CN113177584A - 基于零样本学习的复合故障诊断方法 - Google Patents

基于零样本学习的复合故障诊断方法 Download PDF

Info

Publication number
CN113177584A
CN113177584A CN202110416208.1A CN202110416208A CN113177584A CN 113177584 A CN113177584 A CN 113177584A CN 202110416208 A CN202110416208 A CN 202110416208A CN 113177584 A CN113177584 A CN 113177584A
Authority
CN
China
Prior art keywords
sample
training
fault
semantic
visual
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
CN202110416208.1A
Other languages
English (en)
Other versions
CN113177584B (zh
Inventor
徐娟
周龙
丁煦
樊玉琦
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110416208.1A priority Critical patent/CN113177584B/zh
Publication of CN113177584A publication Critical patent/CN113177584A/zh
Application granted granted Critical
Publication of CN113177584B publication Critical patent/CN113177584B/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
    • G06F18/21—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
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (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)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出的一种基于零样本学习的复合故障诊断方法，首先将试验台采集的数据进行小波变换处理，然后将单一故障数据作为训练集，复合故障作为测试集。本发明构建了关联表示故障类别的类别标签的语义向量，将此作为辅助信息帮助分类。本发明方法首先将训练集输入到特征提取器中，提取故障视觉特征f(xi)，然后将单一故障语义信息和视觉特征进行匹配，使得故障视觉特征和语义特征更好的适配。最后，特征提取器提取复合故障的视觉特征，去匹配复合故障语义信息，进而识别复合故障类别。本发明实现了在无复合故障样本的情况下，基于单一故障样本，对复合故障实现有效地分类。

