CN114034486B - 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 - Google Patents
基于无监督迁移学习的泵类机械设备轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114034486B CN114034486B CN202111182225.XA CN202111182225A CN114034486B CN 114034486 B CN114034486 B CN 114034486B CN 202111182225 A CN202111182225 A CN 202111182225A CN 114034486 B CN114034486 B CN 114034486B
- Authority
- CN
- China
- Prior art keywords
- domain
- model
- network
- training
- transfer learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013526 transfer learning Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000006978 adaptation Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 7
- 230000008485 antagonism Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 24
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims 1
- 230000007797 corrosion Effects 0.000 claims 1
- 230000008676 import Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法,采集泵类机械设备轴承振动信号,进行样本特征增强预处理,得到振动信号数据集;构建具有源域、目标域数据对齐适配能力的域迁移学习模型,将域鉴别器注入到模型中;构造对抗策略损失函数优化域鉴别器;构造双向长短期记忆模型Bi‑LSTM并使用无监督的训练方式,将多类训练数据接入域迁移学习模型输入端,进行模型参数更新和网络结构调整;判断所训练的模型在目前训练环境下的性能状态是否满足实际需要,如果低于目标准确度,则继续进行训练;用训练好的网络模型进行故障分类诊断。本发明实现了模型对于多域数据的适应能力,可以显著增强数据样本间的区分度,提高机械故障诊断准确率。
Description
技术领域
本发明属于智能旋转机械故障诊断领域,尤其涉及一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法。
背景技术
针对舰船、艇类的泵类机械设备内部的旋转件结构复杂,其工作环境往往比较恶劣,极易发生故障,一旦发生故障就会造成巨大的损失。当旋转部件出现故障时,通常会引起齿轮、旋转机械设备和转轴等的异常振动,导致振动信号的能量分布产生变化。
现有采用深度学习模型进行故障诊断分类,但是传统深度学习模型分类任务存在依赖大量的可利用的、高质量样本数据的问题,以及性能提高高度依赖“特征提取”质量的问题。
面对深度神经网络的性能提高高度依赖“特征提取”质量的问题,其理论分类精度的提高要求测试和训练数据满足独立同分布的特点,并不能很好的适用于训练数据量少,场景变化和任务变化等领域。因此,传统故障诊断方法受到故障样本数据量有限的影响,很难实现理想的诊断性能。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法,以无监督式迁移学习中的样本空间迁移学习技术为依据,提出具有源域、目标域数据对齐适配能力的域迁移学习模型,依赖形态学滤波与中值滤波结合的方法对进行样本预处理,随后利用递归神经网络进行特征变换和迁移,最终对样本故障类型进行分类,实现小样本下的迁移学习机械故障诊断技术,在收集的振动信号样本不足的情况下仍可以建立一个鲁棒性和泛化能力较强的诊断模型。
为实现本发明的目的,本发明所采用的技术方案是:
一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法所述方法包括步骤:
(1)采集泵类机械设备轴承振动信号,进行样本特征增强预处理,得到泵类机械设备轴承振动信号数据集,并划分测试集和训练集;
(2)构建具有源域、目标域数据对齐适配能力的域迁移学习模型,将域鉴别器注入到模型中进行域鉴别;
(3)构造对抗策略损失函数优化域鉴别器;
(4)构造双向长短期记忆模型Bi-LSTM并使用无监督的训练方式,将多类训练数据接入域迁移学习模型输入端,进行模型参数更新和网络结构调整;
(5)判断所训练的模型在目前训练环境下的性能状态是否满足实际需要,如果低于目标准确度,则继续进行训练;用训练好的网络模型进行故障分类诊断。
进一步地,所述步骤(1)中,样本特征增强预处理包括数据滤波和分割;使用形态学滤波与中值滤波结合的方法进行滤波去噪;对机械设备同一部分正常工作状态下的信号X和故障状态下的信号Y进行相似性分析,去除故障信号的基本分量。
