CN112101085A - 一种基于重要性加权域对抗自适应的智能故障诊断方法 - Google Patents
一种基于重要性加权域对抗自适应的智能故障诊断方法 Download PDFInfo
- Publication number
- CN112101085A CN112101085A CN202010711903.6A CN202010711903A CN112101085A CN 112101085 A CN112101085 A CN 112101085A CN 202010711903 A CN202010711903 A CN 202010711903A CN 112101085 A CN112101085 A CN 112101085A
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- importance
- classifier
- data set
- 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
Images
Classifications
-
- 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
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于重要性加权域对抗自适应的智能故障诊断方法,采集旋转机械在不同工况下的振动信号,分别对不同工况下数据集采用移动时窗进行信号的分割;构造域类别识别网络,输出源域样本在对抗训练中重要性权重;提取数据集中判别性特征;结合特征提取器与域判别器,构造重要性加权域对抗自适应网络;采用对抗式网络的训练策略训练网络模型至模型收敛,使用训练好的类别分类器识别缺乏故障标签的目标域数据集的轴承健康状态。本发明通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断,完成了诊断知识的迁移,同时构造了深度学习网络,克服了传统诊断方法中对专家知识的依赖,为降低未来智能故障诊断***的成本提供了一种有效的工具。
Description
技术领域
本发明涉及滚动轴承状态评估方法,具体为一种基于重要性加权域对抗自适应的智能故障诊断方法。
背景技术
滚动轴承作为机械设备中重要的旋转部件,广泛应用于航空航天、工程机械、船舶设备、水利工程等领域。滚动轴承的健康状态和性能直接影响到机械设备的安全可靠性。然而滚动轴承却是机械设备中易损坏部件,轴承的故障可能导致整个机械***的停机,造成不可想象的经济损失。因此,对轴承的健康状态检测和故障诊断技术的研究是具有重要意义的。
通过在轴承运作过程中,使用传感器采集轴承的振动信号来进行分析,可以判断被监测设备的状态。其中随着智能诊断方法的发展,针对一定工况下故障数据难以获取,不足以支撑建立诊断模型,基于迁移学习的智能故障诊断方法得到了广泛的研究。传统的基于迁移学习的智能诊断方法,可以实现将诊断知识从数据量大且容易获得的工况传递到数据量不完备的工况,以此来提高机械设备诊断***的泛化性能。虽然基于迁移学习的智能诊断方法的在状态检测中已经取得了许多成果,但仍有许多不容忽视的地方。传统的基于迁移学习的智能方法是建立在一定的假设前提下的:即数据量不足的目标域需要具备所有在数据量充足的源域中存在的故障类型,即二者的标签空间是相同的。然而这在实际工业应用中有很大的限制,很难确保目标域中发生了所有源域中存在的故障类型。因此如果能够传输源域知识而不必等待目标领域中每一个可能的故障的发生是非常有意义的。
发明内容
针对现有技术中存在的不足,本发明的目的是提供一种基于重要性加权域对抗自适应的智能故障诊断方法,解决了传统基于迁移学习的智能诊断方法在工业应用中的不足,克服了目标域训练集为不包含完整故障种类的数据集而导致负迁移的产生。
为实现上述目的,本发明是通过以下技术方案来实现:
一种基于重要性加权域对抗自适应的智能故障诊断方法,包括如下步骤,
(1)采集旋转机械在两种不同工况下的振动信号,分别对两种工况下的振动信号采用移动时窗进行分割,获得两种工况下的数据集,并将两种工况下的数据集分为源域数据集与目标域数据集;
(2)构造由特征提取器与域分类器组成的域类别识别网络,采用源域数据集与目标域数据集,训练域类别识别网络,得到源域数据集中源域样本的重要性权重,根据重要性权重,得到归一化的源域样本的重要性权重;
(3)将特征提取器与类别标签分类器组成故障模式识别网络;
(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应网络;
(5)采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络,直至所有的网络参数收敛,然后使用类别标签分类器识别目标域数据集中的旋转机械健康状态。
本发明进一步的改进在于,步骤(1)的具体过程如下:
1)使用传感器采集滚动轴承在两种不同工况下各故障类型的振动信号;
2)选择最优前进步长,采用移动时窗对振动信号进行分割;分别获得两种工况下的数据集,其中故障类型完整且带有故障标签的工况数据集设置为源域数据集,故障类型不完整且故障标签缺失的数据集设置为目标域数据集。
本发明进一步的改进在于,步骤(2)中,构造由特征提取器与域分类器D0组成的域类别识别网络的具体过程如下:
1)将多层一维卷积神经网络层搭建特征提取器;
