CN110188822A - 一种域对抗自适应一维卷积神经网络智能故障诊断方法 - Google Patents
一种域对抗自适应一维卷积神经网络智能故障诊断方法 Download PDFInfo
- Publication number
- CN110188822A CN110188822A CN201910464002.9A CN201910464002A CN110188822A CN 110188822 A CN110188822 A CN 110188822A CN 201910464002 A CN201910464002 A CN 201910464002A CN 110188822 A CN110188822 A CN 110188822A
- Authority
- CN
- China
- Prior art keywords
- domain
- indicate
- adaptive
- sample
- convolutional neural
- 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.)
- Granted
Links
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
- G06F18/214—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种域对抗自适应一维卷积神经网络智能故障诊断方法,包括构建阶段和学习阶段,所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数;所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测;本发明域对抗自适应一维卷积神经网络智能故障诊断方法,实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征,提高故障诊断***的诊断性能和鲁棒性。
Description
技术领域
本发明涉及的机械故障诊断技术领域,尤其涉及一种域对抗自适应一维卷积神经网络智能故障诊断方法。
背景技术
近年来,随着深度学习的发展,机械旋转零部件的智能故障诊断性能得到显著提高,传统的滚动轴承智能故障诊断一般假设在同一分布中提取标记训练数据和未标记测试数据,然而,在许多实际应用中,这种假设并不成立,比如工作环境发生变化(转速变化、负载变化等)、机器噪声等,使得故障诊断***存在较大的性能退化,进而严重影响故障诊断***的诊断性能和鲁棒性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有域对抗自适应一维卷积神经网络智能故障诊断方法存在如何解决故障诊断***的诊断性能和鲁棒性的问题,提出了本发明。
因此,本发明目的是提供一种域对抗自适应一维卷积神经网络智能故障诊断方法。
为解决上述技术问题,本发明提供如下技术方案:一种域对抗自适应一维卷积神经网络智能故障诊断方法,包括构建阶段和学习阶段,所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数;所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述构建阶段包括:
获取机械振动信号;
输入样本集;
构建域对抗故障诊断模型;
建立故障诊断的域对抗分类损失函数;
其中,机械振动信号区分为源域信号和目标域信号。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述样本集包括源域样本集Xs、源域标签集Ys和目标域样本集Xt。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述源域样本集Xs为:
其中,Ns表示标记的源域数据Ds中的样本数,s表示源域;
其中,所述标记的源域数据Ds为:
其表示每个源域样本,表示相应的类标签,i表示样本个数,Nt表示为目标域的样本个数。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述目标域样本集Xt为:
其中,Nt表示Dt中的样本数,Dt表示未标记的目标域数据,t表示目标域;
其中,所述未标记的目标域数据Dt的公式为:
其为每个目标域样本,i表示为样本个数。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述类标签的标签集为Ys,所述标签集Ys满足如下公式:
其中,Ns表示Ds中的样本数,Ds表示标记的源域数据,s表示源域,yi表示xi对应的标注的标签。
所述域对抗分类损失函数L为:
其中,表示标签分类损失,表示域分类损失,λ是控制损失项的超参数。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述标签分类损失为:
其θf表示特征提取器Ef的参数,Ef(xi;θf)表示特征提取器Ef的输出,θy表示标签分类器Ey的参数,Ef(xi;θf)表示特征提取器Ef的输出;
其中,所述Ly为负对数概率,如式(3)所示:
Ly(Ey(Ef(xi;θf);θy),yi)=-yilog(Ey(Ef(xi;θf);θy)) (3)。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述域分类损失为:
其θd表示域分类器Ed的参数,Ef(xi;θf)表示特征提取器Ef的输出,di表示域标签;