Description

基于零样本学习的复合故障诊断方法
技术领域
本发明故障诊断领域，尤其涉及一种基于零样本学习的复合故障诊断方法。
背景技术
在实际***中，轴承的多个地方出现故障已成为常态，轴承发生复合故障时，由于故障之间的相互耦合效应导致其振动信号特征十分复杂，因此，对复合故障诊断的研究十分困难。传统复合故障的研究方法主要有基于解析模型的复合故障诊断、基于定性经验的复合故障、基于信号分析的复合故障。上述的三种方法需要大量的先验知识，因此实际应用中需要较强的复杂性和较低的适用性。
基于深度学习的复合故障诊断，需要用到复合故障信号样本进行训练，然而，在实际工况下，复合故障信号存在难以采集和标注的问题。目前的智能方法尚未解决这一问题，因此大大局限了基于深度学习的复合故障诊断方法的实际应用。
发明内容
为了解决上述现有技术中缺乏有效的复合故障诊断方法的缺陷，本发明提出了一种基于零样本学习的复合故障诊断方法。
本发明采用以下技术方案：
一种基于零样本学习的复合故障诊断方法，包括以下步骤：
S1、建立训练数据集：训练数据集Ds由带标记的单一故障信号组成，记作
Figure BDA0003025975560000011
xi表示作为第i个第一训练样本的单一故障信号，xi∈Ri×1，Ri×1表示一维信号，Ri表示一维信号包含的点数；N表示第一训练样本总数，yi为xi对应的类别标签，X表示单一故障信号集合，Ys表示所述单一故障信号对应的类别标签的集合，
Figure BDA0003025975560000021
表示xi的语义向量，语义向量为一维向量；
S2、构建特征提取器：结合训练数据集对第一神经网络进行训练，获取用于从第一训练样本的二维时域图中提取与第一训练样本的类别标签相匹配的视觉特征的特征提取器，视觉特征表现为一维向量；
S3、构建特征向量匹配模型：通过特征提取器提取第一训练样本的二维时域图的视觉特征作为样本特征，获取第一训练样本对应的语义向量和样本特征组成第二训练样本，并获得包含多个第二训练样本的第二训练集；结合第二训练集对第二神经网络进行训练，获得用于判断视觉特征与语义向量的匹配程度的特征向量匹配模型；
S4、构建参照样本：将不同类别标签对应的语义向量进行组合，形成对应不同类别标签组合的复合故障语义向量，将标记有类别标签组合的复合故障语义向量记作参照样本；
S5、构建故障诊断模型：结合参照样本与特征向量匹配模型构建故障诊断模型，故障诊断模型用于提取测试数据的二维时域图的视觉特征，并用于确定与该视觉特征相匹配的参照样本，以根据该参照样本标记的类别标签组合对测试数据进行标注。
优选的，单一故障信号xi对应的语义向量
Figure BDA0003025975560000022
的获得，包括以下步骤：
S11、将单一故障信号xi的一维向量记作Si＝{ai1,ai2,ai3,......aiRi}，air表示单一故障信号xi的第r个点值，1≤r≤Ri；
S12、构建单一故障信号xi对应的语义向量
Figure BDA0003025975560000023
Figure BDA0003025975560000024
其中，βi为单一故障信号xi对应的阈值参数，cir表示真值，类别相同的单一故障信号对应的阈值参数相同。
优选的，步骤S2具体为：构建由用于提取二维时域图的视觉特征的第一部分和用于获取视觉特征对应的类别标签的第二部分组成的第一神经网络；结合训练数据集对第一神经网络进行训练，获取训练完成的第一神经网络作为用于根据第一训练样本的二维时域图识别类别标签的第一类别诊断模型，并从第一类别诊断模型中获取用于提取二维时域图的视觉特征的部分作为特征提取器。
优选的，第一神经网络训练过程中，采用交叉熵损失函数，其公式为：
Figure BDA0003025975560000031
其中，yi为第一训练样本xi真实的类别标签，pi为第一训练样本xi对应的模型预测标签。
优选的，步骤S2中，特征提取器用于提取维度为R×1的视觉特征，R表示视觉特征包含的特征属性数量，
Figure BDA0003025975560000032
MAX()表示最大值函数，
Figure BDA0003025975560000033
表示R1、R2、......RN中的最大值；
步骤S3中，训练特征向量匹配模型时，采用的损失函数为：
Figure BDA0003025975560000034
W1表示第一个全连接层参数，W2表示第二个全连接层参数；
Figure BDA0003025975560000035
表示语义向量
Figure BDA0003025975560000036
