CN112926642A - 一种多源域自适应智能机械故障诊断方法及*** - Google Patents

一种多源域自适应智能机械故障诊断方法及*** Download PDF

Info

Publication number
CN112926642A
CN112926642A CN202110196455.5A CN202110196455A CN112926642A CN 112926642 A CN112926642 A CN 112926642A CN 202110196455 A CN202110196455 A CN 202110196455A CN 112926642 A CN112926642 A CN 112926642A
Authority
CN
China
Prior art keywords
source domain
data
domain
fault diagnosis
source
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
Application number
CN202110196455.5A
Other languages
English (en)
Other versions
CN112926642B (zh
Inventor
李沂滨
徐丹雅
宋艳
高晟耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202110196455.5A priority Critical patent/CN112926642B/zh
Publication of CN112926642A publication Critical patent/CN112926642A/zh
Application granted granted Critical
Publication of CN112926642B publication Critical patent/CN112926642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (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)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开提供了一种多源域自适应智能机械故障诊断方法及***，获取机械设备的运行状态数据；利用预设特征提取器对获取的运行状态数据进行特征提取；将提取到的特征输入到预设分类器中，得到故障分类预测结果；其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新；本公开能够有效解决不同操作条件下训练集和测试集数据之间因特征分布不同导致的训练集学习的模型无法适应于测试集的问题，有效提高了机械设备在新工况下的故障诊断分类准确率。