其中,Ld为域对抗损失,如式(5)所示:
Ld(Ed(Ef(xi;θf);θd),di)=-{dilog(Ed(Ef(xi;θf);θd)+(1-di)log(1-Ed(Ef(xi;θf);θd)} (5)。
作为本发明所述域对抗自适应一维卷积神经网络智能故障诊断方法的一种优选方案,其中:所述模型训练采用采用基于BP的随机梯度下降法(SGD) 来更新参数θf,θy,θd。
本发明的有益效果:本发明域对抗自适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、1DCNN+AdaBN的实验结果比较分析,解决故障了诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题,完善故障诊断***。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明域对抗自适应一维卷积神经网络智能故障诊断方法的构建阶段流程示意图。
图2为本发明域对抗自适应一维卷积神经网络智能故障诊断方法的模型框架示意图。
图3为本发明域对抗自适应一维卷积神经网络智能故障诊断方法的学习阶段流程示意图。
图4为本发明域对抗自适应一维卷积神经网络智能故障诊断方法的整个方法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
本发明第一个实施例,提供了一种域对抗自适应一维卷积神经网络智能故障诊断方法包括构建阶段和学习阶段,构建阶段获通过获取的机械振动信号构建域对抗分类损失函数;学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测。
具体的,本方法包括构建阶段和学习阶段,构建阶段获通过获取的机械振动信号构建域对抗分类损失函数;学习阶段对构建阶段获取的域对抗分类损失函数进行模型训练及模型预测,域对抗自适应一维卷积神经网络智能故障诊断方法,实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征,提高故障诊断***的诊断性能和鲁棒性。
进一步的,如图1所示,构建阶段包括:获取机械振动信号;输入样本集;构建域对抗故障诊断模型;建立故障诊断的域对抗分类损失函数;其中,机械振动信号区分为源域信号和目标域信号。
需说明的是,样本集包括源域样本集Xs、源域标签集Ys和目标域样本集 Xt,其源域样本集Xs为:
其Ns表示标记的源域数据Ds中的样本数,s表示源域;需说明的是,标记的源域数据Ds为:
其表示每个源域样本,表示相应的类标签,i表示样本个数,Nt表示为目标域的样本个数。
其中,目标域样本集Xt为:
其Nt表示Dt中的样本数,Dt表示未标记的目标域数据,需说明的是,未标记的目标域数据Dt的公式为:
其为每个目标域样本,可构成目标样本集Xt,i表示为样本个数。
而类标签的标签集为Ys,标签集Ys满足如下公式:
其中,Ns表示Ds中的样本数,Ds表示标记的源域数据,s表示源域。
需强调的是,每个数据样本还有一个域标签di∈{0,1},表示该样本是来自源域(di=0)或是目标域(di=1)。
实施例2
参照图2,为本发明的第二个实施例,该实施例不同于第一个实施例的是:本发明包括:CNN特征提取层、标签分类器、域分类器,共同构成一个映射每个输入样本的深度前馈体系结构,训练网络对参数进行优化,通过调整模型参数或输入特征来补偿不匹配,使标签预测损失和域对抗分类损失最小。具体的,域对抗分类损失函数L为:
其中,表示标签分类损失,表示域分类损失,λ是控制损失项的超参数。
进一步的,标签分类损失为:
其θf表示特征提取器Ef的参数,Ef(xi;θf)表示特征提取器Ef的输出,θy表示标签分类器Ey的参数,Ef(xi;θf)表示特征提取器Ef的输出,其中,其输入为特征提取器的输出Ef(;θf),输出样本所属的分类标签,用Ey(;θy)来表示,训练模型最终预测目标域的故障类别标签,因模型假定目标域是无标签的,故分类损失Ltas k只应用于源域,其最小化源域每个样本正类的负对数似然,如式子(6) 所示:
其中yi s是源域输入xi s的独热码类别标签,是模型的softmax预测;需强调的是,Ly为负对数概率,如式(3)所示:
Ly(Ey(Ef(xi;θf);θy),yi)=-yilog(Ey(Ef(xi;θf);θy)) (3)。
进一步的,域分类损失为:
其θd表示域分类器Ed的参数,Ef(xi;θf)表示特征提取器Ef的输出,域分类器Ed的输入为特征提取器的输出Ef(xi;θf),输出样本所属的域标签,用Ed(xi;θd)来表示,di表示域标签;需说明的是,Ld为域对抗损失,如式(5)所示:
Ld(Ed(Ef(xi;θf);θd),di)=-{dilog(Ed(Ef(xi;θf);θd)+(1-di)log(1-Ed(Ef(xi;θf);θd)} (5)。
实施例3
如图3所示,本发明的第三个实施例,该实施例不同于以上个实施例的是:模型训练的目标是更新参数{θf,θy,θd}来最小化式(1)的损失函数,通过调整模型参数或输入特征来补偿不匹配,其模型训练采用基于BP的随机梯度下降法 (SGD)来更新参数θf,θy,θd,无监督自适应的学习了源域样本的判别性特征和基于源域样本与目标域样本的域不变特征。具体的,首先训练特征提取器、标签分类器以及域分类,模型学到的特征表示具有领域不变的特性,要求域分类器不能正确进行领域分类,使得参数θf能够最大化域分类损失,以保证提取的特征是域不变特征,θy同时进行训练,之后训练域分类器的参数θd,要求域分类器能尽可能正确分类,即最小化域分类损失。