2)将域分类器通过全连接层与特征提取器进行连接,组成域类别识别网络;根据域类别识别网络,得到域类别标签预测的结果;
3)根据域类别标签预测的结果计算域类别识别网络损失函数,迭代训练域分类器直至稳定;
4)通过训练稳定的域类别识别网络,得到源域样本的重要性权重,根据源域样本的重要性权重,得到归一化的源域样本的重要性权重。
本发明进一步的改进在于,步骤2)的具体过程为:根据源域训练数据集与目标域训练数据集其中,为源域的样本点;为源域样本点的标签;ns为源域样本点的个数;Y为源域样本的标签空间;为目标域的样本点;为目标域样本点的标签,在训练时目标域标签是不存在的;nt为目标域样本点个数;Ysub为目标域样本的标签空间,Ysub为源域样本的标签空间的子集;通过特征提取器得到振动信号的特征:
式1-1中:为网络输出函数,其中xs、xt、θh、Hs、Ht分别代表网络输入的源域样本、输入的目标域样本、特征提取器的网络参数、源域样本经过特征提取器后输出的源域特征、目标域样本经过特征提取器后输出的目标域特征;
源域特征与目标域特征经过域分类器D0,得到域类别标签预测的结果:
式1-2中:sigmoid(·)函数将输入映射到0,1之间;P0为归一化网络样本的域类别标签预测概率向量;θd0代表域分类器D0的网络参数。
本发明进一步的改进在于,步骤3)中,域类别识别网络损失函数如下:
本发明进一步的改进在于,步骤4)中,源域样本的重要性权重为:
式1-4中:Dz为源域样本的重要性权重,sigmoid(·)函数将输入映射到0,1之间,Hs为源域样本经过特征提取器后输出的源域特征,θd0代表域分类器D0的网络参数;
归一化的源域样本的重要性权重为:
式1-5中:w(z)为归一化的源域样本的重要性权重。
本发明进一步的改进在于,步骤(3)的具体过程为:
①.类别标签分类器通过全连接层与特征提取器进行连接,并对特征提取器提取到的判别性特征进行模式识别分类,得到故障类型预测结果;
②.根据故障类型预测结果计算故障模式识别网络损失函数,形成故障模式识别网络。
本发明进一步的改进在于,步骤(4)的具体过程如下:
a)将源域数据集与目标域数据集,经过特征提取器,得到源域数据集与目标域数据集在高维空间中的域不变特征;
b)根据源域数据集与目标域数据集在高维空间中的域不变特征,通过域判别器D1进行域类别识别分类,得到域类别标签预测结果;
c)根据域类别标签预测结果以及归一化的源域样本的重要性权重计算重要性加权对抗自适应网络的损失函数,完成重要性加权域对抗自适应网络的构建。
本发明进一步的改进在于,步骤(5)中采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络,直至所有的网络参数收敛的具体步骤为:
1)在k次迭代中,采用下式最小化域分类器D0损失函数,通过反向传播算法,更新域分类器D0的网络参数θd0至稳定;
2)通过最小化重要性加权对抗自适应网络的损失函数训练域判别器D1,然后过最小化故障模式识别网络的损失函数训练类别标签分类器,最后通过最小化标签分类器损失函数以及最大化重要性加权对抗自适应网络损失函数,训练特征提取器;
3)重复迭代步骤1)与步骤2),直至所有网络参数收敛。
与现有技术相比,本发明具有以下有益效果:
本发明使用域对抗自适应网络,具有域不变特征的自动提取的特点,缩小由于工况变化带来的特征分布差异;使用基于源域样本的加权域对抗,实现局部域自适应,克服了由于目标域标签空间不完整导致的负迁移;使用深度卷积神经网络提取信号特征,可以提取故障深层特征,建立故障诊断模型准确性更高。使用本发明可完成机械设备状态识别模型在不同工况下的迁移,具有低成本、高效、实用等特点,适用于现场实时识别旋转机械***轴承的健康状态,为基于迁移学习的智能诊断方法提供一个可靠、便利的工具,具有重要的领域意义与广阔的应用前景。
进一步的,通过一维卷积神经网络自适应提取信号判别性特征,克服了传统机器学习中特征提取对于专家知识的依赖。
附图说明
图1为本发明提出的在不同工况下基于重要性加权域对抗自适应的的滚动轴承智能故障诊断的流程图。
图2为域类别识别网络结构简图。
图3为重要性加权域对抗自适应网络的结构简图。
图4为对抗域自适应方法过程简图。
图5为对比不同对比方法输出的混淆矩阵结果。其中,(a)为只使用源域数据集训练在目标域数据集上的结果;(b)为使用DANN方法且目标域数据集不存在故障种类缺失的结果;(c)为使用DANN方法且目标域数据集存在故障种类缺失的结果;(d)为使用提出的方法在同(c)中目标域数据集相同的结果。
具体实施方式
为了更清楚的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使用的附图作简单介绍,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,对于本领域的普通技术人员而言,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附图。
下面结合具体的事例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参见图1,一种基于重要性加权域对抗自适应的智能故障诊断方法,包括如下步骤,
(1)使用传感器采集旋转机械在两种工况下的振动信号,分别对两种工况下的振动信号采用移动时窗进行分割,获得分割好的两种工况下的数据集,并将两种工况下的数据集分为故障类型完整且带有故障标签的源域数据集与故障类型不完整且故障标签缺失的目标域数据集;