被嵌入视觉空间后形成的视觉语义向量，其维度为R×1；f(xi)表示特征提取器提取的视觉特征，α表示超参数。
优选的，步骤S3中构建的特征向量匹配模型，用于将第一训练样本xi的语义向量
Figure BDA0003025975560000037
嵌入视觉空间，获得维度为R×1的视觉语义向量；特征向量匹配模型还用于计算视觉特征与视觉语义向量之间的余弦距离，根据余弦距离判断获得的视觉特征与视觉语义向量是否匹配；
步骤S5中所构建的故障诊断模型，用于获取与测试数据对应的视觉特征之间的余弦距离最小的参照样本，并根据该参照样本的类别标签组合对测试数据进行标注。
优选的，步骤S1中R1＝R2＝......＝RN，步骤S4中将对应不同类别标签的语义向量进行组合，获得对应不同类别标签组合的参照样本；步骤S5中构建的故障诊断模型，用于将参照样本转换为R×1维度的视觉语义向量，并用于将获得的测试数据的视觉特征与转换为视觉语义向量的参照样本进行匹配。
优选的，将多个维度均为R0×1的语义向量组合成复合故障语义向量的模型如下：
Figure BDA0003025975560000041
其中，C1、C2....Cp表示维度为R0×1的语义向量，R0表示点数，C表示C1、C2....Cp组合后的复合故障语义向量，p表示下标。
优选的，在步骤S5之后还包括步骤S6：故障诊断，对测试数据进行处理，获取二维时域图；通过特征提取器提取测试数据的二维时域图的视觉特征作为测试特征；基于故障诊断模型获取与测试特征匹配的参照样本，并获取该参照样本对应的类别标签组合作为测试数据的类别标签组合。
优选的，单一故障信号和测试数据经小波变换，获得对应的二维时域图。
本发明的优点在于：
(1)本发明提出的一种基于零样本学习的复合故障诊断方法，首先将试验台采集的数据进行小波变换处理，然后将单一故障数据作为训练集，复合故障作为测试集。本发明构建了关联表示故障类别的类别标签的语义向量，将此作为辅助信息帮助分类。本发明方法首先将训练集输入到特征提取器中，提取故障视觉特征f(xi)，然后将单一故障语义信息和视觉特征进行匹配，使得故障视觉特征和语义特征更好的适配。最后，特征提取器提取复合故障的视觉特征，去匹配复合故障语义信息，进而识别复合故障类别。
(2)本发明中针对单一故障数据设置阈值参数，通过比对原始数据点和阈值参数的大小关系进行二进制编码得到单一故障数据的语义向量，然后通过单一故障数据的语义向量的线性组合构建表达复合故障语义向量的参照样本，解决了复合故障样本难以获取的真实情况，实现了跨类学习技术。
(3)本发明中在对单一故障数据进行语义向量的转换时，采用与单一故障的类别标签相对应的阈值参数βi，如此，可针对不同的类别标签设置阈值参数βi，保证了语义向量与类别标签的匹配程度。且本发明中，语义向量的定义不需要专家知识，且简明易于计算，从实验的结果看，精度很高。
(4)本发明中，在第一类别诊断模型的训练过程中同时训练特征提取器，第一类别诊断模型以标注有类别标签的单一故障数据作为第一训练样本，数据信号可通过小波变换转换获得二维时域图。如此，便可获得二维时域图与类别标签的对应关系，第一类别诊断模型经充足的第一训练样本进行训练，保证了模型参数的可靠性，从而也保证了特征提取器的可靠性。
(5)本发明实现了在无复合故障样本的情况下，基于单一故障样本，对复合故障实现有效地分类。
附图说明
图1为本发明提出的一种基于零样本学习的复合故障诊断方法流程图；
图2为实施例中作为第一训练样本的单一故障信号波形图；
图3为实施例中复合故障波形图；
图4为实施例中单一故障信号和部分复合故障的二维时域图；
图3、图4中横坐标表示时间，纵坐标表示振幅；
图5为实施例中不同任务的复合故障诊断精度统计图。
具体实施方式
参照图1，本实施方式提出的一种基于零样本学习的复合故障诊断方法，包括以下步骤。
S1、建立训练数据集：训练数据集由带标记的单一故障信号组成，记作
Figure BDA0003025975560000061
xi表示作为第i个第一训练样本的单一故障信号，xi∈Ri×1，Ri×1表示一维信号，Ri表示一维信号包含的点数；N表示第一训练样本总数，yi为xi对应的类别标签，X表示单一故障信号集合，Ys表示所述单一故障信号对应的类别标签的集合，
Figure BDA0003025975560000062
表示xi的语义向量，语义向量为一维向量。
具体的，本实施方式中，作为第一训练样本xi的单一故障信号由Ri个连续的点值组成，语义向量
Figure BDA0003025975560000063
为对第一训练样本xi中各点值进行阈值比较后形成的二进制字符串。
本实施方式中，作为第一训练样本的单一故障信号xi对应的语义向量
