CN112784920A - 云边端协同的旋转部件对抗域自适应故障诊断方法 - Google Patents
云边端协同的旋转部件对抗域自适应故障诊断方法 Download PDFInfo
- Publication number
- CN112784920A CN112784920A CN202110147034.3A CN202110147034A CN112784920A CN 112784920 A CN112784920 A CN 112784920A CN 202110147034 A CN202110147034 A CN 202110147034A CN 112784920 A CN112784920 A CN 112784920A
- Authority
- CN
- China
- Prior art keywords
- domain
- fault diagnosis
- data
- cloud
- network
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 108010063499 Sigma Factor Proteins 0.000 claims description 3
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 230000007175 bidirectional communication Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种云边端协同的旋转部件对抗域自适应故障诊断方法，将数据存储、扩展和智能故障诊断模型的构建、训练，以及大量计算分配到云边网络；将数据采集，各终端实时故障诊断，以及终端设备状态监测分配到端边网络，实现了云边端的人工智能协同；诊断方法融入了双层对抗域自适应思想，以在领域级和故障类别级上逐步对齐不同的域，以解决领域差异问题，实现更加全面的域自适应，并使分类器学习域不变表示特征；最后将在源域中训练好的分类器直接用于目标域的故障诊断，解决了变工况下旋转设备的数据领域差异问题，提高了旋转设备故障诊断精度。
Description
技术领域
本发明涉及旋转部件故障诊断领域，特别涉及一种云边端协同的旋转部件对抗域自适应故障诊断方法。
背景技术
随着人工智能技术和云计算的快速发展，云边端协同技术正成长为一个具有发展前景的新兴领域。近年来，基于深度学习模型的云边端协同的智能应用和服务正逐渐融入国家发展和民生的各个领域，例如智能制造、无人驾驶、智慧城市、气象预警等。面向各种物联场景，云端计算的优势能够用来解决终端资源受限的问题，以结合更广泛的数据训练人工智能模型，将训练好的人工智能模型迁移部署在环境复杂且计算资源受限的终端设备。这为解决旋转部件故障诊断实时性需求与大量计算负担之间的矛盾提供了思路，提高了边端对不同应用场景的适应能力。
对于故障诊断方面，旋转设备是现代工业领域广泛应用的部件，如风电领域、水电领域、航空领域等，因此在变工况下进行旋转设备的故障诊断对工业设备的安全可靠运行具有重要意义。对抗域自适应学习作为一种与迁移学习密切相关的机器学习策略，可以利用训练数据集(源域)的知识，并将其适应于不同但相关的测试数据集(目标域)，这为解决不同应用场景下旋转设备数据领域差异问题提供了很好的方法。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、诊断精度高的云边端协同的旋转部件对抗域自适应故障诊断方法。
本发明解决上述问题的技术方案是：一种云边端协同的旋转部件对抗域自适应故障诊断方法，是通过云边端协同***作为平台架构实现的，云边端协同***包括云边网络和端边网络，所述云边网络双向通信连接所述端边网络；
所述云边网络包括云端服务器和边缘镜像仓库，所述云端服务器用于构建云端数据库和搭建***运行环境，并在运行环境上进行智能故障诊断模型的训练和参数存储，并把训练好的智能故障诊断模型、运行环境和结果数据传输程序打包成模型镜像推送至边缘镜像仓库，并控制端边网络获取并执行所述模型镜像；
所述端边网络从相应终端采集数据并定时上传至云端，从所述云边网络获取所述模型镜像，将在云端训练好的智能故障诊断模型迁移到端边网络，在相应的边缘端构建并配置模型的执行文件；并根据智能故障诊断模型所需要的数据从各个终端获取相应数据，进行数据的处理，保存和传输；根据处理好的数据运行智能故障诊断模型和模型计算，并把结果反馈到对应的终端状态监测器；
故障诊断方法具体包括以下步骤：
(1)构建不同工况下旋转设备故障样本数据库，并划分训练集和测试集，将训练集作为源域，测试集作为目标域；
(2)使用稀疏自动编码器SAE作为特征生成器Gf，从源域和目标域中自动提取代表性特征，并引入KL散度来衡量源域和目标域之间的特征差异；
(3)构建领域鉴别器D0，将源域和目标域样本特征作为输入，并判别特征来自于源域还是目标域，构造梯度反转层来实现特征生成器和领域鉴别器的对抗域自适应学习，并加入谱范数正则化来约束对抗训练过程；
