CN111832428B - 一种应用于冷轧轧机断带故障诊断的数据增强方法 - Google Patents
一种应用于冷轧轧机断带故障诊断的数据增强方法 Download PDFInfo
- Publication number
- CN111832428B CN111832428B CN202010578466.5A CN202010578466A CN111832428B CN 111832428 B CN111832428 B CN 111832428B CN 202010578466 A CN202010578466 A CN 202010578466A CN 111832428 B CN111832428 B CN 111832428B
- Authority
- CN
- China
- Prior art keywords
- fault
- dimensional
- data
- image
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005097 cold rolling Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 210000004205 output neuron Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002364 input neuron Anatomy 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种应用于冷轧轧机断带故障诊断的数据增强方法,属于钢铁冶金和故障诊断技术领域。所述方法包括:采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;将所述故障图像集划分为训练数据和测试数据;利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型,其中,训练好的生成模型用于生成断带故障诊断所需要的故障图像。采用本发明,在提高生成模型训练速度的同时,能够提高生成的故障图像的质量,以便于定向生成断带故障诊断所需要的故障图像,从而解决断带故障诊断中故障数据不足的问题。
Description
技术领域
本发明涉及钢铁冶金和故障诊断技术领域,特别涉及是指一种应用于冷轧轧机断带故障诊断的数据增强方法。
背景技术
现代带钢冷轧是一条按订单柔性化生产的高质、高效的全自动化生产作业线,断带是冷轧生产线中最常见的故障之一。一旦发生断带故障,轻则会导致设备损坏。影响轧制生产效率,重则会由于绞带而引发火灾,对人身安全造成极大的威胁。对冷轧断带进行故障诊断能有效预防事故发生、抑制产品质量下降、最大限度发挥流程运行潜力,具有重要的科学意义。
基于数据驱动的故障诊断方法是故障诊断领域常见的方法,而数据质量对方法的精度有着巨大的影响。在断带故障诊断中,影响断带的因素很多,导致数据维度高,诊断时难以提取主要特征,模型训练速度慢。此外,冷轧中轧件正常运行状态数据较好获得,但是相对正常运行,故障出现的频率不高,导致其故障数据较为缺乏,这成为制约基于数据驱动的断带故障诊断研究的一个重要因素。
发明内容
本发明实施例提供了应用于冷轧轧机断带故障诊断的数据增强方法,在提高生成模型训练速度的同时,能够提高生成的故障图像的质量,以便于定向生成断带故障诊断所需要的故障图像,从而解决断带故障诊断中故障数据不足的问题。所述技术方案如下:
一方面,提供了一种应用于冷轧轧机断带故障诊断的数据增强方法,该方法应用于电子设备,该方法包括:
采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;
将所述故障图像集划分为训练数据和测试数据;
利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型,其中,训练好的生成模型用于生成断带故障诊断所需要的故障图像。
进一步地,所述采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集包括:
采集冷轧中与断带故障诊断相关的多个特征的时序信号;
通过堆栈自编码网络对采集的多个特征的时序信号进行降维,得到一维时序信号;
通过信号-图像转换将所述一维时序信号生成二维灰度图,构成二维的故障图像集。
进一步地,所述堆栈自编码网络的结构连接方式为:输入层→全连接层→全连接层→全连接层→全连接层。
进一步地,所述利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型还包括:
对划分得到的训练数据进行翻转、旋转和加噪处理,得到辅助分类生成对抗网络的训练数据;
将得到的辅助分类生成对抗网络的训练数据及其对应的标签输入到辅助分类生成对抗网络中进行训练,得到生成模型。
进一步地,所述辅助分类生成对抗网络包括:生成器和判别器;其中,
所述生成器,用于生成故障图像,所述故障图像为二维灰度图;
所述判别器,用于判断生成器生成的故障图像与输入至所述辅助分类生成对抗网络的故障图像的差异,并对生成器提供反馈。
进一步地,在利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型之后,所述方法还包括:
利用所述生成模型生成断带故障诊断所需要的故障图像;
将生成的故障图像与原始划分得到的训练数据共同输入到二维卷积神经网络中进行训练,得到断带故障诊断模型;
其中,训练好的断带故障诊断模型用于进行断带故障诊断,输出断带故障类型。