Figure BDA0003025975560000064
的获得，包括以下步骤：
S11、将单一故障信号xi的一维向量记作Si＝{ai1,ai2,ai3,......aiRi}，air表示单一故障信号xi的第r个点值，1≤r≤Ri，Ri表示xi的点数；
S12、构建单一故障信号xi对应的语义向量
Figure BDA0003025975560000065
Figure BDA0003025975560000066
其中，βi为单一故障信号xi对应的阈值参数，cir表示真值。
本实施方式中，阈值参数βi与单一故障信号xi一一对应，如此，可针对不同的类别标签设置阈值参数βi，保证了语义向量与类别标签的匹配程度，即类别相同的单一故障信号对应的阈值参数相同。
S2、构建特征提取器：结合训练数据集对第一神经网络进行训练，获取用于从第一训练样本的二维时域图中提取与第一训练样本的类别标签相匹配的视觉特征的特征提取器，视觉特征表现为一维向量。
具体的，本步骤中，首先构建由用于提取二维时域图的视觉特征的第一部分和用于获取视觉特征对应的类别标签的第二部分组成的第一神经网络；结合训练数据集对第一神经网络进行训练，获取训练完成的第一神经网络作为用于根据第一训练样本的二维时域图识别类别标签的第一类别诊断模型，并从第一类别诊断模型中获取用于提取二维时域图的视觉特征的部分作为特征提取器。
本实施方式中，在第一类别诊断模型的训练过程中同时训练特征提取器，第一类别诊断模型以标注有类别标签的单一故障数据作为第一训练样本，数据信号可通过小波变换转换获得二维时域图。如此，便可获得二维时域图与类别标签的对应关系，第一类别诊断模型经充足的第一训练样本进行训练，保证了模型参数的可靠性，从而也保证了特征提取器的可靠性。
具体实施时，第一类别诊断模型训练过程中，采用交叉熵损失函数，其公式为：
Figure BDA0003025975560000071
其中，yi为第一训练样本xi真实的类别标签，pi为第一训练样本xi对应的模型预测标签。
具体的，本实施方式中，特征提取器可表示为：
Figure BDA0003025975560000072
其中，f(xi)表示特征提取器提取的视觉特征，
Figure BDA0003025975560000073
表示特征提取器，θg表示其模型参数。
具体实施时，特征提取器可采用二维全卷积神经网络，其结构表示为：
Figure BDA0003025975560000074
其中，
Figure BDA0003025975560000075
表示卷积操作，Wg和bg表示卷积核以及偏置，h为卷积操作的结果。
S3、构建特征向量匹配模型：通过特征提取器提取第一训练样本的二维时域图的视觉特征作为样本特征，获取由语义向量和样本特征组成第二训练样本，并获得包含多个第二训练样本的第二训练集；结合第二训练集对第二神经网络进行训练，获得用于判断视觉特征与语义向量的匹配程度的特征向量匹配模型。
具体实施过程中，可设置，当第二训练样本中的语义向量和样本特征对应同一第一训练样本时，该第二训练样本标注“0”；当第二训练样本中的语义向量和样本特征对应不同的第一训练样本时，该第二训练样本标注“1”，然后结合带标注的第二训练样本对第二神经网络进行训练，以获得特征向量匹配模型。
具体的，本步骤S3中，训练特征向量匹配模型时，采用的损失函数为：
Figure BDA0003025975560000081
W1表示第一个全连接层参数，W2表示第二个全连接层参数；
Figure BDA0003025975560000082
表示语义向量
Figure BDA0003025975560000083
被嵌入视觉空间后形成的视觉语义向量，其维度与特征提取器提取的视觉特征的维度相等，该维度记作R×1；f(xi)表示特征提取器提取的视觉特征，α表示超参数。
具体实施时，为了保证最终对复合故障诊断的精确性，应设置
Figure BDA0003025975560000084
例如Ri＝1000时，可设置R＝2048。
S4、构建参照样本：将不同类别标签对应的语义向量进行组合，形成对应不同类别标签组合的复合故障语义向量，将标记有类别标签组合的复合故障语义向量记作参照样本。
本实施方式中，语义向量以二进制表示，对不同的语义向量进行组合时，首先要保证语义向量的维度相同，然后根据以下模型对语义向量进行组合：
Figure BDA0003025975560000091
其中，C1、C2....Cp表示维度为R0×1的语义向量，具体表示由R0个点值组成的一维语义向量；C表示C1、C2....Cp组合后的复合故障语义向量，p表示下标。
例如，本实施方式中，对单一故障信号xi对应的语义向量