(4)使用softmax分类器作为标签预测器Cy，并用源域数据进行训练；
(5)构建故障类别鉴别器D1，包括一个标签预测器C，并构造梯度反转层来实现故障类别鉴别器和特征生成器的对抗域自适应学习，并加入谱范数正则化来约束对抗训练过程；
(6)使用梯度下降算法SGD来优化特征生成器Gf、领域鉴别器D0、故障类别鉴别器D1和标签预测器Cy总的损失函数，即得到训练好的智能故障诊断模型；
(7)将训练好的智能故障诊断模型直接用于目标域特征的故障诊断，获得预测标签，并根据实际标签计算分类精度。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(1)中，源域数据为
其中第i个样本xi属于特征空间
即
第i个样本xi对应的样本标签yi属于标签空间
即yi∈ys，ns为源域样本数量；目标域数据为
其中第j个样本xj属于特征空间
即
nt为目标域样本数量。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(2)中，稀疏自编码SAE网络由编码网络和解码网络构成；其中，编码网络将输入数据X＝{x1,x2,...xr,...xn}压缩为隐含层表示H：
H＝f(W1X+b1)
其中，W1为编码网络的权重矩阵，b1为编码网络的偏置向量，f为激活函数；
然后，解码网络将隐含层表示H重构成与X相同维度的向量
其中，W2为解码网络的权重矩阵，b2为解码网络的偏置向量；
SAE的学习过程是最小化损失函数：
其中，θ表示要更新的参数，n为输入样本数量，β为控制稀疏惩罚项权重的超参数，s为隐藏层中神经元数量，KL表示Kullback-Leibler散度，ρ为稀疏性参数，
为第l个隐藏单位的平均激活值。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(3)中，领域鉴别器D0与特征生成器Gf通过梯度反转层构成对抗域自适应模块，进行极大极小博弈，从而判别特征来自源域还是目标域；并引入谱范数正则化以缓解对抗训练过程的不稳定性；
D0对抗训练过程的逻辑损失函数为：
其中，θf和θ0分别为特征生成器和领域鉴别器D0的参数，Gs和Gt分别为特征生成器Gf的源域和目标域表示，di'为领域标签，如果该特征来自源域，其值为1，否则为0，μ是正则化因子，σ表示谱范数，
是领域鉴别器D0的权重矩阵。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(4)中，对于源域数据
其中yi∈{1,2,...,Nclass}，Nclass为标签数；利用softmax函数通过回归分析估计每个预测标签
的概率
并以概率最高的类别作为样本的类别；
概率假设函数为：
其中，
表示softmax模型参数；
采用交叉熵函数作为softmax回归的损失函数，定义为：
其中，θf和θy分别为特征生成器Gf和标签预测器Cy的参数，1{yi＝k}是指示器函数，如果语句为真其值为1，否则为0。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(5)中，故障类别鉴别器D1与特征生成器Gf通过梯度反转层构成类别级对抗域自适应模块，进行极大极小博弈，从而实现标签空间的对齐，并引入谱范数正则化以缓解对抗训练过程的不稳定性；
根据实际的故障标签和预测的故障标签，D1对抗训练过程的逻辑损失函数为：
其中，θf和θ1为特征生成器和故障类别鉴别器D1的参数，fdi'为样本的类别标签，WD1为故障类别鉴别器D1的权重矩阵。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(6)中，总的优化目标函数如下：
其中，λ为控制对抗域自适应水平的权衡参数，优化的目标是找到一组最优参数
使所有分类标签的损失最小化，同时最大化域标签的损失；优化目标写成：
随机梯度下降SGD算法被用来解决优化目标的问题，在训练过程中，参数更新规则如下：
其中，α为学习速率，-λ表示梯度反转。
上述旋转部件双层对抗域自适应故障诊断方法，所述步骤(7)中，softmax分类器以目标域数据的分类精度Accuracy作为性能评价指标，其计算公式如下：
其中，
为目标域数据集，y(x)为样本的实际标签，
为分类器预测的标签。
本发明的有益效果在于：
1、本发明实现了云边端的人工智能协同，将一种从领域级到特征级的双层对抗思想融入到诊断模型中，通过构造领域鉴别器和故障类鉴别器来减小两个域之间的分布差异以及各故障类型在目标域内的分布差异，从而实现更全面的域自适应，并且能更好适应复杂变工况下的旋转设备故障诊断环境。
2、本发明从神经网络参数矩阵的谱范数角度引入规则约束，在模型训练中引入了谱范数正则化，以解决对抗训练过程中的不稳定性，使训练过程更加稳定，且易于收敛。
附图说明
图1为本发明的诊断流程框图。
图2为稀疏自编码结构示意图。
图3为本发明诊断模型框架图。