步骤(1)的具体过程如下:
1)使用传感器采集滚动轴承在两种不同工况下各故障类型的振动信号;
其中,为源域的样本点;为源域样本点的标签;ns为源域样本点的个数;Y为源域样本的标签空间;为目标域的样本点;为目标域样本点的标签,在训练时目标域标签是不存在的;nt为目标域样本点个数;Ysub为目标域样本的标签空间,Ysub为源域样本的标签空间的子集。
(2)构造通过特征提取器与域分类器D0组成域类别识别网络,采用步骤(1)得到的源域数据集与目标域数据集,通过训练特征提取器与域判别器组成域类别识别网络,得到源域样本的重要性权重,根据源域样本的重要性权重得到归一化的源域样本的重要性权重;
步骤(2)中,构造通过特征提取器与域分类器D0组成域类别识别网络的具体过程如下:
1)特征提取器由多层一维卷积神经网络层搭建而成,能够自适应提取源域与目标域数据集中振动信号的特征;
具体的,步骤1)的具体过程为:
式1-1中:为网络输出函数,其中xs、xt、θh、Hs、Ht分别代表网络输入的源域样本、输入的目标域样本、特征提取器的网络参数,源域样本经过特征提取器后输出的源域特征、目标域样本经过特征提取器后输出的目标域特征。
2)域分类器D0通过全连接层与特征提取器进行连接,组成域类别识别网络;根据域类别识别网络,得到域类别标签预测的结果。
具体的,步骤2)的具体过程为:
源域与目标域特征经过域分类器D0,得到域类别标签预测的结果:
式1-2中:sigmoid(·)函数将输入映射到0,1之间;P0为归一化网络样本的域类别标签预测概率向量,其中样本的域标签设置为来自源域数据集为1,来自目标域数据集为0;θd0代表域分类器D0的网络参数。
3)通过计算域类别识别网络损失函数,迭代训练域分类器D0直至稳定;
具体的,步骤3)中,计算域类别识别网络损失函数的具体过程如下:
根据域类别标签预测的结果,计算域类别识别网络损失函数;
4)通过训练稳定的域类别识别网络,得到源域样本的重要性权重,根据源域样本的重要性权重得到归一化的源域样本的重要性权重。
具体的,步骤4)的具体过程如下:
源域样本经过训练稳定的域类别识别网络得到源域样本的重要性权重:
式1-4中:Dz为源域样本的重要性权重。当其样本输出结果接近于1时,说明该样本来自源域的离群类(目标域中不存在的故障种类),几乎没有目标域样本与之相似,因此应该降低此类样本在接下来对抗学习中的权重;当其输出结果接近0.5,说明该样本来自公共类(目标域中存在的故障种类),应当最大该样本的权重,因此:
式1-5中:w(z)为归一化的源域样本的重要性权重。
(3)将步骤(2)中的特征提取器与类别标签分类器组成故障模式识别网络,特征提取器提取源域数据集中判别性特征,类别标签分类器根据判别性特征识别源域数据集对应的工况下各种故障状态;
步骤(3)中故障识别网络通过以下过程形成:
①.标签分类器通过全连接层与(2)中的特征提取器进行连接,并对步骤(2)中的特征提取器提取到的判别性特征进行模式识别分类,得到故障类型预测结果;故障类型预测结果为;
②.根据故障类型预测结果计算故障模式识别网络损失函数,形成故障模式识别网络。
步骤②中故障模式识别网络损失函数如下:
(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器D1组成重要性加权域对抗自适应网络,根据重要性加权域对抗自适应网络提取源域数据集与目标域数据集的域不变特征;
具体的,步骤(4)中将步骤(2)中特征提取器、归一化的源域样本的重要性权重结合域判别器D1组成重要性加权域对抗自适应网络的具体过程如下:
a)采用源域数据集与目标域数据集,经过特征提取器,得到源域数据集与目标域数据集在高维空间中的域不变特征;
b)根据源域数据集与目标域数据集在高维空间中的域不变特征,通过域判别器D1进行域类别识别分类,得到域类别标签预测结果。
步骤b)的具体过程为:将经过特征提取器后的源域样本特征Hs与目标域样本特征Ht输入域判别器D1中,输出样本的域类别标签预测结果;
式1-8中:P1为归一化网络样本的域类别标签预测概率向量,其中样本的域标签设置为来自源域数据集为1,来自目标域数据集为0;θd1代表域判别器D1的网络参数。
c)根据域类别标签预测结果以及归一化的源域样本的重要性权重计算重要性加权对抗自适应网络的损失函数,完成重要性加权域对抗自适应网络的构建。
本发明进一步的改进在于,步骤c)的具体过程为:计算重要性加权对抗自适应网络的损失函数的具体过程如下:
式1-9中:Jweight(D1,Hs,Ht)表示为重要性加权对抗自适应网络的损失函数;
(5)采用对抗博弈策略依次迭代训练步骤(2)中的域分类器D0、步骤(3)中的故障模式识别网络与步骤(4)中的重要性加权域对抗自适应网络,直至所有的网络参数收敛,训练好的特征提取器既能提取判别性特征又可以提取域不变特征,最终使用类别标签分类器识别缺乏故障标签的目标域数据集中的轴承健康状态,完成诊断知识从源域到目标域的迁移。
其中,步骤(5)中采用对抗博弈策略依次迭代训练步骤(2)中的分类器D0、步骤(3)中的故障模式识别网络与步骤(4)中的重要性加权域对抗自适应网络,直至所有的网络参数收敛的具体步骤为:
1)在k次迭代中,最小化域分类器D0损失函数,如公式1-10所示,通过反向传播算法,更新域分类器D0的网络参数θd0至稳定,如公式1-11所示;