Figure BDA0003025975560000092
和单一故障信号xi+k对应的语义向量
Figure BDA0003025975560000093
进行组合，1≤i≤N，1≤i+k≤N，i≠i+k，
Figure BDA0003025975560000094
和
Figure BDA0003025975560000095
维度相等，均为Ri×1，组合获得的复合故障语义
Figure BDA0003025975560000096
如下：
Figure BDA0003025975560000097
S5、构建故障诊断模型：结合参照样本与特征向量匹配模型构建故障诊断模型，故障诊断模型用于提取测试数据的二维时域图的视觉特征，并用于确定与该视觉特征相匹配的参照样本，以根据该参照样本标记的类别标签组合对测试数据进行标注。
S6、故障诊断，对测试数据进行处理，获取二维时域图；通过特征提取器提取测试数据的二维时域图的视觉特征作为测试特征；基于故障诊断模型获取与测试特征匹配的参照样本，并获取该参照样本对应的类别标签组合作为测试数据的类别标签组合。
本实施方式在步骤S3中构建的特征向量匹配模型，用于将第一训练样本的语义向量嵌入视觉空间，获得维度为R×1的视觉语义向量；特征向量匹配模型还用于计算视觉特征与视觉语义向量之间的余弦距离，根据余弦距离判断获得的视觉特征与视觉语义向量是否匹配。步骤S5中所构建的故障诊断模型，用于获取与测试数据对应的视觉特征之间的余弦距离最小的参照样本，并根据该参照样本的类别标签组合对测试数据进行标注。
具体实施时，可在步骤S3中根据样本标注为“0”及对应同一第一训练样本的语义向量和样本特征组成的第二训练样本训练特征向量匹配模型，将特征向量匹配模型记作F(f(x),S,w)；其中，f(x)表示通过特征提取器输出的视觉特征，S表示语义向量，w表示模型参数。该特征向量匹配模型结合上述损失函数L2(W1,W2)训练过程中，可实现最小化参数W，使得对应相同第一训练样本的语义向量和视觉特征更好的匹配。
Figure BDA0003025975560000101
如此，本实施方式中，结合参照样本与特征向量匹配模型构建的故障诊断模型对测试数据进行诊断以获得测试数据对应的复合故障标签n(即类别标签组合)为：
Figure BDA0003025975560000105
其中，xj表示测试数据，f(xj)表示特征提取器从测试数据xj对应的二维时域图中提取的视觉特征，
Figure BDA0003025975560000102
表示任意参照样本，
Figure BDA0003025975560000103
维度转换后的参照样本，D(.)表示余弦距离，arg表示目标函数，即测试数据xj对应的复合故障标签n为与视觉特征f(xj)之间的余弦距离最小的参照样本
Figure BDA0003025975560000104
的类别标签组合。
具体实施时，为了保证数据处理效率，可在步骤S1中，设置作为第一训练样本的单一故障信号xi的维度固定，即R1＝R2＝......＝RN。如此，步骤S4中可直接将对应不同类别标签的语义向量进行组合，获得对应不同类别标签组合的参照样本，且参照样本的维度均为R1；当R不等于R1时，通过故障诊断模型对测试数据进行诊断时，首先需要将照样本转换为R×1维度的视觉语义向量，再将获得的测试数据的视觉特征与转换为视觉语义向量的参照样本进行匹配。即，此时，步骤S5中构建的故障诊断模型，需要两个功能，第一用于将参照样本转换为R×1维度的视觉语义向量，第二用于将获得的视觉特征与转换为视觉语义向量的参照样本进行匹配。
具体实施，在构建故障诊断模型时，可直接从特征向量匹配模型获得转换后的视觉语义特征以组合成参照样本，如此，参照样本的维度与特征提取器提取的视觉特征的维度相等，可直接将视觉特征与参照样本进行匹配，有利于提高工作效率。
以下结合一个具体的实施例，对上述方法进行验证。
本实施例中，在任务A和任务B的训练集中，任务如表1所示，从内圈(IF)、外圈(OF)、滚动体(BF)每个类别的故障数据中随机选取500、1000,1500个样本进行模型训练，观察不同第一训练样本数对最终故障诊断精度的影响。
表1数据设置
Figure BDA0003025975560000111
实验结果如图5所示，随着第一训练样本的数量增加，任务A和任务B的复合故障诊断精度均随之增加。其中在任务A上最高能达到77.73％，在任务B上最高能达到54.59％。可见，该故障诊断模型在无复合故障样本的情况下，能够有效地分类。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (10)