Description

一种多源域自适应智能机械故障诊断方法及***
技术领域
本公开涉及机械设备故障诊断技术领域，特别涉及一种多源域自适应智能机械故障诊断方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
随着机械设备向自动化、智能化方向发展，健康状态监测与维护对保障机械***高精度高可靠性运行尤为重要。机械设备一旦发生故障，将发生灾难性后果，及时诊断出故障对于确保机械设备的高精度和高可靠性操作尤为重要。
故障诊断的目的是通过使用获得的测量值监视和分析机器的状态来检测故障***上的故障。故障诊断的基本方法是在被测部件周围安置传感器，监测振动信号，利用故障诊断算法进行检测，关键环节在于故障特征提取，提取特征的质量对最终的故障诊断结果具有重要影响。传统的故障诊断方法通常采用人工特征提取，需要操作人员具有一定的专业知识背景。
物联网的快速发展，使得机械***运行状态的数据规模不断扩大，同时机器学习及深度学习理论的进步，促使基于数据驱动的智能故障诊断算法蓬勃发展。一方面，现有方法大多基于训练集和测试集具有相同的数据分布的假设，然而在获取振动数据时，工业环境的复杂性和工作环境的变化可能会改变实际的机械数据和培训数据的分布，利用训练集训练的网络不适合实际故障诊断任务。另一方面，大部分故障诊断算法假定有足够的标记数据来训练模型，在实际工程应用场景中，机器通常在健康状态下工作，很少发生故障；同时获取标签数据需要花费巨额成本，故障数据不足且无标签将导致已有方法不适用，不足以训练出可靠的诊断模型。
域自适应是解决该问题的一个方法，基于知识重用的思想，可以在实验室中模拟机械设备的各种故障状况，收集充足的标记数据，使利用实验室轴承数据训练的诊断模型也可以适用于工程场景中的轴承故障诊断。现有的一些方法都大多采用单源域自适应方法，即采用单个数据源作为训练集(源域)，而实际应用场景下，可能存在多个数据源可供使用的情况。实际应用下，测试集(目标域)无标签，无法确定使用哪个数据源进行域自适应效果更好。一种方法是将所有数据源合为一个数据集作为训练集，但这忽略了数据集之间的差异。
发明内容
为了解决现有技术的不足，本公开提供了一种多源域自适应智能机械故障诊断方法及***，能够有效解决不同操作条件下训练集和测试集数据之间因特征分布不同导致的训练集学习的模型无法适应于测试集的问题，有效提高了机械设备在新工况下的故障诊断分类准确率。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种多源域自适应智能机械故障诊断方法。
一种多源域自适应智能机械故障诊断方法，包括以下步骤：
获取机械设备的运行状态数据；
利用预设特征提取器对获取的运行状态数据进行特征提取；
将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
本公开第二方面提供了一种多源域自适应智能机械故障诊断***。
一种多源域自适应智能机械故障诊断***，包括：
数据获取模块，被配置为：获取机械设备的运行状态数据；
特征提取模块，被配置为：利用预设特征提取器对获取的运行状态数据进行特征提取；
分类预测模块，被配置为：将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的多源域自适应智能机械故障诊断方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的多源域自适应智能机械故障诊断方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、***、介质或电子设备，利用多个数据源学习故障诊断特征，通过特征提取器学习域特征表示，利用基于对抗和基于距离的训练方式缩小每个源域数据和目标域数据之间的分布，应用于目标域以进行故障诊断，能够有效解决不同操作条件下训练集和测试集数据之间因特征分布不同导致的训练集学习的模型无法适应于测试集的问题，有效提高了机械设备在新工况下的故障诊断分类准确率，与现有技术相比，对不同工况下的故障诊断准确性有显著提高。
2、本公开所述的方法、***、介质或电子设备，考虑了实际情况下获取数据与已有数据集分布不同的问题，同时解决了存在多个源域时如何挑选源域的问题，能够利用多种数据源，提取域不变特征以进行有效的故障分类，提高分类准确率。
3、本公开所述的方法、***、介质或电子设备，基于一维卷积神经网络的特征提取器能够有效从机械振动序列中提取特征信息，结合多源域鉴别器，不断的迭代训练可减小源域和目标域提取特征的分布差异，获得各源域和目标域间的域不变特征，进而进行有效的特征分类。
本公开附加方面的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，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的故障诊断预测模型的结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
本公开实施例1提供了一种多源域自适应智能机械故障诊断方法，包括以下步骤：
获取机械设备的运行状态数据；
利用预设特征提取器对获取的运行状态数据进行特征提取；
将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
具体的，包括以下步骤：
S1：利用不同工况下的历史故障信息建立故障诊断算法的源域数据集。
其中N个源域数据集记为S1,S2,...,SN，且源域数据集有标签。
将振动数据划分为信号大小为(2048，1)的样本，并对不同的故障状态进行标注，转置并标准化数据为0-1的数据，标准化公式如下：
Figure BDA0002946900600000051
其中，xs×1表示转换后的输入数据，s表示信号的大小，本实施例为2048，mmax和mmin分别表示xs×1中的最大值和最小值。
源域的数据分布定义为
Figure BDA0002946900600000061
表示来自源域j的数据，其中
Figure BDA0002946900600000062
表示数据，
Figure BDA0002946900600000063
表示
Figure BDA0002946900600000068
对应的标签。
目标域数据集为待预测数据集，数据处理方式同上述源域数据相同，但目标域无标签，无需对样本进行标注，其数据分布表示为Dt(x，y)，数据
Figure BDA0002946900600000064
为无标签的目标域数据。
假设：源域和目标域共享特征空间且数据分布不同(
Figure BDA0002946900600000065
D(Xi)≠D(Xj)，i≠j，i，j∈N；D(Xi)≠D(Xt)，i∈N)。大多数情况下，源域样本量充足，足够建立有效精准的分类器。
S2：构建基于一维卷积神经网络的特征提取器。
特征提取器由四个一维卷积层组成，每个卷积层包括一维批量标准化和ReLU激活层、最大池化层。最后将第四层的数据展开，通过全连接层，ReLU激活函数和Dropout层，得到特征提取器的输出F(x)，每层一维卷积的输出如下：
fi＝E(w*uj+b) (2)
其中，fi为第i层一维卷积的输出，E表示激活函数，参数w∈Rk和b∈R是卷积神经网络的参数，k表示卷积核大小，uj∈R1×k为源域数据Xs的第j个输入数据，“*”表示卷积操作。
S3：构建基于对抗和距离的多源域鉴别器。
该部分由两个模块构成，一是鉴别器，二是最大均值差异模块。
针对N个源域，建立N个域鉴别器
Figure BDA0002946900600000066
对于来自第i个源域或目标域的数据x，经过特征提取器后得到特征F(x)，第i个鉴别器
Figure BDA0002946900600000067
接受F(x)，分辨特征F(x)来自源域i还是目标域；鉴别器
Figure BDA0002946900600000071
只接受来自源域i的数据和目标域的数据，所有鉴别器都接受来自目标域的数据。
鉴别器的分类损失计算如下：
Figure BDA0002946900600000072
其中，E表示交叉熵损失。
为进一步缩小特征差异，减小数据分布的不同，令
Figure BDA0002946900600000073
和
Figure BDA0002946900600000074
