CN113268833B - 一种基于深度联合分布对齐的迁移故障诊断方法 - Google Patents
一种基于深度联合分布对齐的迁移故障诊断方法 Download PDFInfo
- Publication number
- CN113268833B CN113268833B CN202110631662.9A CN202110631662A CN113268833B CN 113268833 B CN113268833 B CN 113268833B CN 202110631662 A CN202110631662 A CN 202110631662A CN 113268833 B CN113268833 B CN 113268833B
- Authority
- CN
- China
- Prior art keywords
- distribution
- migration
- domain
- alignment
- distribution alignment
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 118
- 238000013508 migration Methods 0.000 title claims abstract description 53
- 230000005012 migration Effects 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006247 magnetic powder Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度联合分布对齐的迁移故障诊断方法,属于机械故障诊断技术领域。该方法包括:S1:采集机械设备上不同工况和不同测点的振动信号;然后将采集到的振动信号进行样本数据集的扩充,将扩充后的数据集划分为训练集和测试集;S2:构建深度联合分布对齐迁移诊断模型;S3:将训练集输入到构建的迁移诊断模型中,利用源域有标签样本分类损失函数和源域与目标域之间的联合分布对齐损失函数对深度联合分布对齐迁移诊断模型进行迭代更新训练;S4:经过多次迭代训练,误差曲线趋于稳定,模型训练完成;S5:将训练好的迁移诊断模型用于不同测点和不同工况下的行星齿轮箱故障迁移诊断。本发明提高了迁移诊断精度。
Description
技术领域
本发明属于机械故障诊断技术领域,涉及一种基于深度联合分布对齐的迁移故障诊断方法。
背景技术
在大量的标签样本和无数据集偏差的前提条件下,基于深度学***衡、小样本等非理想数据条件下取得了一定的成功。但是传统的迁移学习算法主要集中于边缘分布对齐的研究,但忽略了目标域和源域的类间条件分布对齐。因此,现有的智能迁移故障诊断模型的诊断准确度不够高,亟需一种新的准确度更高的迁移障诊断方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度联合分布对齐的迁移故障诊断方法,在目标域标签未知的情况下,利用基于边缘分布和类间条件分布的深度联合分布对齐的域自适应机制,然后结合深度卷积神经网络构建了深度联合分布对齐迁移诊断模型,从而提高迁移诊断精度。
为达到上述目的,本发明提供如下技术方案:
一种基于深度联合分布对齐的迁移故障诊断方法,具体包括以下步骤:
S1:通过加速度传感器采集机械设备上不同工况和不同测点的振动信号,以便于构建后续的迁移诊断任务;然后,将采集到的振动信号进行样本数据集的扩充,将扩充后的数据集划分为训练集和测试集;
S2:构建深度联合分布对齐迁移诊断模型;
S3:将训练集输入到步骤S2构建的深度联合分布对齐迁移诊断模型中,利用源域有标签样本分类损失函数和源域与目标域之间的联合分布对齐损失函数对深度联合分布对齐迁移诊断模型进行迭代更新训练;
S4:经过多次迭代训练,误差曲线趋于稳定,模型训练完成;
S5:将测试集输入到训练好的深度联合分布对齐迁移诊断模型中,对不同测点和不同工况下机械设备进行迁移故障诊断。
进一步,步骤S1中,利用滑动采样技术对采集到的振动信号进行样本数据集的扩充。
进一步,步骤S2中,构建的深度联合分布对齐迁移诊断模型是基于深度联合分布对齐域自适应机制构建的,该模型使用深度卷积神经网络作为一个特征提取器用于从原始振动信号中提取可分故障特征,该模型具体包括:五个卷积块(Conv)、两个全连接层(FC)和一个联合分布对齐适应层;
每个卷积块包含一个卷积层、一个Relu非线性激活层以及一个池化层;
所述联合分布对齐适应层包含联合分布对齐域自适应机制(Joint distributionalignment,JDA);所述联合分布对齐域自适应机制由边缘分布对齐(Marginaldistribution alignment,MDA)和类间条件分布对齐(Conditional distributionalignment,CDA)组成。
进一步,步骤S2中,所述边缘分布对齐是通过二阶协方差统计量作为指标衡量目标域和源域之间的总体分布差异,该边缘分布对齐的损失函数为:
其中,nS和nT为源域和目标域样本在一个批次中的数量,I表示元素为全一的行向量。
进一步,步骤S2中,所述类间条件分布对齐自适应的过程是要获得目标域和源域特征之间各个类别的分布,这个分布假设为高斯分布;因为源域样本标签是已知的,直接通过最大似然估计对正态分布的均值和方差进行估计,最后的估计如公式(3)所示:
其中,和/>分别表示源域特征中第c个类别的均值和方差,/>表示源域特征在一个批次中第c类样本的数量;/>为第c类源域特征中的第i个特征;对于目标域无标签样本,利用高斯混合模型(Gaussian mixture model,GMM)去近似估计的高斯分布/>
当获得了目标域的C个高斯分布后,需知道高斯混合模型得到的C个高斯分布对应的故障分布,具体包括:基于目标域和源域类别之间的相似性,针对目标域中每个高斯分量,采用KL散度衡量其与源域每个确定类别的高斯分布之间的分布差异,其获得最小KL值的源域类别对应于目标域中该高斯分量的类别,然后利用信息熵使这个最小的KL值变得更小,从而达到拉近类间条件分布的目的;其中,类间条件分布对齐损失函数为:
其中,C为总的类别数,rj,i表示在目标域中的第j个高斯分量的第i个比率,表达式为:
其中,KLj,i表示目标域中的第j个高斯分量的第i个KL散度。
进一步,步骤S2中,所述联合分布对齐域自适应机制的损失函数为:
LJDA=LMDA+λLCDA (6)
其中,LMDA表示边缘分布对齐损失函数,LCDA表示类间条件分布对齐损失函数,λ表示权衡参数,可通过网格搜索得到。
本发明的有益效果在于:本发明在目标域标签未知的情况下,利用基于边缘分布和类间条件分布的深度联合分布对齐的域自适应机制,然后结合深度卷积神经网络构建了深度联合分布对齐迁移诊断模型,从而提高了迁移诊断精度,同时提高了诊断模型的鲁棒性和泛化能力。
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来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明构建的深度联合分布对齐模型结构示意图;
图2为类间条件分布对齐结构示意图;
图3为DDS试验台示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,本实施例设计了一种基于深度联合分布对齐的迁移故障诊断方法,该方法的具体流程为:
步骤1:通过加速度传感器采集行星齿轮上不同工况和不同测点的振动信号,以便于构建后续的迁移诊断任务;然后,将采集到的原始振动信号利用滑动采样技术扩充样本数据集。
步骤2:构建基于深度联合分布对齐域自适应机制的迁移诊断模型,即构建深度联合分布对齐迁移模型(Deep joint distribution alignment,DJDA)。
如图1所示,在本次构建的深度联合分布对齐模型中,深度卷积神经网络作为一个特征提取器用于从原始振动信号中提取可分故障特征,而深度联合分布对齐域自适应机制用于拉近目标域和源域之间的分布距离,减小数据集之间的偏差。在网络训练收敛后,以便于深度卷积神经网络可以同时获得域不变特征和故障可分特征。相比于传统的边缘分布域自适应机制,该分布域自适应机制增强了域困惑能力和考虑了类间条件分布差异。该模型由五个卷积块(Conv)和两个全连接层(FC)组成,每个卷积块包含一个卷积层,一个Relu非线性激活层以及一个池化层组成。图中S-Conv和T-Conv是一个卷积块,表示将从源域获得的权重迁移到目标域。为了减小训练时间和节约计算资源,该联合分布对齐适应层放在模型最后一个全连接层。
其中,联合分布对齐域自适应机制(JDA)由边缘分布对齐(MDA)和类间条件分布(CDA)对齐组成,边缘分布对齐是通过二阶协方差统计量作为指标衡量目标域和源域之间的总体分布差异,该边缘分布对齐损失函数可以被定义为:
其中,nS和nT为源域和目标域样本在一个批次中的数量,I表示元素为全一的行向量。
类间条件分布自适应的核心是要获得的目标域和源域特征之间各个类别的分布,这个假设为高斯分布。因为源域样本标签是已知的,可以直接通过最大似然估计对正态分布的均值和方差进行估计,最后的估计如公式(3)所示:
其中,和/>分别表示源域特征中第c个类别的均值和方差,/>表示源域特征在一个批次中第c类样本的数量;/>为第c类源域特征中的第i个特征;对于目标域无标签样本,利用高斯混合模型(GMM)去近似估计的高斯分布/>
虽然获得了目标域的C个高斯分布,但是无法知道高斯混合模型得到的C个高斯分布具体对应哪个故障的分布。因此基于目标域和源域类别之间的相似性,针对目标域中每个高斯分量,本次用KL散度衡量其与源域每个确定类别的高斯分布之间的分布差异,其获得最小KL值的源域类别对应于目标域中该分量的类别,然后利用信息熵使这个最小的KL值变得更小,从而达到拉近类间条件分布的目的。该原理如图2所示。这个类间条件分布对齐损失函数如下式所示。
其中,C为总的类别数,rj,i表示在目标域中的第j个高斯分量的第i个比率,这个比率如式(5)所示。
其中,KLj,i表示目标域中的第j个高斯分量的第i个KL散度。
因此,联合分布对齐域自适应机制损失函数可以被定义为:
LJDA=LMDA+λLCDA (6)
其中,λ表示表示权衡参数,可通过网格搜索得到。
步骤3:将划分好的的训练样本输入到构建好深度联合分布对齐迁移模型中,利用源域有标签样本分类损失函数和源域与目标域之间的联合分布对齐损失函数对迁移模型进行迭代更新训练。
步骤4:经过多次迭代训练,误差曲线趋于稳定,模型训练完成,训练好的迁移模型将用于不同测点和不同工况下的行星齿轮箱故障迁移诊断。
为了验证上述迁移故障诊断方法的有效性,现提供如下验证实验:
本实验收集的行星齿轮原始振动信号来自DDS试验台,如图3所示。DDS试验台主要由电机、行星齿轮箱、平行齿轮箱及磁粉制动器五部分组成。不同工况信号可以通过磁粉制动器加载模拟获得。该行星齿轮箱共有五种健康信息:正常、表面磨损、齿根破裂、轮齿缺损、轮齿折断。加速度传感器A和传感器B安装在行星齿轮箱上收集振动信号。加速度传感器A是单通道传感器,测量轴向的加速度;加速度传感器B是一个三通道传感器,用于测量轴向,切向,径向的加速度振动信号。通过上述不同工况和不同测点收集到的振动信号,可以建立六种工况迁移任务(0→1.4N·m,1.4→0N·m,0→2.8N·m,2.8→0N·m,0→25.2N·m,25.2→0N·m)和六个测点迁移任务(A→B_1,A→B_2,A→B_3,B_1→A,B_2→A,B_3→A)。
对比实验:
为了证明提出本发明基于深度联合分布对齐的迁移故障诊断方法的优越性,对比当前典型迁移学习网络模型,其实验结果如表1和表2所示。
表1跨工况迁移诊断
表2跨测点迁移诊断
由表1和表2的数据可以得出本发明提出的迁移模型(DJDA)具有更高的迁移诊断精度和更强的鲁棒性和泛化能力。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于深度联合分布对齐的迁移故障诊断方法,其特征在于,该方法具体包括以下步骤:
S1:采集机械设备上不同工况和不同测点的振动信号;然后,将采集到的振动信号进行样本数据集的扩充,将扩充后的数据集划分为训练集和测试集;