进一步地,形态学滤波算子包括膨胀运算、腐蚀运算、闭运算和开运算。
进一步地,所述步骤(2)中,域鉴别器DANN包括全连接层3个,Dropout层2个。
进一步地,所述步骤(2)中,Ds,Dt分别代表源域和目标域,将源域样本训练分类器最小化/>的值。
进一步地,所述步骤(3)中,DANN损失函数为:
L(βf,βc,βd)=Lc(βf,βc)-λDANNLDANN(βf,βd)
其中,Af是带有必需参数的特征累加器,Ac代表类预测器,通过控制并调整参数βc,Ad代表域鉴别器,通过调整决定因子βd,λDANN代表总损失值2权衡参数。
进一步地,所述步骤(4)中,Bi-LSTM包括两个LSTM层和两个隐藏层,LSTM层从前向后的更新过程如下式:
LSTM层从后向前的更新过程如下式:
两个LSTM层被叠加并输入到隐藏层中,然后输出层表达式为:
最终预测得到所有种类故障类型的预测类别标签yu。
进一步地,所述步骤(4)中,Bi-LSTM网络分为网络训练和特征提取两个阶段:在网络训练阶段,在RNN后加上Softmax层将网络构造成适应分类任务的网络,利用Adam优化器优化参数实现端到端的故障分类任务;特征提取阶段,保留鉴别器训练后的域鉴别网络参数,将整个数据集中的数据导入到深度网络中,获得网络提供的特征向量。
本发明的有益效果在于,与现有技术相比,
本发明针对样本数据获取难的问题,进行模型深度定制与优化设计,借助源域数据解决小样本下故障诊断准确率低的问题,依靠***的自学习、自评估能力,获得高性能的特征空间变换机制,实现一种端对端的故障诊断模式。
本发明利用无监督迁移学习,可从一个或者多个相关场景中提取知识以帮助提升目标域场景的学习性能,其不仅减少了数据量的要求,同时放松了独立同分布的假设,结合迁移学习理论,通过对相近型号旋转部件在不同工况条件下的故障样本的深入挖掘,明确样本间的内在联系最终实现一种高泛化能力的深度神经网络。
本发明提出的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,通过搭建深层神经网络,使用多尺度形态学滤波特征选择方法进行样本数据特征增强预处理,随后经过双向长短期记忆网络进行网络深度学习和参数优化,该网络能够自动更新自身映射方向,因而所提取的特征具有独立的特征界限。
本发明无监督训练的方法节省了人为进行数据标记带来的繁琐工作,此模型输出界限分明的分类标签,极大降低了错误率,提高了智能故障诊断准确率。
本发明方法在公开数据集CWRU及PU上进行的实验结果证明了所提出的无监督迁移学习的泵类机械设备轴承故障诊断方法能够在多分类任务中保持良好的运行效率及准确率,有效提高了泵类机械设备轴承故障诊断效果。
附图说明
图1是故障诊断体系设计导图;
图2是形态学滤波流程图;
图3是域鉴别器与损失函数优化结构设计图;
图4是故障特征对齐过程下的域适应示意图;
图5是形态学滤波算子及运行机理示意图;
图6是双向长短期记忆模型结构图;
图7是不同输入数据下Bi-LSTM准确度对比结果图;
图8是不同输入数据下迁移学习分类精度对比结果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本发明所述的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,具体包括以下步骤:
(1)采集泵类机械设备轴承振动信号,将振动信号样本进行样本特征增强预处理,包括进行数据滤波和分割;使用形态学滤波与中值滤波结合的方法进行滤波去噪,对旋转机械设备同一部分正常工作状态下的信号X和故障状态下的信号Y进行相似性分析,以去除故障信号的基本分量;最后得到泵类机械设备轴承振动信号的数据集,并划分测试集和训练集数据。
如图2所示,形态学滤波包括周期采样点计算、选择尺度、形态学滤波、残差计算、多尺度熵计算、选择尺度结合;其中,形态学滤波算子包括输入原始数据,进行膨胀运算、腐蚀运算、闭运算和开运算,得到重组的形态学滤波信号,如图5所示。
(2)构建具有源域、目标域数据对齐适配能力的域迁移学习模型,将域鉴别器注入到模型中以解决源域和目标域不同,即(P(Xi)≠Q(Xj))的问题。
如图4所示,采用故障特征对齐过程下的域适应方法,采用域鉴别器进行域鉴别。Ds,Dt分别代表源域和目标域,通过将源域样本来训练分类器通过最小化的值使得接下来的分类任务得以顺利进行。通过使用智能域迁移学习模型,可以把具有差异性域分布的特征值降低。
(3)采用联合对抗策略的损失函数来区分特征存在于与源域或目标域,这里将三层全连接二元分类器代替了传统的域鉴别器,所设计的结构提高了损失值(loss)的收敛速度,有效减少了模型迭代次数,提高了模型的训练效率,增加了故障诊断准确度。
如图3所示,域鉴别器DANN,包括全连接层3个,Dropout层2个;DANN优化过程的推导包括以下几步:预测损失函数及对损失可以改写成如下所示的等式关系。
其中,Af是带有必需参数的特征累加器,Ac代表类预测器,它通过控制并调整参数βc。Ad代表域鉴别器,通过调整决定因子βd。
DANN损失函数可以定义为如下等式关系:
L(βf,βc,βd)=Lc(βf,βc)-λDANNLDANN(βf,βd)
其中,λDANN代表总损失值2权衡参数。
