CN113065581A - 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 - Google Patents
基于参数共享对抗域自适应网络的振动故障迁移诊断方法 Download PDFInfo
- Publication number
- CN113065581A CN113065581A CN202110291696.8A CN202110291696A CN113065581A CN 113065581 A CN113065581 A CN 113065581A CN 202110291696 A CN202110291696 A CN 202110291696A CN 113065581 A CN113065581 A CN 113065581A
- Authority
- CN
- China
- Prior art keywords
- domain
- training
- shared
- representing
- parameter
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于参数共享对抗域自适应网络的振动故障迁移诊断方法,包括获取源域数据集Ds和目标域数据集Dt划分为训练集和测试集;构建参数共享对抗域自适应网络模型;交替进行共享网络训练和对抗训练,对参数共享对抗域自适应网络模型迭代更新训练;输出目标域数据集Dt无标签目标域样本的故障诊断结果。本发明提出了一种不平衡对抗训练策略,降低网络结构的复杂性,增强了域混淆能力,提高迁移诊断的准确性。
Description
技术领域
本发明涉及振动故障诊断领域,特别是一种基于参数共享对抗域自适应网络的振动故障迁移诊断方法。
背景技术
在大量的标签故障数据和各数据集服从同一分布的条件下,基于深度学习的故障诊断模 型取得了很大的成功。但在实际工业应用中,训练数据集和测试数据集往往存在数据集偏差。 因此,基于域自适应机制的深度模型被提出来解决数据集偏差和知识迁移问题。然而现存的 域自适应方法在一些迁移任务下仍然存在训练代价高、分类精度低等问题。
在CN 110907176B中公开了一种名称为“一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法”的发明专利,它通过以下手段实现故障诊断:1、构建迁 移学习故障诊断模型;2、通过Wasserstein距离确定目标函数;3、通过对抗训练实 现迁移学习故障诊断模型优化。其不足在于:1、构建的迁移学习故障诊断模型包括 有特征提取器、领域差别器和分类器三个部分,网络结构复杂;2、采用Wasserstein 距离确定目标函数,域混淆能力差,从而降低了迁移诊断的准确性;3、对抗训练方 式单一,训练速度慢,降低了域混淆能力。
发明内容
本发明的目的就是提供一种基于参数共享对抗域自适应网络的振动故障迁移诊断方法。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)获取振动信号的源域数据集Ds,源域数据集中包括有带有故障标签的源域样本;获取振动信号的目标域数据集Dt,目标域数据集中包括有无标签目标域样本;
2)将源域数据集和目标域数据集划分为训练集和测试集,训练集中包括有源域样本训练集As和无标签目标域训练集At,测试集包括无标签目标域测试集Bt;
3)构建包括有特征提取器和共享分类器的参数共享对抗域自适应网络模型;
4)将步骤2)中划分好的源域样本训练集As和无标签目标域训练集At,输入步 骤3)构建的参数共享对抗域自适应网络模型中,以故障分类损失Ly、域分类损失Ld、 域间损失LCORAL为目标函数,交替进行共享网络训练和对抗训练,对参数共享对抗域 自适应网络模型迭代更新训练,直到误差曲线趋于稳定;
共享网络训练,其目标是最小化Ly和LCORAL同时最大化Ld;
对抗训练,通过对抗机制训练特征提取器,采用最小化Ld;
5)输出目标域数据集Dt无标签目标域样本的故障诊断结果,完成跨工况和跨测点故障检测。
进一步,步骤3)中所述所述参数共享对抗域自适应网络模型由特征提取器和共享分 类器组成,其中特征提取器输出为f=Gf(x;θf),Gf(·)表示特征提取器模型,f表示特征提取器输出,θf表示特征提取器参数,x表示特征提取器输入;共享分类器输出为 Gc(·)表示共享分类器模型,表示共享分类器输出,θc表示共享分类器参数,f表示共享 分类器输入,即特征提取器的输出;共享分类器最后一层输出通过softmax回归再取最大值 对故障类别进行识别:
进一步,步骤4)中所述故障分类损失Ly,用来衡量预测标签与实际标签之间的差异, 由交叉熵损失计算:
其中,n是源域Ds训练样本的数量;m是故障类型的数目;yi是第i个样本的真实标签(yi∈Ys);I是一个指示性函数,I(yi=j)表示如果yi=j那么I=1,如果yi≠j那么I=0;是共享分类器的输出,并且fs=Gf(xs;θf);aj是向量的第j个元素;GC表示共享分类器,Gf表示特征提取器;xs∈Ds,θc和θf分别表示共享分类器和特征提取器的参数;