2)联合训练步骤(3)中的故障模式识别网络与步骤(4)中的重要性加权域对抗自适应网络;具体过程为:
如公式1-12所示,通过最小化重要性加权对抗自适应网络的损失函数来训练域判别器D1,保证域判别器D1具有域类别标签的识别功能,其次通过最小化故障模式识别网络的损失函数来训练类别标签分类器,使其能够对工况下的故障类型进行识别,最后通过最小化标签分类器损失函数以及最大化重要性加权对抗自适应网络损失函数,训练特征提取器,指导特征提取器提取的特征既可以域判别性特征,又可以提取域不变特征;域判别器的网络参数θd1的更新过程如公式1-13所示;类别标签分类器的网络参数θc的更新过程如公式1-14所示;特征提取器的网络参数θh的更新过程如公式1-15所示;
θh←θhβJweight(D1,Hs,Ht) (1-15)
3)重复迭代步骤1)与步骤2)过程,直至所有网络参数收敛。
以下给出一个具体应用实例过程,同时验证了本发明在工程应用中的有效性。
本发明利用重要性加权域对抗自适应方法识别不同工况下旋转机械滚动轴承健康状态按以下具体步骤实施:
本实验在SQ机械故障综合模拟实验台开展,在多组转速下分别进行轴承损伤模拟,共有健康、内圈轻度、内圈中度、外圈轻度和外圈中度共5类轴承。实验使用数据采集仪CoCo80进行振动信号采集,采样频率为11.52kHz。
利用本发明所述方法,目标域轴承健康状态识别方法如下:
(1)数据集划分:
首先,在三种转速工况300rpm、480rpm、660rpm下采集传感器振动数据,采集时间为120s,采样频率为11.52khz。首先对振动数据进行FFT变换得到频域信号,其次为了对数据进行扩充,采用移动时窗对其进行样本的划分,选择步长为1024重叠率为80%对每一种故障频域信号进行分割,最终设置源域数据集为全故障种类且带标签的数据集,共有5*1000个样本数,目标域数据集缺失外圈轻、外圈中度两个故障种类并且不带标签的数据集,共有3*1000个样本数。测试集为全种类的带标签的目标域数据集,共有3*1000个样本数,所有实验均重复5次以避免偶然性和特殊性。
(2)域类别识别网络构建
在本发明中,如图2所示,设计的域类别识别网络由特征提取器与域分类器D0组成,其中特征提取器包含三个一维卷积层、三个池化层、一个展开层;域分类器D0由两个全连接层,结构参数由多次试验获得。在本研究中,每个卷积层的输出激活函数为Relu,域分类器D0最后一层的激活函数为Sigmoid。
三个池化层起着减小了特征维数,表征了平移不变性的作用。池化操作使神经网络学习的特征具有鲁棒性。
在最后一个池化层之后,使用一个展开层作为全连接层和卷积层之间的过渡。为了避免过拟合,使用了dropout和l2正则化两种方法。
(3)故障模式识别网络构建
在本发明中,设计的故障模式识别网络由步骤(2)中的特征提取器与类别标签分类器组成,其中类别标签分类器由一个全连接层与一个softmax层组成,结构参数由多次试验获得。
(4)重要性加权域对抗自适应网络的构建
在本发明中,如图3所示,设计的重要性加权域对抗自适应网络由步骤(2)中特征提取器域判别器D1组成,域判别器D1与域分类器D0有相同的网络结构,在训练过程通过对抗博弈策略获得域不变特征,域对抗自适应过程如图4所示。
(5)分布迭代训练过程
首先,通过最小域类别识别网络损失函数迭代训练5次,更新域分类器D0的网络参数θd0至稳定,使其可以准确识别数据集来自源域还是目标域,并输出对源域样本的预测结果;其次,迭代训练5次特征提取器、标签分类器以及域判别器D1,直至网络在本次对抗迭代中暂时达到收敛,最后重复训练此上述两个过程,使各网络参数最终达到收敛;最后,将目标域测试数据集输入网络,识别其轴承状态。
为了验证本发明的有效性,选择没有经过域对抗自适应提取的与本实验相同网络结构的CNN网络,以及目标域训练集包含所有故障种类的使用DANN网络训练,目标域训练集跟本实验训练集相同且使用DANN网络训练的结果进行对比,测试多组迁移任务,以480rpm转速迁移到600rpm转速为例,网络的输出结果混淆矩阵如图5中的(a)、(b)、(c)和(d)所示。结果表明,本发明提供的一种基于重要性加权域对抗自适应的智能故障诊断方法优于其他传统的方法,既可以提取到判别性特征,在完成故障模式的检测,又可以提取域不变特征同时避免负迁移的产生,实现故障诊断知识的迁移。
本发明通过借助有丰富数据信息的工况对数据信息不足的工况进行故障诊断,完成了诊断知识的迁移,同时构造了深度学习网络,克服了传统诊断方法中对专家知识的依赖,为一种新型基于局部自适应的故障诊断方法,为降低未来智能故障诊断***的成本提供了一种有效的工具。
Claims (9)
1.一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,包括如下步骤,
(1)采集旋转机械在两种不同工况下的振动信号,分别对两种工况下的振动信号采用移动时窗进行分割,获得两种工况下的数据集,并将两种工况下的数据集分为源域数据集与目标域数据集;
(2)构造由特征提取器与域分类器组成的域类别识别网络,采用源域数据集与目标域数据集,训练域类别识别网络,得到源域数据集中源域样本的重要性权重,根据重要性权重,得到归一化的源域样本的重要性权重;
(3)将特征提取器与类别标签分类器组成故障模式识别网络;
(4)将特征提取器、归一化的源域样本的重要性权重以及域判别器组成重要性加权域对抗自适应网络;