(4)构造双向长短期记忆模型(Bi-LSTM)并使用无监督的训练方式,将多类训练数据接入模型输入端,进行模型参数更新和网络结构调整,采用子空间迁移学习技术,在分布对齐阶段不需要源域训练数据和目标域测试数据的标签信息,使得领域知识可以迁移和复用。
如图6所示,使用的具有双向长短期记忆结构的训练模型隶属于递归神经网络,通过三个结构来存储信息,即:导入门,忘记门和出口门。当我们进行模型训练时,提高特征累加器和分类器的工作效率,实现标签精准筛选是首要任务。与此同时,对抗损失值需要最大化。这时,我们需要计算出一个鞍点通过以下过程:
当该结构起作用时,隐藏层存储双向序列信息,即历史信息和将来信息。就结构而言,Bi-LSTM由两个LSTM模型和两个隐藏层组成,LSTM层从前向前后的更新过程可以由等式表示。
LSTM层从后向前的更新过程可以由等式表示。
可以证明两个LSTM层被叠加并输入到隐藏层中,然后输出层表达式为:
最终预测得到所有种类故障类型的预测类别标签yu。
Bi-LSTM网络分为网络训练和特征提取两个阶段:在网络训练阶段,首先在RNN后加上Softmax层,把全部网络构造成适应分类任务的网络;利用Adam优化器优化参数实现端到端的故障分类任务;特征提取阶段,保留下鉴别器训练后的域鉴别网络参数,将整个数据集中的数据导入到深度网络中,获得网络提供的特征向量。Adam优化算法具体实施步骤见表1。
表1
(5)判断所训练的模型在目前训练环境下的性能状态是否满足实际需要,如果低于目标准确度,则继续进行参数微调,重新训练网络的参数;用训练好的网络模型进行分类任务,得到最后的类别,对故障进行有效的诊断。
为了验证本发明的故障诊断模型对域迁移的适应能力,本实施例使用美国凯斯西储大学(CWRU)和德国帕德伯恩大学(PU)提供的各种工况下的机械设备轴承数据进行验证。选取的故障类别汇总与表2和表4。表2为CWRU数据库故障类别。表4为PU数据库故障类别。表中主要对内圈(IR)、体(B)、外圈轨道(OR)进行验证,分别对应于4种工况,如表3和表5所示,表3为CWRU数据集不同工况详细情况,表5为PU数据集不同工况详细情况,数据的工况决定因素主要有转速、力矩、负载大小这几个层面。
表2
表3
表4
表5
本发明所述的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,具体包括以下步骤:
第一步,采集泵类机械设备轴承振动信号,将振动信号使用所提出的方法进行滤波去噪,对旋转机械设备同一部分正常工作状态下的信号X和故障状态下的信号Y进行相似性分析,以去除故障信号的基本分量。最后得到泵类机械设备轴承振动信号的数据集,并划分测试集和训练集数据;
采用傅里叶变换,将故障信号转换到频域,依次得到各个频率对应的频率特征信息。在原始数据特征提纯部分首先通过算法进行信号成分分析,随后进行滤波去噪,再进行权重信号重构,最后获得特征样本数据,分批次进行模型训练。
第二步,构建具有源域、目标域数据对齐适配能力的域迁移学习模型,我们将域鉴别器注入到模型中以解决源域和目标域不同的问题。通过图4所示意的域适应方法,采用域鉴别器进行域鉴别;
第三步,随后构造对抗策略损失函数,最后进行特征分布对齐;深度学习递归神经网络采用联合对抗策略的损失函数来区分特征存在于与源域或目标域,这里将三层全连接二元分类器代替了传统的域鉴别器,应用长短期记忆机制来记录学习序列的特征信息;
第四步,构造双向长短期记忆模型(Bi-LSTM)并使用无监督的训练方式,将多类训练数据接入模型输入端,采用子空间迁移学习技术,在分布对齐阶段不需要源域训练数据和目标域测试数据的标签信息,使得领域知识可以迁移和复用。
如图6所示,最初设计的LSTM仅具有单向数据处理功能。经过深入优化设计后,提出了双向LSTM的构造思想,该思想将双向数据序列锁定到模型上,从而使当前输入与前后序列中的数据具有一定的关系。当该结构起作用时,隐藏层存储双向序列信息,即历史信息和将来信息。就结构而言,Bi-LSTM由两个LSTM模型和两个隐藏层组成,所设计的结构提高了损失值(loss)的收敛速度,有效减少了模型迭代次数,提高了模型的训练效率,增加了故障诊断准确度。
Bi-LSTM网络分为网络训练和特征提取两个阶段:在网络训练阶段,首先在RNN后加上Softmax层,把全部网络构造成适应分类任务的网络;利用Adam优化器优化参数实现端到端的故障分类任务;特征提取阶段,保留下鉴别器训练后的域鉴别网络参数,将整个数据集中的数据导入到深度网络中,获得网络提供的特征向量。
最终在不采用域迁移机制下的单一工况数据集进行200次迭代训练条件下获得如图7所示的模型精准度,如果在进行域迁移学习任务进行泛化实测的结果如图8所示。
第五步,分析整理所获得模型的运行正确率是否满足预期要求,如果不符合实际使用需要就继续优化,重复第四步内容,直至找到符合期望性能的精度。用训练好的网络模型进行分类任务,得到最后的类别,对故障进行有效的诊断。
本发明分别从10类、14类泵类机械设备轴承故障数据中进行分类测试任务,总共进行了6中迁移学习过程。最终的分类统计图如图7和图8所示。可知,在数据集内部进行迁移学习任务下,在CWRU数据集下表现最优,均值普遍维持在80%以上;对应于PU数据集中,迁移任务依然超过60%准确率,实验结果表明所提发明能有效进行域迁移任务,降低对样本量的需求,具有较高鲁棒性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (4)
