh) * | 2019-11-26 | 2021-06-08 | 北京邮电大学 | 一种磁盘故障预测方法、***、装置及存储介质 |
CN111027678B (zh) * | 2019-12-04 | 2023-08-04 | 湃方科技(北京)有限责任公司 | 一种数据迁移方法及装置 |
CN111046581B (zh) * | 2019-12-27 | 2022-10-04 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及*** |
CN111060318B (zh) * | 2020-01-09 | 2021-12-28 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN111442926B (zh) * | 2020-01-11 | 2021-09-21 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
CN111314113B (zh) * | 2020-01-19 | 2023-04-07 | 赣江新区智慧物联研究院有限公司 | 物联网节点故障检测方法、装置、存储介质及计算机设备 |
CN111444780A (zh) * | 2020-03-06 | 2020-07-24 | 同济大学 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
CN111444952B (zh) * | 2020-03-24 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 样本识别模型的生成方法、装置、计算机设备和存储介质 |
JP6865901B1 (ja) * | 2020-03-30 | 2021-04-28 | 三菱電機株式会社 | 診断システム、診断方法及びプログラム |
CN111428803A (zh) * | 2020-03-31 | 2020-07-17 | 山东大学 | 一种基于Wasserstein距离的深度域适应图像分类方法 |
CN111612035A (zh) * | 2020-04-18 | 2020-09-01 | 华为技术有限公司 | 训练迁移模型的方法、故障检测的方法以及装置 |
CN111614215B (zh) * | 2020-05-11 | 2021-11-12 | 东南大学 | 一种基于生成对抗网络的电动汽车用驱动电机设计方法 |
CN111598161A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种基于cnn迁移学习的发动机气路状态诊断*** |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
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 |
CN111898634B (zh) * | 2020-06-22 | 2022-08-16 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
CN111814396B (zh) * | 2020-07-02 | 2024-02-20 | 重庆大学 | 一种基于迁移学习的离心风机故障预警方法 |
CN111949459B (zh) * | 2020-08-10 | 2022-02-01 | 南京航空航天大学 | 一种基于迁移学习和主动学习的硬盘故障预测方法及*** |
CN111949796B (zh) * | 2020-08-24 | 2023-10-20 | 云知声智能科技股份有限公司 | 一种资源受限语种语音合成前端文本分析方法及*** |
CN111998936B (zh) * | 2020-08-25 | 2022-04-15 | 四川长虹电器股份有限公司 | 一种基于迁移学习的设备异音检测方法及*** |
CN112161784B (zh) * | 2020-09-07 | 2022-01-18 | 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 |
CN112149726B (zh) * | 2020-09-21 | 2024-02-09 | 浙江工业大学 | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 |
CN112149350B (zh) * | 2020-09-21 | 2024-04-26 | 浙江工业大学 | 解决热泵***故障诊断中数据依赖问题的模型迁移方法 |
CN112329329B (zh) * | 2020-09-22 | 2024-02-20 | 东北大学 | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 |
CN112257851A (zh) * | 2020-10-29 | 2021-01-22 | 重庆紫光华山智安科技有限公司 | 一种模型对抗训练方法、介质及终端 |
CN112330063B (zh) * | 2020-11-25 | 2024-03-26 | 新奥新智科技有限公司 | 设备故障预测方法、装置以及计算机可读存储介质 |
CN112668633B (zh) * | 2020-12-25 | 2022-10-14 | 浙江大学 | 一种基于细粒度领域自适应的图迁移学习方法 |
CN112629863B (zh) * | 2020-12-31 | 2022-03-01 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN112733943B (zh) * | 2021-01-13 | 2024-03-22 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
CN113569887B (zh) * | 2021-01-18 | 2022-10-11 | 腾讯医疗健康(深圳)有限公司 | 图片识别模型训练和图片识别方法、装置和存储介质 |
CN112836896A (zh) * | 2021-03-03 | 2021-05-25 | 西门子工厂自动化工程有限公司 | 用于维护设备的方法和用于维护设备的*** |
CN113076920B (zh) * | 2021-04-20 | 2022-06-03 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
CN113204280B (zh) * | 2021-05-08 | 2023-09-26 | 山东英信计算机技术有限公司 | 一种诊断电源故障的方法、***、设备及介质 |
CN113392881B (zh) * | 2021-05-27 | 2023-04-18 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113538353B (zh) * | 2021-07-05 | 2023-09-01 | 华北电力大学(保定) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
CN114136622B (zh) * | 2021-08-10 | 2023-04-18 | 南京航空航天大学 | 一种基于dbn-dtl的航空发动机气路故障诊断方法 |
CN114021610B (zh) * | 2021-09-10 | 2023-04-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于迁移学习的风机故障识别模型训练方法及*** |
CN114065945A (zh) * | 2021-10-29 | 2022-02-18 | 宜宾电子科技大学研究院 | 基于djtn迁移学习的智能故障诊断方法 |
CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114167837B (zh) * | 2021-12-02 | 2023-09-15 | 中国路桥工程有限责任公司 | 一种铁路信号***的智能故障诊断方法及*** |
CN114305446A (zh) * | 2021-12-25 | 2022-04-12 | 肇庆星网医疗科技有限公司 | 一种基于人工智能的心房颤动检测方法及*** |
CN114239859B (zh) * | 2022-02-25 | 2022-07-08 | 杭州海康威视数字技术股份有限公司 | 基于迁移学习的用电量数据预测方法、装置及存储介质 |
CN115562029B (zh) * | 2022-10-17 | 2023-06-16 | 杭州天然气有限公司 | 一种天然气透平膨胀发电机组的智能控制方法及其*** |
CN116009480B (zh) * | 2023-03-24 | 2023-06-09 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
CN116992953B (zh) * | 2023-09-27 | 2024-04-19 | 苏州捷杰传感技术有限公司 | 一种模型训练方法、故障诊断方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205615A (ja) * | 2008-02-29 | 2009-09-10 | Internatl Business Mach Corp <Ibm> | 変化分析システム、方法及びプログラム |
CN105628383A (zh) * | 2016-02-01 | 2016-06-01 | 东南大学 | 基于改进型lssvm迁移学习的轴承故障诊断方法和*** |
CN108009633A (zh) * | 2017-12-15 | 2018-05-08 | 清华大学 | 一种面向跨领域智能分析的多网络对抗学习方法和*** |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109165695A (zh) * | 2018-09-17 | 2019-01-08 | 重庆交通大学 | 基于故障树和迁移学习的堆垛机故障诊断方法 |
-
2019
- 2019-04-11 CN CN201910289486.8A patent/CN109947086B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205615A (ja) * | 2008-02-29 | 2009-09-10 | Internatl Business Mach Corp <Ibm> | 変化分析システム、方法及びプログラム |
CN105628383A (zh) * | 2016-02-01 | 2016-06-01 | 东南大学 | 基于改进型lssvm迁移学习的轴承故障诊断方法和*** |
CN108009633A (zh) * | 2017-12-15 | 2018-05-08 | 清华大学 | 一种面向跨领域智能分析的多网络对抗学习方法和*** |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109165695A (zh) * | 2018-09-17 | 2019-01-08 | 重庆交通大学 | 基于故障树和迁移学习的堆垛机故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109947086A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及*** | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
Chen et al. | Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery | |
CN102208028A (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN112633339A (zh) | 轴承故障智能诊断方法、诊断***、计算机设备及介质 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN103630244A (zh) | 电力***设备故障诊断方法及*** | |
Parisi et al. | Automated location of steel truss bridge damage using machine learning and raw strain sensor data | |
US11954923B2 (en) | Method for rating a state of a three-dimensional test object, and corresponding rating system | |
Moradi et al. | Intelligent health indicator construction for prognostics of composite structures utilizing a semi-supervised deep neural network and SHM data | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
Zhao et al. | Fault diagnosis framework of rolling bearing using adaptive sparse contrative auto-encoder with optimized unsupervised extreme learning machine | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、***、计算机及存储介质 | |
Qi et al. | Application of EMD combined with deep learning and knowledge graph in bearing fault | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
Zhao | A method of power supply health state estimation based on grey clustering and fuzzy comprehensive evaluation | |
Du et al. | RUL prediction based on GAM–CNN for rotating machinery | |
Ovseenko et al. | The possibility of artificial neural network application in prototyping in instrument making industry | |
Martins et al. | Prediction maintenance based on vibration analysis and deep learning–A case study of a drying press supported on a hidden Markov model | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控***及监控方法 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
Esfahani et al. | Remaining useful life prognostics based on stochastic degradation modeling: turbofan engine as case study |
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 |