需说明的是,学习阶段包括模型训练和模型预测,其中模型训练:模型输入是有标签的源域样本{Xs,Ys}和无标签的目标域样本{Xt},模型训练的目标是最小化式(1)的损失函数L,其采用基于BP的随机梯度下降法(SGD)来更新参数θf,θy,θd,如式子(7-9)所示:
其中μ是学习率,训练过程直至式子(1)的值小于预设阈值或训练时间超过预设时间,式(7-9)和随机梯度下降更新的前馈深度模型相似,区别是式(7) 的括号中,类的梯度减去域的梯度,本发明通过引入一个特殊的梯度反转层 (GRL)可以实现这种缩减,在正向传播过程中,GRL作为一个恒等变换;但在反向传播中,GRL从后续级别获取梯度并(*-1)改部其符号,将他传递给前面的层,定义GRL位置在特征提取器Ef和域分类器Ed之间。
而模型预测为优化后的特征分类器Ef和标签分类器Ey构成了鲁棒的故障诊断自适应模型,输入目标域样本,输出预测故障诊断结果。
学习阶段参照如下所示:
输入:源域样本和目标域样本
卷积和大小、个数,池化层大小,激活函数等
超参数λ
学习率u
输出:模型参数{θf,θy,θd}
初始化,卷积核和权重随机初始化,偏置初始化为0
while不收敛do
for源域中的每批样本do
计算Ef(xi;θf) #前向传播
计算Ey(Ef(xi;θf);θy)
通过式(6)对θf求导,计算△θf #反向传播
通过式(6)对θy求导,计算△θy
#域适应
计算Ed(Ef(xi;θf);θd #源域样本
通过式(5)对θd求导,计算△θd
通过式(5)对θf求导,进一步更新△θf
#目标域样本
目标域中每批样本
计算Ef(xj;θf)
计算Ed(Ef(xj;θf);θd)
通过式(5)对θd求导,更新△θd
通过式(5)对θf求导,进一步更新△θf
#更新模型参数
θf←θf-u△θf
θy←θy-u△θy
θd←θd-u△θd
end for
end while
return{θf,θy,θd}。
实施例4
本发明的第三个实施例,该实施例不同于以上个实施例的是:本实施例所提出的域对抗自适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、 1DCNN+AdaBN进行对比实验。通过本发明的方法:域对抗自适应一维卷积神经网络智能故障诊断方法与JDA、1DCNN、1DCNN+AdaBN的实验结果比较分析,本发明解决故障了诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题,完善故障诊断***。需要说明的是:上述瑕疵检测的方法,仅以上述几类图像进行实验举例说明,实际应用中,可以根据需要而将上述方法运用于不同的地方进行实验分析。
具体的,本对比实验采用的主要评价指标是准确率(Accuracy)、精度(Precision)、召回率(Recall)和F值,其精度也称为查准率,召回率也成为查全率,其定义分别为:Accuracy=模型所有类别预测正确的样本数/样本总数,其中,精度和召回率采集公式如下:
其中,TP表示模型预测出某样本类别与手工标定的样本类别相同的部分, FP表示手工标定的某样本类别被误检的部分,FN表示手工标定的某样本类别被漏检的部分。
定义F值作为诊断情况分析的参考,F值的计算方法如下:
F值表示查全率与查准率的几何加权平均,α为权重,将α置为1,表示查准率与查全率一样重要,其中,当α>1时表示查准率比较重要,当α<1时表示查全率比较重要;
本实施例中将α置为1,F值越接近1代表检测效果越好,既使用该评价方法考虑了查全率和查准率,解决了非同量级数值相加时代数与数值较大的数接近的影响。
按本实施例所提出的域对抗自适应一维卷积神经网络智能故障诊断方法,在美国凯斯西储大学轴承数据集中进行实验,通过本发明的方法:域对抗自适应一维卷积神经网络智能故障诊断方法与联合适应网络(Joint Adaptation Network,JDA)、一维卷积神经网络(1-Dimensional Convolutional Neural Networks,1DCNN)、1DCNN+AdaBN(AdaptiveBatch Normalization)的实验结果比较分析,说明本发明在查全率、查准率和F1值上有较大提升,需要说明的是,上述故障诊断的方法,仅以上述基准数据集进行实验举例说明,实际应用中,可以根据需要而将上述方法运用于不同的场景进行实验分析。
本实施例中,实验使用的数据库采用美国凯斯西储大学轴承数据中心发布的滚动轴承故障测试数据库,电动机驱动端和风扇端的轴承座上各放置一个加速度传感器,试验装置包括一台发动机、一个扭矩传感器、一个功率测试计和电子控制器,试验采用的数据是通过在电机驱动端轴承座上方放置的加速度传感器采集得到,采样频率包括12KHz和48KHz两种,分别在4种不同的负荷 (0-3hp)下采集得到;轴承试验***模拟了轴承的正常状态(N)、外圈故障(OF)、内圈故障(IF)和滚动体故障(RF)4种故障类型,且每种故障类型都有3种故障程度,包含损伤直径7mils(记作故障程度1)、14mils(记作故障程度2)、21mils(记作故障程度3),于是得到10种健康状态,如表1所示。
本发明实验选用滚动轴承驱动端采样频率为48kHz的不同故障位置及不同健康状态振动信号进行试验研究,并定义了包含不同负载和不同转速的数据集,数据集的详细描述如表1所示,表1中数据集A由1马力、1772rpm转速下包含4种不同健康状态10个类别的2000个样本组成,数据B、C的组成与 A类似;每种健康状态包含200个样本,每一个样本包含2400个数据点;对每个样本进行快速傅里叶变换得到2400个傅里叶系数,因系数是对称的,每个样本选择前1200个系数作为预处理后的样本;数据集D由包含10种不同健康状态和三种不同负载的6000个数据样本组成。