进一步地,所述二维卷积神经网络的结构连接方式为:二维卷积层→最大池化层→二维卷积层→最大池化层→二维卷积层→最大池化层→二维卷积层→最大池化层→全连接层→全连接层→SoftMax层,其中,SoftMax表示归一化指数函数。
进一步地,在将生成的故障图像与原始划分得到的训练数据共同输入到二维卷积神经网络中进行训练,得到故障诊断模型之后,所述方法还包括:
利用划分得到的测试数据对训练好的断带故障诊断模型进行测试。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述应用于冷轧轧机断带故障诊断的数据增强方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述应用于冷轧轧机断带故障诊断的数据增强方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;将所述故障图像集划分为训练数据和测试数据;利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,在提高生成模型训练速度的同时,能够提高生成的故障图像的质量,以便于定向生成断带故障诊断所需要的故障图像,从而解决断带故障诊断中故障数据不足的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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为本发明实施例提供的应用于冷轧轧机断带故障诊断的数据增强方法的流程示意图;
图2为本发明实施例提供的应用于冷轧轧机断带故障诊断的数据增强方法的详细流程示意图;
图3为本发明实施例提供的数据增强前后损失函数值对比示意图;
图4为本发明实施例提供的数据增强前后混淆矩阵对比示意图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种应用于冷轧轧机断带故障诊断的数据增强方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S101,采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;
S102,将所述故障图像集划分为训练数据和测试数据;
S103,利用所述训练数据及其对应的标签对辅助分类生成对抗网络(auxiliaryclassifier generative adversarial networks,ACGANs)进行训练,得到生成模型,其中,训练好的生成模型用于生成断带故障诊断所需要的故障图像。
本实施例所述的应用于冷轧轧机断带故障诊断的数据增强方法,采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;将所述故障图像集划分为训练数据和测试数据;利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,在提高生成模型训练速度的同时,能够提高生成的故障图像的质量,以便于定向生成断带故障诊断所需要的故障图像,从而解决断带故障诊断中故障数据不足的问题。
本实施例中,标签为断带故障的类别,具体指:不同机架的断带故障。
本实施例中,所述采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集包括:
A1,采集冷轧中与断带故障诊断相关的多个特征的时序信号;
本实施例中,如图2所示,通过N个(例如,24个)传感器采集冷轧中与断带故障诊断相关的24个特征的时序信号,得到高维的时序信号数据矩阵。
A2,通过堆栈自编码网络(stacked auto-encoders network,SAE)对采集的多个特征的时序信号进行降维,得到一维时序信号;
本实施例中,将得到的高维时序信号数据矩阵放入堆栈自编码网络(SAE)进行训练,把高维时序信号数据矩阵降维至一维时序信号,达到信息融合的效果。
本实施例中,所述堆栈自编码网络(SAE)的结构连接方式为:输入层L0→全连接层L1→全连接层L2→全连接层L3→全连接层L4;其中,输入层L0的输出神经元个数为30;全连接层L1的输入神经元个数为30,输出神经元个数为10;全连接层L2的输入神经元个数为10,输出神经元个数为1;全连接层L3的输入神经元个数为1,输出神经元个数为10;全连接层L4的输入神经元个数为10,输出神经元个数为30。
A3,通过信号-图像转换将所述一维时序信号生成二维灰度图,构成二维的故障图像集。
本实施例中,信号-图像转换的具体方式如式(1)所示:
其中,P(m,n)表示生成的二维灰度图中第m行、第n列的灰度值;N表示生成的图像的大小为N×N;形式L(i)表示L中的第i个数据点的灰度值;Max(L)、Min(L)分别表示取L中的最大、最小值,L表示单次采样后的一维时序信号取值,其长度为N2;舍入函数round(x)的作用是将数据取整,以保证转换后的数据取值为0~255之间的整数。
本实施例中,通过式(1)可以对一维时域信号进行信号归一化、信号转化为灰度值、取整、根据图像大小进行信号截取与矩阵变换,以获得一维时序信号的二维灰度图,从而构成二维的故障图像集。
本实施例中,可以将构成二维的故障图像集中的80%作为训练数据,剩余的20%作为测试数据。
本实施例中,所述利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型还包括:
B1,对划分得到的训练数据进行翻转、旋转和加噪处理,得到辅助分类生成对抗网络的训练数据;