步骤4)中所述域分类损失Ld,利用领域分类损失来衡量预测的领域类别与实际的领域 类别之间的差异,并采用交叉熵进行定义,根据Ly,Ld的定义为:
其中,Ds代表源域样本,Dt代表目标域样本;因为只有两种域类别,所以j只有0和1两种取值;对应Ly计算公式的参数说明中的aj,asj表示源域样本输入后的参数,atj表示目标域样本输入后的参数;
步骤4)中所述域间损失LCORAL,域间损耗是用来测量特征层中源域样本和目标域样本分 布差异,通过CORAL损失来定义,LCORAL由下表示:
其中,d表示迁移特征的维度;||·||F表示二范数,Covs和Covt分别表示源域和目标域的协 方差,其表示如下:
进一步,步骤4)中所述采用共享网络训练和对抗训练,对深度迁移学习模型迭 代更新训练,直到误差曲线趋于稳定的具体方法如下:
共享网络训练,其目标是最小化Ly和LCORAL同时最大化Ld,总损失为:
其中λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共 享分类器的参数;
采用随机梯度下降算法法对参数进行更新,θf和θc更新方法如下:
其中,α是学习率;
对抗训练,采用最小化Ld方法训练共享分类器的域分类能力,总损失为:
其中θf是特征提取器的参数;θc是共享分类器的参数;
采用随机梯度下降算法法对参数进行更新,θc更新方法如下:
其中,α是学习率;
4-1)设epoch为迭代次数,epoch由预定义的误差曲线趋势确定;在前0.2epoch 次迭代,选用三次共享训练一次对抗训练的方式进行迭代,训练的总损失可以表示为:
其中,λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共享分类器的参数;m为共享网络训练次数,m取值为3;
4-2)经过前0.2epoch次迭代后,采用经典的对抗性训练方法,此时m取1;网络 训练的总损失可以表示为:
λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共享分 类器的参数。
由于采用了上述技术方案,本发明具有如下的优点:
1、本发明构建了独有的共享分类器,统一了障分类器和域分类器,降低网络结 构的复杂性。正如特征提取器可以提取两个域之间的共享特征一样,故障分类器和域 分类器可以共享一个神经网络来提取既包含故障类别信息又包含域信息的语义特征。 共享分类器可以在很大程度上简化网络,使对抗性训练更加有效,从而提高收敛速度;
2、本发明采用CORAL损失作为目标函数之一进行对抗性训练,增强域混淆能力,从而提高迁移诊断的准确性,将共享分类器与CORAL损失相结合,构建独有参数共享 对抗域自适应网络模型;
3、本发明提出了一种不平衡对抗训练策略,在每次对抗训练时进行多个共享网络训练,包括特征提取器和用于故障识别的共享分类器,充分利用对抗机制。采用非 平衡对抗训练策略,可以增强特征提取器的域混淆能力,从而提高传递模型的诊断准 确率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或 者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书 和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为参数共享对抗域自适应网络模型示意图;
图2为参数共享对抗域自适应网络模型对抗训练示意图;
图3为实施例行星齿轮故障模拟试验台;
图4为实施例六个迁移模型在传感器测点迁移任务A→B-V的迁移特征降维图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种基于参数共享对抗域自适应网络的振动故障迁移诊断方法,参数共享对抗域自适应网络模型由特征提取器和共享分类器两部分组成。特征提取器由一维卷积网络 组成,通过若干层的卷积和池化将输入信号的特征逐层提取,之后将最后的高维特征 的通道数拉平组成一维信号作为共享分类器的输入以及构造域间损失的凭据。共享分 类器是全连接形式的网络,我们将共享分类器最后一层的输出分为两类,一类作为故 障分类的输出标签,一类作为域判别的输出标签。具体的网络结构参数如表1所示:
表1模型的具体参数
参数共享对抗域自适应网络模型的训练分为两种类型:共享网络训练和对抗训练。根 据不同位置的三种输出,构造域适应的三种损失,分别是基于共享分类器输出的故障分类损 失Ly,基于特征提取器输出的域分类损失Ld以及域间损失LCORAL,如图1所示。以下为三种损 失的详细情况:
(1)故障分类损失Ly
故障分类损失用来衡量预测标签与实际标签之间的差异,由交叉熵损失计算:
其中,n是源域(Ds)训练样本的数量;m是故障类型的数目。yi是第i个样本的真实标签(yi∈Ys); I是一个指示性函数(I(yi=j)表示如果yi=j那么I=1,如果yi≠j那么I=0);是共 享分类器的输出,并且fs=Gf(xs;θf);aj是向量的第j个元素;GC表示共享分类器,Gf表示 特征提取器;xs∈Ds,θc和θf分别表示共享分类器和特征提取器的参数。
(2)域分类损失Ld
利用领域分类损失来衡量预测的领域类别与实际的领域类别之间的差异,并采用交叉熵 进行定义。根据Ly,Ld的定义为:
其中,Ds代表源域样本,Dt代表目标域样本;因为只有两种域类别,所以j只有0和1两种 取值。
(3)域间损失LCORAL
域间损耗是用来测量特征层(即第12层)中源域样本和目标域样本分布差异,可以通过 CORAL损失来定义。LCORAL由下表示:
其中,d表示迁移特征的维度;||·||F表示二范数。Covs和Covt分别表示源域和目标域的协方差, 其表示如下:
共享网络训练:其目标是最小化Ly和LCORAL同时最大化Ld。总损失为:
对抗训练:为了通过对抗机制训练特征提取器,采用最小化Ld方法训练共享分类器的域 分类能力。总损失为:
上述两种训练交替进行,以达到域适应的目的,直到网络收敛。在训练开始时,特征提 取器提取的源域和目标域的特征差异较大,域分类的难度较小,收敛速度较快。如果在训练 的初始阶段采用对等的对抗训练策略,则特征层的源域分布(Ps(Xf))和目标域分布(Pt(Xf)) 的差异会过大,导致对抗效果不能充分发挥。为了解决这一问题,研究了一种非平衡对抗性 训练策略。在训练的初始阶段,对抗性训练进行一次,共享网络训练进行多次。这一策略可 以使Pt(Xf)→Ps(Xf)迅速实现。在这一阶段,网络训练的总损失可以表示为:
其中,m为共享的网络训练次数(在我们的实验中,m取为3)。在训练稳定后(即在我们的实验中经过20个训练次数之后),采用经典的对抗性训练方法。训练算法的具体步骤如表2所示:
表2提出的训练算法的具体步骤
实施例:
一种行星齿轮箱故障迁诊断方法,如图2、图3所示,具体步骤如下:
1、通过加速度传感器采集行星齿轮箱中故障的振动信号。然后,将采集到的原始振动信 号利用滑动采样技术划分维度为3072的样本。
2、按照各个测点和通道将相应的样本划分为训练集和测试集,其训练集包括相等的无标 签目标域样本和标签源域样本,而测试集仅包含目标域样本。
3、构建参数共享对抗域自适应网络模型。
4、将划分好的的训练样本输入到参数共享对抗域自适应网络模型中,采用交替进行 共享网络训练和对抗训练的方式对参数共享对抗域自适应网络模型进行迭代更新训练。
5、经过多次迭代训练,误差曲线趋于稳定,参数共享对抗域自适应网络模型训练完 成。
6、输出目标域的故障诊断信息。
本次实验采用的齿轮故障数据来自行星齿轮故障模拟试验台,该试验台如图3所示。试 验台由电动机、二级行星齿轮箱、平行轴齿轮箱和磁粉制动器组成。在实验中,我们用两个 加速度计从A和B两个测点采集了二级行星齿轮箱的振动信号。二级行星减速器太阳齿轮有 五种典型的状态:正常、表面磨损、齿根破裂、轮齿缺损、轮齿折断。所有的测试齿轮均由 SpectraQuest INC.提供,如图3所示。在相同的工作条件下,进行了多次实验,实验分别设置 0、1.4和2.8Nm 3个负载工况,在每次实验中,将二级行星齿轮箱输入轴转速设置为1500rpm, 采样频率为5120Hz。
基于上述收集到的数据,可以建立两种故障迁移实例去验证提出的参数共享对抗域自 适应网络模型的有效性:负载工况迁移任务(“0→1.4Nm”、“1.4→0Nm”、“0→2.8Nm”、“2.8 →0Nm”)和传感器测点迁移任务(“A→B-V”、“B-V→A”、“A→B-H”、“B-H→A”)。
在迁移诊断实验中,每个不同领域的数据集都有5000个样本,其中2000个样本形成训练 集另外3000个样本形成测试集。为了减少额外的计算和经验的影响,我们直接使用原始振动 作为输入样本的诊断模型。将已标记的源域训练集和未标记的目标域训练集输入PSADAN进 行训练。为了保证诊断实验的置信度,针对每个迁移任务,从3000个目标域测试样本中随机 抽取20个并行测试子集,每个测试子集都有300个样本,采用不同的随机初始化参数进行 25个重复实验。对每个测试实验,计算故障分类的准确性。然后用500个实验结果的平均值 和标准差来评价诊断性能。
对比实验:
为了充分的证明提出参数共享对抗域自适应网络模型的优越性、有效性和鲁棒性,我 们与现存的一些经典域自适应方法进行对比实验,实验结果详细列举在表3。从表3可以看 出,该模型在四种负载工况迁移任务的平均精度都是高于92%,四个传感器测点迁移任务的 平均精度都高于83%,并且八个任务的平均精度达到91.33%。与其他模型相比,该模型在每 个任务中的诊断准确率最高。此外,从分类结果的标准差可以看出,我们提出的模型具有一 定的稳定性,其在八个任务中的分类稳定性均高于其他模型。结果表明,在包括负载工况迁 移任务和传感器测点迁移任务的行星齿轮箱故障迁移诊断中,所提出的迁移诊断方法优于现 有的经典迁移学习方法。图4的迁移特征降维图反映了参数共享对抗域自适应网络模型可 以显著的拉近源域和目标域的分布距离,提高源域和目标域特征之间的相似性,从而有效增 加故障迁移诊断准确率。
表3六种模型的行星齿轮箱故障迁移诊断实验结果
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解: 依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范 围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于参数共享对抗域自适应网络的振动故障迁移诊断方法,其特征在于,具体步骤如下:
1)获取振动信号的源域数据集Ds,源域数据集中包括有带有故障标签的源域样本;获取振动信号的目标域数据集Dt,目标域数据集中包括有无标签目标域样本;
2)将源域数据集和目标域数据集划分为训练集和测试集,训练集中包括有源域样本训练集As和无标签目标域训练集At,测试集包括无标签目标域测试集Bt;
3)构建包括有特征提取器和共享分类器的参数共享对抗域自适应网络模型;
4)将步骤2)中划分好的源域样本训练集As和无标签目标域训练集At,输入步骤3)构建的参数共享对抗域自适应网络模型中,以故障分类损失Ly、域分类损失Ld、域间损失LCORAL为目标函数,交替进行共享网络训练和对抗训练,对参数共享对抗域自适应网络模型迭代更新训练,直到误差曲线趋于稳定;
共享网络训练,其目标是最小化Ly和LCORAL同时最大化Ld;
对抗训练,通过对抗机制训练特征提取器,采用最小化Ld;
5)输出目标域数据集Dt无标签目标域样本的故障诊断结果,完成跨工况和跨测点故障检测。
3.如权利要求1所述的基于参数共享对抗域自适应网络的振动故障迁移诊断方法,其特征在于,步骤3)中所述所述参数共享对抗域自适应网络模型由特征提取器和共享分类器组成,其中特征提取器输出为f=Gf(x;θf),Gf(·)表示特征提取器模型,f表示特征提取器输出,θf表示特征提取器参数,x表示特征提取器输入;共享分类器输出为Gc(·)表示共享分类器模型,表示共享分类器输出,θc表示共享分类器参数,f表示共享分类器输入,即特征提取器的输出;共享分类器最后一层输出通过softmax回归再取最大值对故障类别进行识别:
4.如权利要求1所述的基于参数共享对抗域自适应网络的振动故障迁移诊断方法,其特征在于,步骤4)中所述故障分类损失Ly,用来衡量预测标签与实际标签之间的差异,由交叉熵损失计算:
其中,n是源域Ds训练样本的数量;m是故障类型的数目;yi是第i个样本的真实标签(yi∈Ys);I是一个指示性函数,I(yi=j)表示如果yi=j那么I=1,如果yi≠j那么I=0;是共享分类器的输出,并且fs=Gf(xs;θf);aj是向量的第j个元素;GC表示共享分类器,Gf表示特征提取器;xs∈Ds,θc和θf分别表示共享分类器和特征提取器的参数;
步骤4)中所述域分类损失Ld,利用领域分类损失来衡量预测的领域类别与实际的领域类别之间的差异,并采用交叉熵进行定义,根据Ly,Ld的定义为:
其中,Ds代表源域样本,Dt代表目标域样本;因为只有两种域类别,所以j只有0和1两种取值;对应Ly计算公式的参数说明中的aj,asj表示源域样本输入后的参数,atj表示目标域样本输入后的参数;
步骤4)中所述域间损失LCORAL,域间损耗是用来测量特征层中源域样本和目标域样本分布差异,通过CORAL损失来定义,LCORAL由下表示:
其中,d表示迁移特征的维度;||·||F表示二范数,Covs和Covt分别表示源域和目标域的协方差,其表示如下:
5.如权利要求3所述的基于参数共享对抗域自适应网络的振动故障迁移诊断方法,其特征在于,步骤4)中所述采用共享网络训练和对抗训练,对深度迁移学习模型迭代更新训练,直到误差曲线趋于稳定的具体方法如下:
共享网络训练,其目标是最小化Ly和LCORAL同时最大化Ld,总损失为:
其中λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共享分类器的参数;
采用随机梯度下降算法法对参数进行更新,θf和θc更新方法如下:
其中,α是学习率;
对抗训练,采用最小化Ld方法训练共享分类器的域分类能力,总损失为:
其中θf是特征提取器的参数;θc是共享分类器的参数;
采用随机梯度下降算法法对参数进行更新,θc更新方法如下:
其中,α是学习率;
4-1)设epoch为迭代次数,epoch由预定义的误差曲线趋势确定;在前0.2epoch次迭代,选用三次共享训练一次对抗训练的方式进行迭代,训练的总损失可以表示为:
其中,λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共享分类器的参数;m为共享网络训练次数,m取值为3;
4-2)经过前0.2epoch次迭代后,采用经典的对抗性训练方法,此时m取1;网络训练的总损失可以表示为:
λ和μ是权重系数,用于平衡损失之间的数量级;θf是特征提取器的参数;θc是共享分类器的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291696.8A CN113065581B (zh) | 2021-03-18 | 2021-03-18 | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291696.8A CN113065581B (zh) | 2021-03-18 | 2021-03-18 | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065581A true CN113065581A (zh) | 2021-07-02 |