表1轴承数据集参数描述
为了测试本发明的域适应性能,A->B表示数据集A为源域,数据集B为目标域,其余以此类推,故对于数据集A、B、C来说,共有6种域适应问题,将本发明提出的方法和JDA、1DCNN、1DCNN+AdaBN进行对比实验,最终所得的准确率的实验结果如表2所示。
表2诊断结果方法对比
方法 | A->B | A->C | B->C | B->A | C->A | C->B |
JDA | 0.7825 | 0.7795 | 0.9720 | 0.7775 | 0.7830 | 0.9735 |
1DCNN | 0.8935 | 0.853 | 0.991 | 0.8755 | 0.7875 | 0.986 |
1DCNN+AdaBN | 0.8945 | 0.8685 | 0.9915 | 0.8845 | 0.8090 | 0.9885 |
1DCNN+DANN | 0.9365 | 0.9325 | 0.9915 | 0.9410 | 0.9235 | 0.989 |
表4显示了各种方法的故障特征提取性能,我们的方法以0.01%-15.4%的比例显著优于所有以前的基线方法,可注意到,数据集B和数据集C无论哪个作为源域哪个作为目标域,几种方法的诊断结果都比较高,说明其所对应的两种环境,一种是功率2HP和转速1750rpm,另一种是功率3HP和转速1730rpm,这两种环境相似度较高,对测试振动信号的影响不太大,上述结果验证了本发明在处理故障分类问题时的有效性。
本发明在6种域适应问题中的精度、召回率和F1值如表3、表4、表5所示,可以看出本发明在精度、召回率和F1值方面较高。
表3所提方法在六种域适应问题的精度
表4所提方法在六个域适应问题的召回率
表5所提方法在六个域适应问题的F1值
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:包括构建阶段和学习阶段,
所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数;
所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测。
2.如权利要求1所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述构建阶段包括:
获取机械振动信号;
输入样本集;
构建域对抗故障诊断模型;
建立故障诊断的域对抗分类损失函数;
其中,机械振动信号区分为源域信号和目标域信号。
3.如权利要求2所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述样本集包括源域样本集Xs、源域标签集Ys和目标域样本集Xt。
4.如权利要求3所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述源域样本集Xs为:
其中,Ns表示标记的源域数据Ds中的样本数,s表示源域;
其中,所述标记的源域数据Ds为:
其表示每个源域样本,表示相应的类标签,i表示样本个数,Nt表示为目标域的样本个数。
5.如权利要求3或4所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述目标域样本集Xt为:
其中,Nt表示Dt中的样本数,Dt表示未标记的目标域数据,t表示目标域;
其中,所述未标记的目标域数据Dt的公式为:
其为每个目标域样本,i表示为样本个数,Nt表示为目标域的样本个数。
6.如权利要求5所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述类标签的标签集为Ys,所述标签集Ys满足如下公式:
其中,Ns表示Ds中的样本数,Ds表示标记的源域数据,s表示源域。
7.如权利要求6所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述域对抗分类损失函数L为:
其中,表示标签分类损失,表示域分类损失,λ是控制损失项的超参数。
8.如权利要求7所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述标签分类损失为:
其θf表示特征提取器Ef的参数,Ef(xi;θf)表示特征提取器Ef的输出,θy表示标签分类器Ey的参数,yi表示xi对应的标注的标签;
其中,所述Ly为负对数概率,如式(3)所示:
Ly(Ey(Ef(xi;θf);θy),yi)=-yilog(Ey(Ef(xi;θf);θy))(3)。
9.如权利要求7或8所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述域分类损失为:
其θd表示域分类器Ed的参数,Ef(xi;θf)表示特征提取器Ef的输出,di表示域标签,θf表示特征提取器Ef的参数;
其中,Ld为域对抗损失,如式(5)所示:
Ld(Ed(Ef(xi;θf);θd),di)=-{dilog(Ed(Ef(xi;θf);θd)+(1-di)log(1-Ed(Ef(xi;θf);θd)}(5)。