图4为本发明实验对比条形图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，一种云边端协同的旋转部件对抗域自适应故障诊断方法，是通过云边端协同***作为平台架构实现的，云边端协同***包括云边网络和端边网络，所述云边网络双向通信连接所述端边网络。
所述云边网络包括云端服务器和边缘镜像仓库，所述云端服务器用于构建云端数据库和搭建***运行环境，并在运行环境上进行智能故障诊断模型的训练和参数存储，并把训练好的智能故障诊断模型、运行环境和结果数据传输程序打包成模型镜像推送至边缘镜像仓库，并控制端边网络获取并执行所述模型镜像。
所述端边网络从相应终端采集数据并定时上传至云端，从所述云边网络获取所述模型镜像，将在云端训练好的智能故障诊断模型迁移到端边网络，在相应的边缘端构建并配置模型的执行文件；并根据智能故障诊断模型所需要的数据从各个终端获取相应数据，进行数据的处理，保存和传输；根据处理好的数据运行智能故障诊断模型和模型计算，并把结果反馈到对应的终端状态监测器。
故障诊断方法具体包括以下步骤：
(1)构建不同工况下旋转设备故障样本数据库，并划分训练集和测试集，将训练集作为源域，测试集作为目标域。
源域数据为
其中第i个样本xi属于特征空间
即
第i个样本xi对应的样本标签yi属于标签空间
即
ns为源域样本数量；目标域数据为
其中第j个样本xj属于特征空间
即
nt为目标域样本数量。
(2)使用稀疏自动编码器SAE作为特征生成器Gf，从源域和目标域中自动提取代表性特征，并引入KL散度来衡量源域和目标域之间的特征差异。
如图2所示，稀疏自编码SAE网络由编码网络和解码网络构成；其中，编码网络将输入数据X＝{x1,x2,...xr,...xn}压缩为隐含层表示H：
H＝f(W1X+b1)
其中，W1为编码网络的权重矩阵，b1为编码网络的偏置向量，f为激活函数。
然后，解码网络将隐含层表示H重构成与X相同维度的向量
其中，W2为解码网络的权重矩阵，b2为解码网络的偏置向量。
SAE的学习过程是最小化损失函数：
其中，θ表示要更新的参数，n为输入样本数量，β为控制稀疏惩罚项权重的超参数，s为隐藏层中神经元数量，KL表示Kullback-Leibler散度，ρ为稀疏性参数，
为第j个隐藏单位的平均激活值。
SAE改进了传统自动编码器的性能，能够学习原始数据的有效特征，同时有效地进行降维。
(3)构建领域鉴别器D0，如图3所示，将源域和目标域样本特征作为输入，领域鉴别器D0与特征生成器Gf通过梯度反转层构成对抗域自适应模块，进行极大极小博弈，从而判别特征来自源域还是目标域；并引入谱范数正则化以缓解对抗训练过程的不稳定性。
D0对抗训练过程的逻辑损失函数为：
其中，θf和θ0为特征生成器和领域鉴别器D0的参数，Gs和Gt分别为特征生成器Gf的源域和目标域表示，di'为领域标签，如果该特征来自源域，其值为1，否则为0，μ是正则化因子，σ表示谱范数，
是领域鉴别器D0的权重矩阵。
(4)使用softmax分类器作为标签预测器Cy，并用源域数据进行训练。
对于源域数据
其中yi∈{1,2,...,Nclass}，Nclass为标签数；利用softmax函数通过回归分析估计每个预测标签
的概率
并以概率最高的类别作为样本的类别。
概率假设函数为：
其中，
表示softmax模型参数。
采用交叉熵函数作为softmax回归的损失函数，定义为：
其中，θf和θy分别为特征生成器Gf和标签预测器Cy的参数，1{yi＝k}是指示器函数，如果语句为真其值为1，否则为0。
(5)构建故障类别鉴别器D1，包括一个标签预测器C；如图3所示，故障类别鉴别器D1与特征生成器Gf通过梯度反转层构成类别级对抗域自适应模块，进行极大极小博弈，从而实现标签空间的对齐，并引入谱范数正则化以缓解对抗训练过程的不稳定性。
根据实际的故障标签和预测的故障标签，D1对抗训练过程的逻辑损失函数为：
其中，θf和θ1为特征生成器和故障类别鉴别器D1的参数，fdi'为样本的类别标签，
为故障类别鉴别器D1的权重矩阵。
(6)使用梯度下降算法SGD来优化特征生成器Gf、领域鉴别器D0、故障类别鉴别器D1和标签预测器Cy总的损失函数，即得到训练好的智能故障诊断模型。
总的优化目标函数如下：
其中，λ为控制对抗域自适应水平的权衡参数，优化的目标是找到一组最优参数
使所有分类标签的损失最小化，同时最大化域标签的损失；优化目标写成：
随机梯度下降SGD算法被用来解决优化目标的问题，在训练过程中，参数更新规则如下：
其中，α为学习速率，-λ表示梯度反转。
(7)将训练好的智能故障诊断模型直接用于目标域特征的故障诊断，获得预测标签，并根据实际标签计算分类精度。
softmax分类器以目标域数据的分类精度Accuracy作为性能评价指标，其计算公式如下：
其中，
为目标域数据集，y(x)为样本的实际标签，
为分类器预测的标签。