1.一种基于零样本学习的复合故障诊断方法，其特征在于，包括以下步骤：
S1、建立训练数据集：训练数据集Ds由带标记的单一故障信号组成，记作
Figure FDA0003025975550000011
xi表示作为第i个第一训练样本的单一故障信号，xi∈Ri×1，Ri×1表示一维信号，Ri表示一维信号包含的点数；N表示第一训练样本总数，yi为xi对应的类别标签，X表示单一故障信号集合，Ys表示所述单一故障信号对应的类别标签的集合，
Figure FDA0003025975550000012
表示xi的语义向量，语义向量为一维向量；
S2、构建特征提取器：结合训练数据集对第一神经网络进行训练，获取用于从第一训练样本的二维时域图中提取与第一训练样本的类别标签相匹配的视觉特征的特征提取器，视觉特征表现为一维向量；
S3、构建特征向量匹配模型：通过特征提取器提取第一训练样本的二维时域图的视觉特征作为样本特征，获取第一训练样本对应的语义向量和样本特征组成第二训练样本，并获得包含多个第二训练样本的第二训练集；结合第二训练集对第二神经网络进行训练，获得用于判断视觉特征与语义向量的匹配程度的特征向量匹配模型；
S4、构建参照样本：将不同类别标签对应的语义向量进行组合，形成对应不同类别标签组合的复合故障语义向量，将标记有类别标签组合的复合故障语义向量记作参照样本；
S5、构建故障诊断模型：结合参照样本与特征向量匹配模型构建故障诊断模型，故障诊断模型用于提取测试数据的二维时域图的视觉特征，并用于确定与该视觉特征相匹配的参照样本，以根据该参照样本标记的类别标签组合对测试数据进行标注。
2.如权利要求1所述的基于零样本学习的复合故障诊断方法，其特征在于，单一故障信号xi对应的语义向量
Figure FDA0003025975550000013
的获得，包括以下步骤：
S11、将单一故障信号xi的一维向量记作Si＝{ai1,ai2,ai3,......aiRi}，air表示单一故障信号xi的第r个点值，1≤r≤Ri；
S12、构建单一故障信号xi对应的语义向量
Figure FDA0003025975550000021
Figure FDA0003025975550000022
其中，βi为单一故障信号xi对应的阈值参数，cir表示真值，类别相同的单一故障信号对应的阈值参数相同。
3.如权利要求1所述的基于零样本学习的复合故障诊断方法，其特征在于，步骤S2具体为：构建由用于提取二维时域图的视觉特征的第一部分和用于获取视觉特征对应的类别标签的第二部分组成的第一神经网络；结合训练数据集对第一神经网络进行训练，获取训练完成的第一神经网络作为用于根据第一训练样本的二维时域图识别类别标签的第一类别诊断模型，并从第一类别诊断模型中获取用于提取二维时域图的视觉特征的部分作为特征提取器。
4.如权利要求3所述的基于零样本学习的复合故障诊断方法，其特征在于，第一神经网络训练过程中，采用交叉熵损失函数，其公式为：
Figure FDA0003025975550000023
其中，yi为第一训练样本xi真实的类别标签，pi为第一训练样本xi对应的模型预测标签。
5.如权利要求1所述的基于零样本学习的复合故障诊断方法，其特征在于，步骤S2中，特征提取器用于提取维度为R×1的视觉特征，R表示视觉特征包含的特征属性数量，
Figure FDA0003025975550000024
MAX()表示最大值函数，
Figure FDA0003025975550000025
表示R1、R2、......RN中的最大值；
步骤S3中，训练特征向量匹配模型时，采用的损失函数为：
Figure FDA0003025975550000026
W1表示第一个全连接层参数，W2表示第二个全连接层参数；
Figure FDA0003025975550000031
表示语义向量
Figure FDA0003025975550000032
被嵌入视觉空间后形成的视觉语义向量，其维度为R×1；f(xi)表示特征提取器提取的视觉特征，α表示超参数。
6.如权利要求5所述的基于零样本学习的复合故障诊断方法，其特征在于，步骤S3中构建的特征向量匹配模型，用于将第一训练样本xi的语义向量
Figure FDA0003025975550000034
嵌入视觉空间，获得维度为R×1的视觉语义向量；特征向量匹配模型还用于计算视觉特征与视觉语义向量之间的余弦距离，根据余弦距离判断获得的视觉特征与视觉语义向量是否匹配；
步骤S5中所构建的故障诊断模型，用于获取与测试数据对应的视觉特征之间的余弦距离最小的参照样本，并根据该参照样本的类别标签组合对测试数据进行标注。
7.如权利要求6所述的基于零样本学习的复合故障诊断方法，其特征在于，步骤S1中R1＝R2＝......＝RN，步骤S4中将对应不同类别标签的语义向量进行组合，获得对应不同类别标签组合的参照样本；步骤S5中构建的故障诊断模型，用于将参照样本转换为R×1维度的视觉语义向量，并用于将获得的测试数据的视觉特征与转换为视觉语义向量的参照样本进行匹配。
8.如权利要求1所述的基于零样本学习的复合故障诊断方法，其特征在于，将多个维度均为R0×1的语义向量组合成复合故障语义向量的模型如下：
Figure FDA0003025975550000033
其中，C1、C2....Cp表示维度为R0×1的语义向量，R0表示点数，C表示C1、C2....Cp组合后的复合故障语义向量，p表示下标。
9.如权利要求1所述的基于零样本学习的复合故障诊断方法，其特征在于，在步骤S5之后还包括步骤S6：故障诊断，对测试数据进行处理，获取二维时域图；通过特征提取器提取测试数据的二维时域图的视觉特征作为测试特征；基于故障诊断模型获取与测试特征匹配的参照样本，并获取该参照样本对应的类别标签组合作为测试数据的类别标签组合。
10.如权利要求9所述的基于零样本学习的复合故障诊断方法，其特征在于，单一故障信号和测试数据经小波变换，获得对应的二维时域图。
CN202110416208.1A 2021-04-19 2021-04-19 基于零样本学习的复合故障诊断方法 Active CN113177584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416208.1A CN113177584B (zh) 2021-04-19 2021-04-19 基于零样本学习的复合故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416208.1A CN113177584B (zh) 2021-04-19 2021-04-19 基于零样本学习的复合故障诊断方法