本实施例中,翻转包括对图像进行水平翻转和/或垂直翻转。
本实施例中,旋转包括对图像向左或向右旋转90°。
本实施例中,加噪处理指对图像加入随机的高斯噪声,加入高斯噪声具体指将图像矩阵直接与从高斯分布中随机采样的数字相加。
本实施例中,将训练数据中每一张图像均采取上述的翻转、旋转和加噪处理,可得到原始训练数据数量六倍的训练数据,从而获得多样性较高的辅助分类生成对抗网络的训练数据。
B2,将得到的辅助分类生成对抗网络的训练数据及其对应的标签输入到辅助分类生成对抗网络(ACGANs)中进行训练,得到生成模型。
本实施例中,所述辅助分类生成对抗网络(ACGANs)能够对二维图像进行处理,因此,所述ACGANs也可以称为2D-ACGANs,如图2所示。
本实施例中,所述辅助分类生成对抗网络(ACGANs)包括:生成器和判别器,其中,生成器用于生成故障图像,判别器用于判断生成器生成的故障图像与输入至所述辅助分类生成对抗网络的故障图像的差异,并对生成器提供反馈,所述故障图像为二维灰度图。所述生成器包括4个分数步长二维卷积层以及4个批归一化层,除最后的输出层使用Tanh函数作为激活函数外,均使用ReLU函数作为激活函数。所述判别器包括4个二维卷积层和4个批归一化层,激活函数出输出层使用Sigmoid函数外,均使用LeakyReLU函数。
本实施例中,二维卷积层参数较少且对时序信号提取特征能力较好,同时本实施例所述的ACGANs同时考虑了故障数据的标签信息,无需训练多个模型,使得训练过程简单,这样,在提高生成模型训练速度的同时,能够提高生成的故障图像的质量,以便于定向生成断带故障诊断所需要的故障图像,从而解决断带故障诊断中故障数据不足的问题。
本实施例中,在利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型之后,所述方法还包括:
利用所述生成模型生成断带故障诊断所需要的故障图像;
将生成的故障图像与原始划分得到的训练数据共同输入到二维(2D)卷积神经网络(convolutional neural network,CNN)中进行训练,得到断带故障诊断模型;
其中,训练好的断带故障诊断模型用于进行断带故障诊断,输出断带故障类型。
本实施例中,所述二维卷积神经网络的结构总共包括11层,具体的结构连接方式为:二维卷积层L1(5×5×32)→最大池化层L2(2×2)→二维卷积层L3(3×3×64)→最大池化层L4(2×2)→二维卷积层L5(3×3×128)→最大池化层L6(2×2)→二维卷积层L7(3×3×256)→最大池化层L8(2×2)→全连接层L9(2560-768)→全连接层L10(768-10)→SoftMax(归一化指数函数)层L11;其中,二维卷积层括号中的三个参数分别表示卷积核的长、卷积层的宽以及卷积核的数量;最大池化层括号中的参数表示其窗口的大小;全连接层括号中的参数分别表示输入参数数量和输出参数数量。
本实施例中,在将生成的故障图像与原始划分得到的训练数据共同输入到二维卷积神经网络中进行训练,得到故障诊断模型之后,所述方法还包括:
利用划分得到的测试数据对训练好的断带故障诊断模型进行测试。
为了验证本发明实施例提供的应用于冷轧轧机断带故障诊断的数据增强方法的有效性,采集了某钢厂冷轧轧机与轧机断带故障相关特征参数,其具体构成如表1所示,通过此进行故障诊断实验。实验中共采集了4架轧机的故障数据以及正常数据,总共有24个参数,以12kHz的采样频率进行采样,以4096个点为一组,共采集1000组数据。
表1冷轧中与断带故障诊断相关的特征参数
1 | 1机架传动侧伺服阀电流 |
2 | 1机架操作侧伺服阀电流 |
3 | 轧制力偏差(取绝对值) |
4 | 2机架轧制力偏差 |
5 | 2机架传动侧伺服阀电流 |
6 | 2机架操作侧伺服阀电流 |
7 | 3机架传动侧伺服阀电流 |
8 | 3机架操作侧伺服阀电流 |
9 | 3轧制力偏差 |
10 | 4机架传动侧伺服阀电流 |
11 | 4机架操作侧伺服阀电流 |
12 | 4轧制力偏差 |
13 | 1机架的实际张力值 |
14 | 1机架的张力偏差值 |
15 | 2机架的实际张力值 |
16 | 2机架的张力偏差值 |
17 | 3机架的实际张力值 |
18 | 3机架的张力偏差值 |
19 | 4机架的实际张力值 |
20 | 4机架的张力偏差值 |
21 | 1机架的电机电流 |
22 | 2机架的电机电流 |
23 | 3机架的电机电流 |
24 | 4机架的电机电流 |
图3(a)图为无数据增强下断带故障诊断模型损失函数变化趋势,可以看到训练损失函数最终近似收敛到0,而测试损失函数一直在0.5左右震荡,则表明此时模型因训练数据不足出现了过拟合现象;图3(b)为经本发明实施例所提供的数据增强方法后断带故障诊断模型的损失函数变化趋势,其损失函数值在训练数据和测试数据上均近似收敛到0,说明数据增强后过拟合现象基本消失。
图4(a)、(b)分别为进行数据增强前、后断带故障诊断的混淆矩阵对比示意图,其中对称轴上的数据表示该类健康状态被正确识别数量占所有测试数据的比重,每行的其余数据是被错误识别到其他健康状态的比重。可以清楚看到,在进行数据增强后,3机架的识别准确率从92.5%提高到了99%,提升了6.5%,而总的平均准确率也从95%提高到了99.5%。
图5是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述应用于冷轧轧机断带故障诊断的数据增强方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述应用于冷轧轧机断带故障诊断的数据增强方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (6)