S2:构建深度联合分布对齐迁移诊断模型,具体是基于深度联合分布对齐域自适应机制构建的,该模型使用深度卷积神经网络作为一个特征提取器用于从原始振动信号中提取可分故障特征,该模型具体包括:五个卷积块、两个全连接层和一个联合分布对齐适应层;每个卷积块包含一个卷积层、一个Relu非线性激活层以及一个池化层;所述联合分布对齐适应层包含联合分布对齐域自适应机制;所述联合分布对齐域自适应机制由边缘分布对齐和类间条件分布对齐组成;
所述类间条件分布对齐自适应的过程是要获得目标域和源域特征之间各个类别的分布,这个分布假设为高斯分布;因为源域样本标签是已知的,直接通过最大似然估计对正态分布的均值和方差进行估计,最后的估计如公式(3)所示:
当获得了目标域的C个高斯分布后,需知道高斯混合模型得到的C个高斯分布对应的故障分布,具体包括:基于目标域和源域类别之间的相似性,针对目标域中每个高斯分量,采用KL散度衡量其与源域每个确定类别的高斯分布之间的分布差异,其获得最小KL值的源域类别对应于目标域中该高斯分量的类别,然后利用信息熵使这个最小的KL值变得更小,从而达到拉近类间条件分布的目的;其中,类间条件分布对齐损失函数为:
其中,C为总的类别数,rj,i表示在目标域中的第j个高斯分量的第i个比率,表达式为:
其中,KLj,i表示目标域中的第j个高斯分量的第i个KL散度;
S3:将训练集输入到步骤S2构建的深度联合分布对齐迁移诊断模型中,利用源域有标签样本分类损失函数和源域与目标域之间的联合分布对齐损失函数对深度联合分布对齐迁移诊断模型进行迭代更新训练;
S4:经过多次迭代训练,误差曲线趋于稳定,模型训练完成;
S5:将测试集输入到训练好的深度联合分布对齐迁移诊断模型中,对不同测点和不同工况下机械设备进行迁移故障诊断。
2.根据权利要求1所述的迁移故障诊断方法,其特征在于,步骤S1中,利用滑动采样技术对采集到的振动信号进行样本数据集的扩充。
4.根据权利要求1所述的迁移故障诊断方法,其特征在于,步骤S2中,所述联合分布对齐域自适应机制的损失函数为:
LJDA=LMDA+λLCDA (6)
其中,LMDA表示边缘分布对齐损失函数,LCDA表示类间条件分布对齐损失函数,λ表示权衡参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631662.9A CN113268833B (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度联合分布对齐的迁移故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631662.9A CN113268833B (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度联合分布对齐的迁移故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268833A CN113268833A (zh) | 2021-08-17 |
CN113268833B true CN113268833B (zh) | 2023-07-04 |
Family
ID=77234436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631662.9A Active CN113268833B (zh) | 2021-06-07 | 2021-06-07 | 一种基于深度联合分布对齐的迁移故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268833B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837071B (zh) * | 2021-09-23 | 2024-02-02 | 重庆大学 | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 |
CN113988189B (zh) * | 2021-10-29 | 2024-05-07 | 燕山大学 | 一种跨风电机组的迁移故障诊断方法 |
CN114419400B (zh) * | 2022-03-28 | 2022-07-29 | 北京字节跳动网络技术有限公司 | 图像识别模型的训练方法、识别方法、装置、介质和设备 |
CN115482927B (zh) * | 2022-09-21 | 2023-05-23 | 浙江大学 | 一种基于小样本的儿童肺炎诊断*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894523A (zh) * | 2016-04-28 | 2016-08-24 | 北京联合大学 | 一种基于结构张量与图割模型的图像分割方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
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 |
CN110849625A (zh) * | 2019-10-10 | 2020-02-28 | 淮阴工学院 | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 |
CN111144458A (zh) * | 2019-12-13 | 2020-05-12 | 重庆交通大学 | 子空间嵌入特征分布对齐的不同工况下机械故障识别方法 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
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 |
CN112766425A (zh) * | 2021-03-25 | 2021-05-07 | 浙江师范大学 | 一种基于最优传输的深度缺失聚类机器学习方法及*** |
CN112836739A (zh) * | 2021-01-29 | 2021-05-25 | 华中科技大学 | 基于动态联合分布对齐的分类模型建立方法及其应用 |
CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
-
2021