Publications (2)

Publication Number Publication Date
CN113177584A true CN113177584A (zh) 2021-07-27
CN113177584B CN113177584B (zh) 2022-10-28

Family

ID=76923614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416208.1A Active CN113177584B (zh) 2021-04-19 2021-04-19 基于零样本学习的复合故障诊断方法

Country Status (1)

Country Link
CN (1) CN113177584B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114383846A (zh) * 2022-01-06 2022-04-22 合肥工业大学 基于故障标签信息向量的轴承复合故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111340076A (zh) * 2020-02-17 2020-06-26 中国人民解放军32802部队 一种对新体制雷达目标未知模式的零样本识别方法
CN112052151A (zh) * 2020-10-09 2020-12-08 腾讯科技（深圳）有限公司 故障根因分析方法、装置、设备及存储介质
US20210009080A1 (en) * 2019-02-28 2021-01-14 Shanghai Sensetime Lingang Intelligent Technology Co., Ltd. Vehicle door unlocking method, electronic device and storage medium
CN112633358A (zh) * 2020-12-19 2021-04-09 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 基于语义级特征学习蒸汽发生器给水***诊断方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210009080A1 (en) * 2019-02-28 2021-01-14 Shanghai Sensetime Lingang Intelligent Technology Co., Ltd. Vehicle door unlocking method, electronic device and storage medium
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111340076A (zh) * 2020-02-17 2020-06-26 中国人民解放军32802部队 一种对新体制雷达目标未知模式的零样本识别方法
CN112052151A (zh) * 2020-10-09 2020-12-08 腾讯科技（深圳）有限公司 故障根因分析方法、装置、设备及存储介质
CN112633358A (zh) * 2020-12-19 2021-04-09 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 基于语义级特征学习蒸汽发生器给水***诊断方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANG R ET AL: "《Identifying faults in large-scale distributed systems by filtering noisy error logs》", 《IEEE》 *
任竹鹏: "《数据驱动的机床零部件故障诊断及预测性维护研究》", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114383846A (zh) * 2022-01-06 2022-04-22 合肥工业大学 基于故障标签信息向量的轴承复合故障诊断方法
CN114383846B (zh) * 2022-01-06 2023-06-30 合肥工业大学 基于故障标签信息向量的轴承复合故障诊断方法

Also Published As

Publication number Publication date
CN113177584B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
Al-Qaisi et al. Wave file features extraction using reduced LBP
CN110991295B (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN108680796B (zh) 用于计算机显示器的电磁信息泄漏检测***及方法
CN112668459B (zh) 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法
CN109872305B (zh) 一种基于质量图生成网络的无参考立体图像质量评价方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN113792758B (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN112881942B (zh) 基于小波分解与经验模态分解的异常电流诊断方法和***
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
CN113158984B (zh) 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
CN116342332B (zh) 基于互联网的辅助审判方法、装置、设备及存储介质
CN116910752B (zh) 一种基于大数据的恶意代码检测方法
CN113177584B (zh) 基于零样本学习的复合故障诊断方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
CN117516937A (zh) 基于多模态特征融合增强的滚动轴承未知故障检测方法
Yang et al. Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network
CN115905832A (zh) 一种基于振动信号聚类识别的变压器故障诊断方法
CN113449618A (zh) 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法
CN115292538A (zh) 一种基于深度学习的地图线要素提取方法
CN117556317A (zh) 一种基于时频图像的转动轴承故障诊断方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及***

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