1.一种应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,包括:
采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集;
将所述故障图像集划分为训练数据和测试数据;
利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型,其中,训练好的生成模型用于生成断带故障诊断所需要的故障图像;
其中,所述采集冷轧中与断带故障诊断相关的多个特征的时序信号,对采集的多个特征的时序信号进行处理,生成二维的故障图像集包括:
采集冷轧中与断带故障诊断相关的多个特征的时序信号;
通过堆栈自编码网络对采集的多个特征的时序信号进行降维,得到一维时序信号;
通过信号-图像转换将所述一维时序信号生成二维灰度图,构成二维的故障图像集;
信号-图像转换的具体方式为:
其中,P(m,n)表示生成的二维灰度图中第m行、第n列的灰度值;N表示生成的图像的大小为N×N;形式L(i)表示L中的第i个数据点的灰度值;Max(L)、Min(L)分别表示取L中的最大、最小值,L表示单次采样后的一维时序信号取值,其长度为N2;舍入函数round(x)的作用是将数据取整,以保证转换后的数据取值为0~255之间的整数;其中,通过信号-图像转换能够对一维时域信号进行信号归一化、将信号转化为灰度值、取整、根据图像大小进行信号截取与矩阵变换,以获得一维时序信号的二维灰度图,构成二维的故障图像集;
其中,所述堆栈自编码网络的结构连接方式为:输入层→全连接层→全连接层→全连接层→全连接层。
2.根据权利要求1所述的应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,所述利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型还包括:
对划分得到的训练数据进行翻转、旋转和加噪处理,得到辅助分类生成对抗网络的训练数据;
将得到的辅助分类生成对抗网络的训练数据及其对应的标签输入到辅助分类生成对抗网络中进行训练,得到生成模型。
3.根据权利要求1所述的应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,所述辅助分类生成对抗网络包括:生成器和判别器;其中,
所述生成器,用于生成故障图像,所述故障图像为二维灰度图;
所述判别器,用于判断生成器生成的故障图像与输入至所述辅助分类生成对抗网络的故障图像的差异,并对生成器提供反馈。
4.根据权利要求1所述的应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,在利用所述训练数据及其对应的标签对辅助分类生成对抗网络进行训练,得到生成模型之后,所述方法还包括:
利用所述生成模型生成断带故障诊断所需要的故障图像;
将生成的故障图像与原始划分得到的训练数据共同输入到二维卷积神经网络中进行训练,得到断带故障诊断模型;
其中,训练好的断带故障诊断模型用于进行断带故障诊断,输出断带故障类型。
5.根据权利要求4所述的应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,所述二维卷积神经网络的结构连接方式为:二维卷积层→最大池化层→二维卷积层→最大池化层→二维卷积层→最大池化层→二维卷积层→最大池化层→全连接层→全连接层→SoftMax层,其中,SoftMax表示归一化指数函数。
6.根据权利要求4所述的应用于冷轧轧机断带故障诊断的数据增强方法,其特征在于,在将生成的故障图像与原始划分得到的训练数据共同输入到二维卷积神经网络中进行训练,得到故障诊断模型之后,所述方法还包括:
利用划分得到的测试数据对训练好的断带故障诊断模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578466.5A CN111832428B (zh) | 2020-06-23 | 2020-06-23 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578466.5A CN111832428B (zh) | 2020-06-23 | 2020-06-23 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832428A CN111832428A (zh) | 2020-10-27 |
CN111832428B true CN111832428B (zh) | 2024-02-23 |
Family
ID=72897841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010578466.5A Active CN111832428B (zh) | 2020-06-23 | 2020-06-23 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832428B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328588B (zh) * | 2020-11-27 | 2022-07-15 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637020A (zh) * | 2011-02-14 | 2012-08-15 | 武汉科技大学 | 一种轧钢加热炉集成型控制*** |