为来自数据集
Figure BDA0002946900600000075
和P(Xt)的一组数据，衡量两个数据集分布差异的最大均值差异公式如下：
Figure BDA0002946900600000076
其中，P和Q表示
Figure BDA0002946900600000077
和Xt的分布，f表示重构核希尔伯特空间的映射，Hk表示用核k表示希尔伯特空间，其中本网络使用高斯核，且H为一种函数，表示其可以区分任意两个数据分布，如果两个分部的最大均值差异的值足够小，则认为两个分布相同，否则认为它们不同。
S4：构建分类器C，得到智能故障诊断模型，如图1所示，并利用源域和目标域训练网络。
带有标签的源域数据用来训练分类器，源域数据经过特征提取器后得到的特征F(x)作为分类器的输入，分类器的分类损失计算如下：
Figure BDA0002946900600000078
其中，E表示交叉熵损失。
通过反复迭代的对抗训练，不断减小数据间的分布差异，并对参数进行修改，使分类损失最小化。
S5：基于训练好的网络，对目标域振动数据进行故障分类，将目标域的数据输入到训练好的网络中，分类器的输出即为预测的结果。
具体实例如下：
以凯斯西储大学的轴承故障振动数据集为例，详细叙述本实施例所述的多源域自适应智能故障振动方法。
凯斯西储轴承故障数据集分为四种不同的工况(负载分别为0HP、1HP、2HP和3HP)，示例以其中三种(0HP、1HP和2HP)作为源数据集，一种(3HP)作为目标数据集，旨在利用源数据集(三种工况)预测目标域数据集(一种工况)的故障情况。
S1：利用三种工况建立源域数据集，包括对数据分割、标准化，建立每个数据样本对应的标签；利用第四种工况建立目标域数据集，同样包括数据分割、标准化，但该数据集不建立对应标签。
S2：建立基于一维卷积神经网络的特征提取器。
S3：建立多源域鉴别器，源域包含三个数据集，故域鉴别器有三个。
S4：构建分类器，得到多源域自适应智能故障诊断模型。
网络训练具体步骤如下：
S4.1：从源域数据集1中获取64个数据样本，从目标域数据集中获取64个数据样本。
S4.2：利用公式(2)计算出对抗损失LDA，利用公式(3)计算源域数据集和目标域数据集的最大均值差异LMMD，利用公式(4)计算分类差异Lc。
S4.3：分别利用得到的对抗损失、最大均值差异和分类差异更新网络参数，公式如下：
Figure BDA0002946900600000081
Figure BDA0002946900600000091
Figure BDA0002946900600000092
其中
Figure BDA0002946900600000093
为带标签的源域数据集，Xt为无标签的目标域数据集，θc表示分类器网络参数，域鉴别器参数为
Figure BDA0002946900600000094
θf表示特征提取器的网络参数。
S4.4：循环上述步骤直至网络收敛，得到已训练网络。
S5：基于训练好的网络，对目标域数据进行故障分类，分类器的输出即为预测结果。
实施例2：
本公开实施例2提供了一种多源域自适应智能机械故障诊断***，包括：
数据获取模块，被配置为：获取机械设备的运行状态数据；
特征提取模块，被配置为：利用预设特征提取器对获取的运行状态数据进行特征提取；
分类预测模块，被配置为：将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
所述***的工作方法与实施例1提供的多源域自适应智能机械故障诊断方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的多源域自适应智能机械故障诊断方法中的步骤，所述步骤为：
获取机械设备的运行状态数据；
利用预设特征提取器对获取的运行状态数据进行特征提取；
将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
详细步骤与实施例1提供的多源域自适应智能机械故障诊断方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的多源域自适应智能机械故障诊断方法中的步骤，所述步骤为：
获取机械设备的运行状态数据；
利用预设特征提取器对获取的运行状态数据进行特征提取；
将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
详细步骤与实施例1提供的多源域自适应智能机械故障诊断方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种多源域自适应智能机械故障诊断方法，其特征在于：包括以下步骤：
获取机械设备的运行状态数据；
利用预设特征提取器对获取的运行状态数据进行特征提取；
将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
2.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
特征提取器为一维卷积神经网络的特征提取器，包括四个一维卷积层，每个卷积层包括一维批量标准化和ReLU激活层、最大池化层，将第四层的数据展开，通过全连接层、ReLU激活函数和Dropout层，得到特征提取器的输出。
3.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
源域和目标域共享特征空间且数据分布不同。
4.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
多源域鉴别器包括多源域鉴别模块和最大均值差异模块，每个源域建立一个域鉴别器，对来自第i个源域或目标域的数据，经过特征提取器后得到特征；
第i个鉴别器接收得到的特征，分辨得到的特征来自第i个源域还是目标域，第i个鉴别器只接受来自第i个源域的数据和目标域的数据。
5.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
最大均值差异，包括：
Figure FDA0002946900590000011
其中，P和Q表示源域数据
Figure FDA0002946900590000012
和目标域数据Xt的分布，f表示重构核希尔伯特空间的映射，Hk表示用核k表示希尔伯特空间。
6.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
将获取的运行状态数据进行转置和归一化处理，利用转置和归一化处理后的数据进行特征提取。
7.如权利要求1所述的多源域自适应智能机械故障诊断方法，其特征在于：
目标域数据集中的数据来源与源域数据集中的数据来源属于不同工况。
8.一种多源域自适应智能机械故障诊断***，其特征在于：包括：
数据获取模块，被配置为：获取机械设备的运行状态数据；
特征提取模块，被配置为：利用预设特征提取器对获取的运行状态数据进行特征提取；
分类预测模块，被配置为：将提取到的特征输入到预设分类器中，得到故障分类预测结果；
其中，特征提取器的网络参数根据预设多源域鉴别器的分类损失、源域数据集和目标域数据集的最大均值差异以及分类器根据源域数据集得到的分类损失进行更新。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的多源域自适应智能机械故障诊断方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的多源域自适应智能机械故障诊断方法中的步骤。
CN202110196455.5A 2021-02-22 2021-02-22 一种多源域自适应智能机械故障诊断方法及*** Active CN112926642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110196455.5A CN112926642B (zh) 2021-02-22 2021-02-22 一种多源域自适应智能机械故障诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110196455.5A CN112926642B (zh) 2021-02-22 2021-02-22 一种多源域自适应智能机械故障诊断方法及***