为验证本***所用故障诊断方法的有效性，将实验结果与三种不采用领域自适应的传统方法(BP,softmax,SAE)和三种采用领域自适应的方法(CORAL,MTLF,JDA)进行了比较。对比试验结果如图4所示，与传统方法和现有的几种自适应方法相比，领域级对齐和故障类别级对齐相结合能够更好地识别旋转设备的故障类型，提高诊断结果的准确性。
综上所述，本发明将数据存储、扩展和智能故障诊断模型的构建、训练，以及大量计算分配到云边网络；将数据采集，各终端实时故障诊断，以及终端设备状态监测分配到端边网络，实现了云边端的人工智能协同。该诊断方法融入了双层对抗域自适应思想，以在领域级和故障类别级上逐步对齐不同的域，以解决领域差异问题，实现更加全面的域自适应，并使分类器学习域不变表示特征；最后将在源域中训练好的分类器直接用于目标域的故障诊断，解决了变工况下旋转设备的数据领域差异问题，提高了旋转设备故障诊断精度。
Claims (8)
1.一种云边端协同的旋转部件对抗域自适应故障诊断方法，是通过云边端协同***作为平台架构实现的，其特征在于：云边端协同***包括云边网络和端边网络，所述云边网络双向通信连接所述端边网络；
所述云边网络包括云端服务器和边缘镜像仓库，所述云端服务器用于构建云端数据库和搭建***运行环境，并在运行环境上进行智能故障诊断模型的训练和参数存储，并把训练好的智能故障诊断模型、运行环境和结果数据传输程序打包成模型镜像推送至边缘镜像仓库，并控制端边网络获取并执行所述模型镜像；
所述端边网络从相应终端采集数据并定时上传至云端，从所述云边网络获取所述模型镜像，将在云端训练好的智能故障诊断模型迁移到端边网络，在相应的边缘端构建并配置模型的执行文件；并根据智能故障诊断模型所需要的数据从各个终端获取相应数据，进行数据的处理，保存和传输；根据处理好的数据运行智能故障诊断模型和模型计算，并把结果反馈到对应的终端状态监测器；
故障诊断方法具体包括以下步骤：
(1)构建不同工况下旋转设备故障样本数据库，并划分训练集和测试集，将训练集作为源域，测试集作为目标域；
(2)使用稀疏自动编码器SAE作为特征生成器Gf，从源域和目标域中自动提取代表性特征，并引入KL散度来衡量源域和目标域之间的特征差异；
(3)构建领域鉴别器D0，将源域和目标域样本特征作为输入，并判别特征来自于源域还是目标域，构造梯度反转层来实现特征生成器和领域鉴别器的对抗域自适应学习，并加入谱范数正则化来约束对抗训练过程；
(4)使用softmax分类器作为标签预测器Cy，并用源域数据进行训练；
(5)构建故障类别鉴别器D1，包括一个标签预测器C，并构造梯度反转层来实现故障类别鉴别器和特征生成器的对抗域自适应学习，并加入谱范数正则化来约束对抗训练过程；
(6)使用梯度下降算法SGD来优化特征生成器Gf、领域鉴别器D0、故障类别鉴别器D1和标签预测器Cy总的损失函数，即得到训练好的智能故障诊断模型；
(7)将训练好的智能故障诊断模型直接用于目标域特征的故障诊断，获得预测标签，并根据实际标签计算分类精度。
2.根据权利要求1所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(1)中，源域数据为
其中第i个样本xi属于特征空间
即
第i个样本xi对应的样本标签yi属于标签空间
即
ns为源域样本数量；目标域数据为
其中第j个样本xj属于特征空间
即
nt为目标域样本数量。
3.根据权利要求1所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(2)中，稀疏自编码SAE网络由编码网络和解码网络构成；其中，编码网络将输入数据X＝{x1,x2,...xr,...xn}压缩为隐含层表示H：
H＝f(W1X+b1)
其中，W1为编码网络的权重矩阵，b1为编码网络的偏置向量，f为激活函数；
然后，解码网络将隐含层表示H重构成与X相同维度的向量
其中，W2为解码网络的权重矩阵，b2为解码网络的偏置向量；
SAE的学习过程是最小化损失函数：
其中，θ表示要更新的参数，n为输入样本数量，β为控制稀疏惩罚项权重的超参数，s为隐藏层中神经元数量，KL表示Kullback-Leibler散度，ρ为稀疏性参数，
为第l个隐藏单位的平均激活值。
4.根据权利要求3所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(3)中，领域鉴别器D0与特征生成器Gf通过梯度反转层构成对抗域自适应模块，进行极大极小博弈，从而判别特征来自源域还是目标域；并引入谱范数正则化以缓解对抗训练过程的不稳定性；
D0对抗训练过程的逻辑损失函数为：
其中，θf和θ0分别为特征生成器和领域鉴别器D0的参数，Gs和Gt分别为特征生成器Gf的源域和目标域表示，di'为领域标签，如果该特征来自源域，其值为1，否则为0，μ是正则化因子，σ表示谱范数，WD0是领域鉴别器D0的权重矩阵。
5.根据权利要求4所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(4)中，对于源域数据