(5)采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络,直至所有的网络参数收敛,然后使用类别标签分类器识别目标域数据集中的旋转机械健康状态。
2.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤(1)的具体过程如下:
1)使用传感器采集滚动轴承在两种不同工况下各故障类型的振动信号;
2)选择最优前进步长,采用移动时窗对振动信号进行分割;分别获得两种工况下的数据集,其中故障类型完整且带有故障标签的工况数据集设置为源域数据集,故障类型不完整且故障标签缺失的数据集设置为目标域数据集。
3.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤(2)中,构造由特征提取器与域分类器D0组成的域类别识别网络的具体过程如下:
1)将多层一维卷积神经网络层搭建特征提取器;
2)将域分类器通过全连接层与特征提取器进行连接,组成域类别识别网络;根据域类别识别网络,得到域类别标签预测的结果;
3)根据域类别标签预测的结果计算域类别识别网络损失函数,迭代训练域分类器直至稳定;
4)通过训练稳定的域类别识别网络,得到源域样本的重要性权重,根据源域样本的重要性权重,得到归一化的源域样本的重要性权重。
4.根据权利要求3所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤2)的具体过程为:根据源域训练数据集与目标域训练数据集其中,为源域的样本点;为源域样本点的标签;ns为源域样本点的个数;Y为源域样本的标签空间;为目标域的样本点;为目标域样本点的标签,在训练时目标域标签是不存在的;nt为目标域样本点个数;Ysub为目标域样本的标签空间,Ysub为源域样本的标签空间的子集;通过特征提取器得到振动信号的特征:
式1-1中:为网络输出函数,其中xs、xt、θh、Hs、Ht分别代表网络输入的源域样本、输入的目标域样本、特征提取器的网络参数、源域样本经过特征提取器后输出的源域特征、目标域样本经过特征提取器后输出的目标域特征;
源域特征与目标域特征经过域分类器D0,得到域类别标签预测的结果:
式1-2中:sigmoid(·)函数将输入映射到0,1之间;P0为归一化网络样本的域类别标签预测概率向量;θd0代表域分类器D0的网络参数。
7.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤(3)的具体过程为:
①.类别标签分类器通过全连接层与特征提取器进行连接,并对特征提取器提取到的判别性特征进行模式识别分类,得到故障类型预测结果;
②.根据故障类型预测结果计算故障模式识别网络损失函数,形成故障模式识别网络。
8.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤(4)的具体过程如下:
a)将源域数据集与目标域数据集,经过特征提取器,得到源域数据集与目标域数据集在高维空间中的域不变特征;
b)根据源域数据集与目标域数据集在高维空间中的域不变特征,通过域判别器D1进行域类别识别分类,得到域类别标签预测结果;
c)根据域类别标签预测结果以及归一化的源域样本的重要性权重计算重要性加权对抗自适应网络的损失函数,完成重要性加权域对抗自适应网络的构建。
9.根据权利要求1所述的一种基于重要性加权域对抗自适应的智能故障诊断方法,其特征在于,步骤(5)中采用对抗博弈策略依次迭代训练域分类器、故障模式识别网络与重要性加权域对抗自适应网络,直至所有的网络参数收敛的具体步骤为:
1)在k次迭代中,采用下式最小化域分类器D0损失函数,通过反向传播算法,更新域分类器D0的网络参数θd0至稳定;
2)通过最小化重要性加权对抗自适应网络的损失函数训练域判别器D1,然后过最小化故障模式识别网络的损失函数训练类别标签分类器,最后通过最小化标签分类器损失函数以及最大化重要性加权对抗自适应网络损失函数,训练特征提取器;
3)重复迭代步骤1)与步骤2),直至所有网络参数收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711903.6A CN112101085B (zh) | 2020-07-22 | 2020-07-22 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711903.6A CN112101085B (zh) | 2020-07-22 | 2020-07-22 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101085A true CN112101085A (zh) | 2020-12-18 |
CN112101085B CN112101085B (zh) | 2022-05-20 |
Family
ID=73749834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711903.6A Active CN112101085B (zh) | 2020-07-22 | 2020-07-22 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101085B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