JP2015021756A (ja) * | 2013-07-16 | 2015-02-02 | 株式会社キーエンス | 三次元画像処理装置、三次元画像処理方法及び三次元画像処理プログラム並びにコンピュータで読み取り可能な記録媒体及び記録した機器 |
GB201803083D0 (en) * | 2018-02-26 | 2018-04-11 | Nokia Technologies Oy | Artificial Neural Networks |
WO2018082540A1 (zh) * | 2016-11-07 | 2018-05-11 | 广州广电运通金融电子股份有限公司 | 一种票据一维信号的检测方法及装置 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动***故障诊断方法 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
EP3509285A1 (en) * | 2018-01-05 | 2019-07-10 | Datamax-O'Neil Corporation | Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110298397A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于压缩卷积神经网络的加热金属图像的多标签分类方法 |
WO2019241155A1 (en) * | 2018-06-11 | 2019-12-19 | Arterys Inc. | Simulating abnormalities in medical images with generative adversarial networks |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
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 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断*** |
CN111076934A (zh) * | 2019-12-24 | 2020-04-28 | 江苏大学 | 一种基于s变换诊断轴承潜在故障的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5706647B2 (ja) * | 2010-09-03 | 2015-04-22 | キヤノン株式会社 | 情報処理装置、およびその処理方法 |
-
2020
- 2020-06-23 CN CN202010578466.5A patent/CN111832428B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637020A (zh) * | 2011-02-14 | 2012-08-15 | 武汉科技大学 | 一种轧钢加热炉集成型控制*** |
JP2015021756A (ja) * | 2013-07-16 | 2015-02-02 | 株式会社キーエンス | 三次元画像処理装置、三次元画像処理方法及び三次元画像処理プログラム並びにコンピュータで読み取り可能な記録媒体及び記録した機器 |
WO2018082540A1 (zh) * | 2016-11-07 | 2018-05-11 | 广州广电运通金融电子股份有限公司 | 一种票据一维信号的检测方法及装置 |
EP3509285A1 (en) * | 2018-01-05 | 2019-07-10 | Datamax-O'Neil Corporation | Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer |
GB201803083D0 (en) * | 2018-02-26 | 2018-04-11 | Nokia Technologies Oy | Artificial Neural Networks |
WO2019241155A1 (en) * | 2018-06-11 | 2019-12-19 | Arterys Inc. | Simulating abnormalities in medical images with generative adversarial networks |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动***故障诊断方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110298397A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于压缩卷积神经网络的加热金属图像的多标签分类方法 |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
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 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断*** |