Publications (2)

Publication Number Publication Date
CN112926642A true CN112926642A (zh) 2021-06-08
CN112926642B CN112926642B (zh) 2022-06-07

Family

ID=76170058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110196455.5A Active CN112926642B (zh) 2021-02-22 2021-02-22 一种多源域自适应智能机械故障诊断方法及***

Country Status (1)

Country Link
CN (1) CN112926642B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673570A (zh) * 2021-07-21 2021-11-19 南京旭锐软件科技有限公司 电子器件图片分类模型的训练方法、装置及设备
CN114997333A (zh) * 2022-06-29 2022-09-02 清华大学 一种风力发电机的故障诊断方法和装置
GB2622124A (en) * 2022-09-01 2024-03-06 Univ Chongqing Intelligent mechanical fault diagnosis method based on relationship transfer domain generalization network (RTDGN)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
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
CN112308147A (zh) * 2020-11-02 2021-02-02 西安电子科技大学 基于多源域锚适配器集成迁移的旋转机械故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
CN112308147A (zh) * 2020-11-02 2021-02-02 西安电子科技大学 基于多源域锚适配器集成迁移的旋转机械故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾鑫: "大样本多源域与小目标域的跨领域快速分类学习", 《计算机研究与发展》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673570A (zh) * 2021-07-21 2021-11-19 南京旭锐软件科技有限公司 电子器件图片分类模型的训练方法、装置及设备
CN114997333A (zh) * 2022-06-29 2022-09-02 清华大学 一种风力发电机的故障诊断方法和装置
CN114997333B (zh) * 2022-06-29 2024-04-23 清华大学 一种风力发电机的故障诊断方法和装置
GB2622124A (en) * 2022-09-01 2024-03-06 Univ Chongqing Intelligent mechanical fault diagnosis method based on relationship transfer domain generalization network (RTDGN)

Also Published As

Publication number Publication date
CN112926642B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN112926642B (zh) 一种多源域自适应智能机械故障诊断方法及***
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110647830B (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN116304820B (zh) 一种基于多源域迁移学习的轴承故障类型预测方法及***
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
US12007745B2 (en) Apparatus for predicting equipment damage
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
CN117784710B (zh) 数控机床远程状态监控***及其方法
CN110757510A (zh) 一种机器人剩余寿命预测方法及***
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN112257862A (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN113239610A (zh) 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
Sun et al. Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching
CN114548295A (zh) 基于多尺度领域自适应网络的轴承故障分类***及方法
Liu et al. A dual-branch balance saliency model based on discriminative feature for fabric defect detection
Flotzinger et al. Building inspection toolkit: Unified evaluation and strong baselines for damage recognition
CN116204781A (zh) 旋转机械故障迁移诊断方法及***
CN116089812A (zh) 基于半监督对抗域泛化智能模型的故障诊断方法
CN115217534A (zh) 一种汽轮机服役质量状态监测方法及***
Darveau Prognostics and Availability for Industrial Equipment Using High Performance Computing (HPC) and AI Technology
Choi et al. Multi-Stage Process Diagnosis Networks in Semiconductor Manufacturing
Malik et al. Automated system for concrete damage classification identification using Naïve-Bayesian classifier
Chan et al. Explainable health state prediction for social iots through multi-channel attention

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