CN113204280A (zh) * | 2021-05-08 | 2021-08-03 | 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 |
CN113343855A (zh) * | 2021-06-09 | 2021-09-03 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断***及方法 |
CN113591625A (zh) * | 2021-07-16 | 2021-11-02 | 西安交通大学 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 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 |
CN114580284A (zh) * | 2022-03-07 | 2022-06-03 | 重庆大学 | 旋转机械变工况故障诊断方法及*** |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017070657A1 (en) * | 2015-10-23 | 2017-04-27 | John Cameron | Methods and systems for generating a state of being construct |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN110674849A (zh) * | 2019-09-02 | 2020-01-10 | 昆明理工大学 | 基于多源域集成迁移的跨领域情感分类方法 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 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 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 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 |
US10664550B1 (en) * | 2017-02-07 | 2020-05-26 | DemandJump, Inc. | Technologies for web domain ranking with temporal effects within competitive network environments |
CN111275024A (zh) * | 2020-03-22 | 2020-06-12 | 东北电力大学 | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 |
-
2020
- 2020-07-22 CN CN202010711903.6A patent/CN112101085B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017070657A1 (en) * | 2015-10-23 | 2017-04-27 | John Cameron | Methods and systems for generating a state of being construct |
US10664550B1 (en) * | 2017-02-07 | 2020-05-26 | DemandJump, Inc. | Technologies for web domain ranking with temporal effects within competitive network environments |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN110674849A (zh) * | 2019-09-02 | 2020-01-10 | 昆明理工大学 | 基于多源域集成迁移的跨领域情感分类方法 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 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 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 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 |
CN111275024A (zh) * | 2020-03-22 | 2020-06-12 | 东北电力大学 | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JUN PAN 等: "LiftingNet: A Novel Deep Learning Network With Layerwise Feature Learning From Noisy Mechanical Data for Fault Classification", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