其中yi∈{1,2,...,Nclass}，Nclass为标签数；利用softmax函数通过回归分析估计每个预测标签
的概率
并以概率最高的类别作为样本的类别；
概率假设函数为：
其中，
表示softmax模型参数；
采用交叉熵函数作为softmax回归的损失函数，定义为：
其中，θf和θy分别为特征生成器Gf和标签预测器Cy的参数，1{yi＝k}是指示器函数，如果语句为真其值为1，否则为0。
6.根据权利要求5所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(5)中，故障类别鉴别器D1与特征生成器Gf通过梯度反转层构成类别级对抗域自适应模块，进行极大极小博弈，从而实现标签空间的对齐，并引入谱范数正则化以缓解对抗训练过程的不稳定性；
根据实际的故障标签和预测的故障标签，D1对抗训练过程的逻辑损失函数为：
其中，θf和θ1为特征生成器和故障类别鉴别器D1的参数，fdi'为样本的类别标签，
为故障类别鉴别器D1的权重矩阵。
7.根据权利要求6所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(6)中，总的优化目标函数如下：
其中，λ为控制对抗域自适应水平的权衡参数，优化的目标是找到一组最优参数
使所有分类标签的损失最小化，同时最大化域标签的损失；优化目标写成：
随机梯度下降SGD算法被用来解决优化目标的问题，在训练过程中，参数更新规则如下：
其中，α为学习速率，-λ表示梯度反转。
8.根据权利要求7所述旋转部件双层对抗域自适应故障诊断方法，其特征在于，所述步骤(7)中，softmax分类器以目标域数据的分类精度Accuracy作为性能评价指标，其计算公式如下：
其中，
为目标域数据集，y(x)为样本的实际标签，
为分类器预测的标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110147034.3A CN112784920B (zh) | 2021-02-03 | 2021-02-03 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110147034.3A CN112784920B (zh) | 2021-02-03 | 2021-02-03 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784920A true CN112784920A (zh) | 2021-05-11 |
| CN112784920B CN112784920B (zh) | 2024-02-13 |
Family
ID=75760628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110147034.3A Active CN112784920B (zh) | 2021-02-03 | 2021-02-03 | 云边端协同的旋转部件对抗域自适应故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784920B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821012A (zh) * | 2021-08-30 | 2021-12-21 | 南京航空航天大学 | 一种用于变工况卫星姿态控制***的故障诊断方法 |
| CN114330454A (zh) * | 2022-01-05 | 2022-04-12 | 东北农业大学 | 一种基于ds证据理论融合特征的生猪咳嗽声音识别方法 |
| CN116106005A (zh) * | 2023-04-12 | 2023-05-12 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
| CN117648921A (zh) * | 2024-01-29 | 2024-03-05 | 山东财经大学 | 基于成对双层对抗对齐的跨主题作文自动测评方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
| CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
| CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
| CN112232252A (zh) * | 2020-10-23 | 2021-01-15 | 湖南科技大学 | 基于最优输运的传动链无监督域适应故障诊断方法 |
-
2021
- 2021-02-03 CN CN202110147034.3A patent/CN112784920B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
| CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
| CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
| CN112232252A (zh) * | 2020-10-23 | 2021-01-15 | 湖南科技大学 | 基于最优输运的传动链无监督域适应故障诊断方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821012A (zh) * | 2021-08-30 | 2021-12-21 | 南京航空航天大学 | 一种用于变工况卫星姿态控制***的故障诊断方法 |
| CN113821012B (zh) * | 2021-08-30 | 2023-12-29 | 南京航空航天大学 | 一种用于变工况卫星姿态控制***的故障诊断方法 |
| CN114330454A (zh) * | 2022-01-05 | 2022-04-12 | 东北农业大学 | 一种基于ds证据理论融合特征的生猪咳嗽声音识别方法 |
| CN116106005A (zh) * | 2023-04-12 | 2023-05-12 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
| CN116106005B (zh) * | 2023-04-12 | 2023-06-06 | 北京理工大学 | 一种基于端边云协同机器学习的旋转设备故障诊断方法 |
| CN117648921A (zh) * | 2024-01-29 | 2024-03-05 | 山东财经大学 | 基于成对双层对抗对齐的跨主题作文自动测评方法及*** |
| CN117648921B (zh) * | 2024-01-29 | 2024-05-03 | 山东财经大学 | 基于成对双层对抗对齐的跨主题作文自动测评方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784920B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断***及方法 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN112784965A (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN113486078B (zh) | 一种分布式配电网运行监控方法及*** | |
| Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
| CN111597760A (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
| CN115204302A (zh) | 一种无人机小样本故障诊断***及方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
| Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
| CN117009916A (zh) | 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 | |
| CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及*** | |
| CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
| CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及*** | |
| CN114626550A (zh) | 分布式模型协同训练方法和*** | |
| CN117131022B (zh) | 一种电力信息***的异构数据迁移方法 | |
| CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
| CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
| CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及*** | |
| CN113835964A (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117435901B (zh) | 一种工业互联网数据获取方法、***、终端及储存介质 | |
| CN116257972B (zh) | 基于领域自适应和联邦学习的设备状态评估方法及*** |
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 |