1.一种基于无监督迁移学习的泵类机械设备轴承故障诊断方法,其特征在于,所述方法包括步骤:
(1)采集泵类机械设备轴承振动信号,进行样本特征增强预处理,对机械设备同一部分正常工作状态下的信号X和故障状态下的信号Y进行相似性分析,去除故障信号的基本分量,得到泵类机械设备轴承振动信号数据集,并划分测试集和训练集;
(2)构建具有源域、目标域数据对齐适配能力的域迁移学习模型,将域鉴别器注入到模型中进行域鉴别;
Ds,Dt分别代表源域和目标域,通过源域样本训练分类器通过最小化的值进行后面的分类任务;
(3)构造对抗策略损失函数优化域鉴别器,区分特征存在于与源域或目标域,将三层全连接二元分类器代替传统的域鉴别器,域鉴别器DANN包括全连接层3个,Dropout层2个;
(4)构造双向长短期记忆模型Bi-LSTM并使用无监督的训练方式,将多类训练数据接入域迁移学习模型输入端,进行模型参数更新和网络结构调整;
Bi-LSTM网络分为网络训练和特征提取两个阶段:在网络训练阶段,在RNN后加上Softmax层将网络构造成适应分类任务的网络,利用Adam优化器优化参数实现端到端的故障分类任务;特征提取阶段,保留鉴别器训练后的域鉴别网络参数,将整个数据集中的数据导入到深度网络中,获得网络提供的特征向量;
(5)判断所训练的模型在目前训练环境下的性能状态是否满足实际需要,如果低于目标准确度,则继续进行训练;用训练好的网络模型进行故障分类诊断。
2.根据权利要求1所述的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,其特征在于,所述步骤(1)中,样本特征增强预处理包括数据滤波和分割;使用形态学滤波与中值滤波结合的方法进行滤波去噪,形态学滤波算子包括膨胀运算、腐蚀运算、闭运算和开运算。
3.根据权利要求1所述的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,其特征在于,所述步骤(3)中,DANN损失函数为:
L(βf,βc,βd)=Lc(βf,βc)-λDANNLDANN(βf,βd)
其中,Af是带有必需参数的特征累加器,Ac代表类预测器,通过控制并调整参数βc,Ad代表域鉴别器,通过调整决定因子βd,λDANN代表总损失值2权衡参数。
4.根据权利要求1所述的基于无监督迁移学习的泵类机械设备轴承故障诊断方法,其特征在于,所述步骤(4)中,Bi-LSTM包括两个LSTM层和两个隐藏层,LSTM层从前向后的更新过程如下式:
LSTM层从后向前的更新过程如下式:
两个LSTM层被叠加并输入到隐藏层中,然后输出层表达式为:
最终预测得到所有种类故障类型的预测类别标签yu。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182225.XA CN114034486B (zh) | 2021-10-11 | 2021-10-11 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182225.XA CN114034486B (zh) | 2021-10-11 | 2021-10-11 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034486A CN114034486A (zh) | 2022-02-11 |
CN114034486B true CN114034486B (zh) | 2024-04-23 |
Family
ID=80134946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182225.XA Active CN114034486B (zh) | 2021-10-11 | 2021-10-11 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034486B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392315B (zh) * | 2022-08-31 | 2023-04-18 | 济南永信新材料科技有限公司 | 一种基于可转移特征的齿轮箱故障检测方法 |
CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及*** |
CN116242609B (zh) * | 2022-11-23 | 2024-05-14 | 广东石油化工学院 | 一种变工况轴承故障诊断方法、***、介质、设备及终端 |
CN117370851B (zh) * | 2023-08-31 | 2024-04-16 | 西南交通大学 | 基于无监督迁移学习的自适应输入长度轴承故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况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 |
CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