SHISHENG ZHONG 等: "An improved correlation-based anomaly detection approach for condition monitoring data of industrial equipment", 《2016 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (ICPHM)》 * |
刘建伟 等: "域自适应学习研究进展", 《自动化学报》 * |
张根保 等: "一种用于轴承故障诊断的迁移学习模型", 《吉林大学学报(工学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784920A (zh) * | 2021-02-03 | 2021-05-11 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
CN112784920B (zh) * | 2021-02-03 | 2024-02-13 | 湖南科技大学 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
CN113159126B (zh) * | 2021-03-22 | 2022-08-12 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
CN113159126A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 基于通用域适应的工业物联网设备故障诊断方法 |
CN113204280A (zh) * | 2021-05-08 | 2021-08-03 | 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 |
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 |
CN113343855A (zh) * | 2021-06-09 | 2021-09-03 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断***及方法 |
CN113343855B (zh) * | 2021-06-09 | 2022-09-16 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断***及方法 |
CN113591625A (zh) * | 2021-07-16 | 2021-11-02 | 西安交通大学 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 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 |
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 |
CN114580284A (zh) * | 2022-03-07 | 2022-06-03 | 重庆大学 | 旋转机械变工况故障诊断方法及*** |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
CN117272032B (zh) * | 2023-11-22 | 2024-02-13 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112101085B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN111898095A (zh) | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 | |
Li et al. | Multiscale dynamic fusion prototypical cluster network for fault diagnosis of planetary gearbox under few labeled samples | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
CN111612051A (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN114638256B (zh) | 基于声波信号及注意力网络的变压器故障检测方法及其*** | |
CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
CN115435892A (zh) | 一种复杂机电装备的智能故障诊断方法 | |
CN116451150A (zh) | 一种基于半监督小样本的设备故障诊断方法 | |
CN116502135A (zh) | 一种轴承故障诊断方法及*** | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN116026593A (zh) | 跨工况的滚动轴承故障靶向迁移诊断方法及*** | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 |
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 |