10.如权利要求1~4和5~8任一所述的域对抗自适应一维卷积神经网络智能故障诊断方法,其特征在于:所述模型训练采用采用基于BP的随机梯度下降法(SGD)来更新参数θf,θy,θd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464002.9A CN110188822B (zh) | 2019-05-30 | 2019-05-30 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464002.9A CN110188822B (zh) | 2019-05-30 | 2019-05-30 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188822A true CN110188822A (zh) | 2019-08-30 |
CN110188822B CN110188822B (zh) | 2023-07-25 |
Family
ID=67719023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464002.9A Active CN110188822B (zh) | 2019-05-30 | 2019-05-30 | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188822B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN111080155A (zh) * | 2019-12-24 | 2020-04-28 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 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 |
CN112541081A (zh) * | 2020-12-21 | 2021-03-23 | 中国人民解放军国防科技大学 | 一种基于领域自适应的可迁移谣言检测方法 |
CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
CN109271522A (zh) * | 2018-11-20 | 2019-01-25 | 深圳大学 | 基于深度混合模型迁移学习的评论情感分类方法及*** |
CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
-
2019
- 2019-05-30 CN CN201910464002.9A patent/CN110188822B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
CN109271522A (zh) * | 2018-11-20 | 2019-01-25 | 深圳大学 | 基于深度混合模型迁移学习的评论情感分类方法及*** |
CN109523018A (zh) * | 2019-01-08 | 2019-03-26 | 重庆邮电大学 | 一种基于深度迁移学习的图片分类方法 |
Non-Patent Citations (4)
Title |
---|
BO ZHANG等: "Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition", 《ARXIV数据库》 * |
BO ZHANG等: "Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition", 《ARXIV数据库》, 9 May 2018 (2018-05-09), pages 1 - 19 * |
YAROSLAV GANIN等: "Unsupervised Domain Adaptation by Backpropagation", 《ARXIV数据库》 * |
YAROSLAV GANIN等: "Unsupervised Domain Adaptation by Backpropagation", 《ARXIV数据库》, 27 February 2015 (2015-02-27), pages 1 - 11 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
CN111353373B (zh) * | 2019-11-29 | 2023-08-04 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
CN111080155A (zh) * | 2019-12-24 | 2020-04-28 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
CN111080155B (zh) * | 2019-12-24 | 2022-03-15 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 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 |
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 |
CN112541081A (zh) * | 2020-12-21 | 2021-03-23 | 中国人民解放军国防科技大学 | 一种基于领域自适应的可迁移谣言检测方法 |
CN117407698A (zh) * | 2023-12-14 | 2024-01-16 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