CN111076934A (zh) * | 2019-12-24 | 2020-04-28 | 江苏大学 | 一种基于s变换诊断轴承潜在故障的方法 |
Non-Patent Citations (5)
Title |
---|
Fault Diagnosis of Aero-engine Bearing Using a Stacked Auto-Encoder Network;XueSen Lin 等;《 2018 IEEE 4th Information Technology and Mechatronics Engineering Conference (ITOEC)》;545-548 * |
Multiobjective Coordinated Control Strategy for Grid-Connected Inverter under Unbalanced Voltage Conditions;Miao, L 等;《JOURNAL OF ENERGY ENGINEERING》;第146卷(第3期);1-7 * |
基于ACGAN的功率变换器参数性故障诊断方法;傅宏辉 等;《机械制造与自动化》;第48卷(第6期);159-163 * |
基于SAE的航空发动机气路故障诊断;杨洪富 等;《 航空计算技术 》;第48卷(第6期);47-51 * |
基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究;肖雄 等;《中国电机工程学报》;第41卷(第2期);738-748 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832428A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Domain adaptive motor fault diagnosis using deep transfer learning | |
Zhang et al. | A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load | |
Chen et al. | ACDIN: Bridging the gap between artificial and real bearing damages for bearing fault diagnosis | |
CN111832428B (zh) | 一种应用于冷轧轧机断带故障诊断的数据增强方法 | |
Kaya et al. | A new automatic bearing fault size diagnosis using time-frequency images of CWT and deep transfer learning methods | |
CN112380767B (zh) | 基于改进型生成对抗网络的设备故障诊断方法及*** | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN112818764A (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN112747924A (zh) | 一种基于注意力机制和残差神经网络的轴承寿命预测方法 | |
CN112464990A (zh) | 一种基于电流电压传感器感知振动数据的方法和装置 | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
CN115908842A (zh) | 变压器局部放电数据增强与识别方法 | |
Weng et al. | A multi-scale kernel-based network with improved attention mechanism for rotating machinery fault diagnosis under noisy environments | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
CN113689383B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112380932B (zh) | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 | |
CN112365335B (zh) | 处理信贷数据的方法及装置 | |
CN112686367A (zh) | 一种新型归一化机制 | |
CN112598026A (zh) | 基于不平衡数据深度学习的连退生产过程故障诊断方法 | |
Jin et al. | Bearing fault diagnosis using structure optimized deep convolutional neural network under noisy environment | |
CN115546862A (zh) | 基于跨尺度局部差异深度子空间特征的表情识别方法和*** | |
CN113671923A (zh) | 一种基于数据驱动的连轧过程故障检测方法 | |
Li et al. | Fault Diagnosis of Rolling Bearing Based on Improved LeNet-5 CNN | |
CN113970680A (zh) | 一种电弧检测方法及装置 |
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 |