CN113033678A (zh) * | 2021-03-31 | 2021-06-25 | 温州大学 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10885383B2 (en) * | 2018-05-16 | 2021-01-05 | Nec Corporation | Unsupervised cross-domain distance metric adaptation with feature transfer network |
US11714028B2 (en) * | 2019-09-05 | 2023-08-01 | Simmonds Precision Products, Inc. | System and method for health monitoring of a bearing system |
TWI773962B (zh) * | 2020-01-17 | 2022-08-11 | 國立中央大學 | 模型訓練裝置及方法 |
-
2021
- 2021-10-11 CN CN202111182225.XA patent/CN114034486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN110907176A (zh) * | 2019-09-30 | 2020-03-24 | 合肥工业大学 | 一种基于Wasserstein距离的深度对抗迁移网络的故障诊断方法 |
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 |
CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
CN113033678A (zh) * | 2021-03-31 | 2021-06-25 | 温州大学 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
基于BiLSTM的滚动轴承故障诊断研究;赵志宏;振动与冲击;第40卷(第1期);第95-101页 * |
基于迁移学习的小样本轴承故障诊断方法研究;张西宁;西安交通大学学报;第55卷(第10期);第30-37页 * |
小样本域自适应的皮肤病临床影像识别方法;景海婷;张秦;陈曼;张兰;李政霄;祝继华;李钟毓;;西安交通大学学报(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114034486A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114034486B (zh) | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断*** | |
Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
CN110502991B (zh) | 基于随机卷积神经网络结构的内燃机健康监测方法及*** | |
Zheng et al. | Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network | |
CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN115329853B (zh) | 一种基于多源域迁移的装备参数预测与知识转移方法 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
Ning et al. | Research on Intelligent Fault Diagnosis of Rolling Bearing Based on Improved ShufflenetV2‐LSTM | |
CN112491891B (zh) | 物联网环境下基于混合深度学习的网络攻击检测方法 | |
Lee et al. | Time series multi-channel convolutional neural network for bearing remaining useful life estimation | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测*** | |
CN107404120B (zh) | 一种无功优化在线控制中的设备动作次数挖掘方法 | |
CN116449415A (zh) | 一种地震数据的波形处理方法、装置和相关设备 | |
CN115046765A (zh) | 基于门控卷积神经网络的滚动轴承类不平衡故障诊断方法 | |
CN112861790B (zh) | 一种基于深度学习的电磁探测网络组网方式识别方法 | |
CN112084714B (zh) | 一种基于数据驱动的整车电磁干扰抑制方法 | |
CN113688229B (zh) | 一种文本推荐方法、***、存储介质和设备 |
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 |