CN113065581B CN113065581B (zh) | 2022-09-16 |
Family
ID=76562011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291696.8A Active CN113065581B (zh) | 2021-03-18 | 2021-03-18 | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065581B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
CN114136622A (zh) * | 2021-08-10 | 2022-03-04 | 南京航空航天大学 | 一种基于dbn-dtl的航空发动机气路故障诊断方法 |
CN114287009A (zh) * | 2021-12-02 | 2022-04-05 | 东莞理工学院 | 协同训练数据属性的推断方法、装置、设备及存储介质 |
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*** |
CN115049627A (zh) * | 2022-06-21 | 2022-09-13 | 江南大学 | 基于域自适应深度迁移网络的钢表面缺陷检测方法及*** |
CN117435916A (zh) * | 2023-12-18 | 2024-01-23 | 四川云实信息技术有限公司 | 航片ai解译中的自适应迁移学习方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 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 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN111126464A (zh) * | 2019-12-13 | 2020-05-08 | 南京邮电大学 | 一种基于无监督域对抗领域适应的图像分类方法 |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111860494A (zh) * | 2020-06-16 | 2020-10-30 | 北京航空航天大学 | 图像目标检测的优化方法、装置、电子设备和存储介质 |
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 |
US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
-
2021
- 2021-03-18 CN CN202110291696.8A patent/CN113065581B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
CN110186680A (zh) * | 2019-05-30 | 2019-08-30 | 盐城工学院 | 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 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN111126464A (zh) * | 2019-12-13 | 2020-05-08 | 南京邮电大学 | 一种基于无监督域对抗领域适应的图像分类方法 |
US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111860494A (zh) * | 2020-06-16 | 2020-10-30 | 北京航空航天大学 | 图像目标检测的优化方法、装置、电子设备和存储介质 |
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 |
Non-Patent Citations (4)
Title |
---|
BAOKUN HAN等: ""Hybrid distance-guided adversarial network for intelligent fault diagnosis under different working conditions"", 《MEASUREMENT》 * |
QI LI等: ""Knowledge mapping-based adversarial domain adaptation: A novel fault diagnosis method with high generalizability under variable working conditions"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
YI QIN等: ""Parameter sharing adversarial domain adaptation networks for fault transfer diagnosis of planetary gearboxes"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