- 2021-06-07 CN CN202110631662.9A patent/CN113268833B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894523A (zh) * | 2016-04-28 | 2016-08-24 | 北京联合大学 | 一种基于结构张量与图割模型的图像分割方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
CN110849625A (zh) * | 2019-10-10 | 2020-02-28 | 淮阴工学院 | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 |
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 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
CN111144458A (zh) * | 2019-12-13 | 2020-05-12 | 重庆交通大学 | 子空间嵌入特征分布对齐的不同工况下机械故障识别方法 |
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 |
CN112836739A (zh) * | 2021-01-29 | 2021-05-25 | 华中科技大学 | 基于动态联合分布对齐的分类模型建立方法及其应用 |
CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
CN112766425A (zh) * | 2021-03-25 | 2021-05-07 | 浙江师范大学 | 一种基于最优传输的深度缺失聚类机器学习方法及*** |
Non-Patent Citations (3)
Title |
---|
A novel adversarial learning framework in deep convolutional neural network for intelligent diagnosis of mechanical faults;Te Han et al.;《Knowledge-Based Systems》;第165卷;正文第475-477页 * |
A systematic review of deep transfer learning for machinery fault diagnosis;Yi Qin et al.;《Neurocomputing》;第407卷;正文第123-129页 * |
变工况轴承的联合分布适应迁移故障诊断;第5期;《电子测量与仪器学报》;第35卷(第5期);正文第70-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113268833A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268833B (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
US20200150622A1 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
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 | |
CN112257530B (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 | |
CN115270956A (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN109543720B (zh) | 一种基于对抗生成网络的晶圆图缺陷模式识别方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业***故障检测方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN113255432B (zh) | 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
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 | |
CN111695611A (zh) | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 | |
CN114942140A (zh) | 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法 | |
CN113269274B (zh) | 一种基于循环一致性的零样本识别方法及*** | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
Zhang et al. | Multiscale Channel Attention-Driven Graph Dynamic Fusion Learning Method for Robust Fault Diagnosis | |
CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN114202028B (zh) | 基于mamtl的滚动轴承寿命阶段识别方法 | |
CN114692694B (zh) | 一种基于特征融合和集成聚类的设备故障诊断方法 | |
Bi et al. | Apple grading method based on ordered partition neural network | |
CN113435375B (zh) | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 |
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 |