CN117407698B (zh) * | 2023-12-14 | 2024-03-08 | 青岛明思为科技有限公司 | 一种混合距离引导的领域自适应故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188822B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188822A (zh) | 一种域对抗自适应一维卷积神经网络智能故障诊断方法 | |
CN110186680A (zh) | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 | |
Wang et al. | Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions | |
CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
Zhao et al. | Fault diagnosis of rolling bearing based on feature reduction with global-local margin Fisher analysis | |
Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN106682688B (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
Zheng et al. | Use of generalized refined composite multiscale fractional dispersion entropy to diagnose the faults of rolling bearing | |
Gao et al. | Bearing fault diagnosis based on adaptive convolutional neural network with Nesterov momentum | |
CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
CN113095413B (zh) | 变工况故障诊断方法、***、存储介质及设备 | |
Zainudin et al. | Feature Selection Optimization using Hybrid Relief-f with Self-adaptive Differential Evolution. | |
Su et al. | A novel hybrid method based on KELM with SAPSO for fault diagnosis of rolling bearing under variable operating conditions | |
Zabin et al. | Hybrid deep transfer learning architecture for industrial fault diagnosis using Hilbert transform and DCNN–LSTM | |
Li et al. | A novel method of bearing fault diagnosis in time-frequency graphs using InceptionResnet and deformable convolution networks | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
Sakthivel et al. | Use of histogram features for decision tree-based fault diagnosis of monoblock centrifugal pump | |
CN114418042B (zh) | 一种基于聚类分析的工业机器人运行趋势诊断方法 | |
CN113780151B (zh) | 一种双线性特征融合的轴承故障诊断方法及*** | |
Rajput et al. | Fault prediction using fuzzy convolution neural network on IoT environment with heterogeneous sensing data fusion | |
CN115979660A (zh) | 基于mpa优化的内燃机用滤清器故障诊断方法 | |
Wang et al. | Fault diagnosis of rolling bearing based on relevance vector machine and kernel principal component analysis | |
CN117606801A (zh) | 一种基于多表征自适应网络的跨域轴承故障诊断方法 | |
Yang et al. | Improved graph-regularized deep belief network with sparse features learning for fault diagnosis |
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 |