王碧瑶: ""基于迁移学习与深度卷积的动车组滚动轴承故障诊断方法的研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136622A (zh) * | 2021-08-10 | 2022-03-04 | 南京航空航天大学 | 一种基于dbn-dtl的航空发动机气路故障诊断方法 |
CN113673397A (zh) * | 2021-08-11 | 2021-11-19 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
CN113673397B (zh) * | 2021-08-11 | 2023-12-05 | 山东科技大学 | 一种类加权对齐的局部域适应机械故障诊断方法 |
CN114287009A (zh) * | 2021-12-02 | 2022-04-05 | 东莞理工学院 | 协同训练数据属性的推断方法、装置、设备及存储介质 |
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*** |
CN115049627A (zh) * | 2022-06-21 | 2022-09-13 | 江南大学 | 基于域自适应深度迁移网络的钢表面缺陷检测方法及*** |
CN115049627B (zh) * | 2022-06-21 | 2023-06-20 | 江南大学 | 基于域自适应深度迁移网络的钢表面缺陷检测方法及*** |
CN117435916A (zh) * | 2023-12-18 | 2024-01-23 | 四川云实信息技术有限公司 | 航片ai解译中的自适应迁移学习方法 |
CN117435916B (zh) * | 2023-12-18 | 2024-03-12 | 四川云实信息技术有限公司 | 航片ai解译中的自适应迁移学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113065581B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065581B (zh) | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 | |
Wang et al. | Intelligent fault diagnosis for planetary gearbox using time-frequency representation and deep reinforcement learning | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
CN112924177B (zh) | 一种改进深度q网络的滚动轴承故障诊断方法 | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
Brodzicki et al. | Transfer learning methods as a new approach in computer vision tasks with small datasets | |
CN114970605A (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN112257530A (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Zhou et al. | Automated model generation for machinery fault diagnosis based on reinforcement learning and neural architecture search | |
CN115204292A (zh) | 一种基于psfen的跨设备振动故障迁移诊断方法 | |
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 | |
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 | |
CN115688040A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN113837071A (zh) | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 | |
CN109583751A (zh) | 有效载荷的故障决策方法 | |
Sun et al. | Application of deep belief networks for precision mechanism quality inspection |
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 |