CN114429152A - 基于动态指数对抗性自适应的滚动轴承故障诊断方法 - Google Patents
基于动态指数对抗性自适应的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114429152A CN114429152A CN202111677762.1A CN202111677762A CN114429152A CN 114429152 A CN114429152 A CN 114429152A CN 202111677762 A CN202111677762 A CN 202111677762A CN 114429152 A CN114429152 A CN 114429152A
- Authority
- CN
- China
- Prior art keywords
- domain
- sample
- fault diagnosis
- loss
- discriminator
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005096 rolling process Methods 0.000 title claims abstract description 27
- 230000008485 antagonism Effects 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011524 similarity measure Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000013508 migration Methods 0.000 description 17
- 230000005012 migration Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法,包括以下步骤:采集不同工况下轴承运行时的振动数据;将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算损失;利用损失构建轴承故障诊断模型的目标函数,寻找最佳参数,直至轴承故障诊断模型完成,在训练过程中利用动态指数调节因子缩小源域样本和目标域样本的边缘分布和条件分布差异;将目标域样本输入轴承故障诊断模型,输出轴承故障诊断结果。本发明能够以精确定量地衡量边缘分布和条件分布在整体数据分布中的比重,从而使得模型可以更有针对性的对不同工况下的数据集进行迁移,实现精确地故障诊断。
Description
技术领域
本发明涉及机械故障诊断技术领域,具体涉及一种基于动态指数对抗性自适应的滚动轴承故障诊断方法。
背景技术
随着工业的发展,越来越多的旋转机械机器被用于生产和生活中。滚动轴承是旋转机械中最为重要的关键部件之一,其状态直接关系这种旋转机械能否正常运行。故障诊断是一项综合性技术,是保证机械设备安全可靠运行的重要措施。因此,对滚动轴承故障进行诊断,尤其是对于早初期故障的分析,实现快速、准确的轴承故障监测对于机械设备的正常工作以及安全生产具有重大的意义。传统的故障诊断方法,如时域统计分析、小波变换、稀疏表示和傅立叶谱分析,可以实现准确的故障诊断。然而,传统的故障诊断需要工程师丰富的经验和深厚的先验知识。例如,在基于小波去噪的轴承故障诊断方法中,必须手动选择合适的小波基。为了克服这一局限性,再加上人工智能技术的出现和不断的进步,许多研究者将注意力转向了智能故障诊断技术。
智能故障诊断是机器学习理论如人工神经网络、支持向量机和深度神经网络在机器故障诊断中的应用。其中,深度神经网络因其在特征提取方面的优异性能而被广泛应用。然而,基于深度神经网络的故障诊断准确性在很大程度上依赖于训练中涉及的样本数量,但在实际实践中,滚动轴承在不同速度和负载下采集到的故障信号也不同。虽然在实验室中可以在部分工况下获得完整的标记故障信号,但当轴承在可变工况下运行时,获取大量覆盖所有工况的标记故障样本是不现实的。因此,利用已有的标记故障数据对不同于其运行状态的数据进行诊断已成为一项新的挑战。在此背景下,迁移学习成为一种新的解决方案。
迁移学习可以利用数据、任务或模型之间的相似性,将旧领域学到的模型和知识应用到新领域。领域适应是迁移学习的一个重要研究方向,它针对的是不同领域具有相同任务的场景,是一种直接推动迁移学习。无监督领域自适应问题处理的数据不包含目标域标签,因此如何对齐源域和目标域的数据分布从而实现借助源域有标签数据实现目标域无标签数据的故障诊断成为新的难点。
现有的故障诊断方法大多数都侧重于对齐特征的边缘分布,而忽略了类内分布的对齐,即条件分布。这些方法假设条件分布在边缘分布的对齐过程中会自动对齐。这种假设是无效的,对模型有负面的效果。少数考虑条件分布的方法,如联合分布对齐方法,假设了边缘分布对齐和条件分布对齐在整体数据分布对齐中拥有相同的权重,这显然不能适用于所有数据分布。
发明内容
本发明的目的是提供一种基于动态指数对抗性自适应的滚动轴承故障诊断方法,能够以精确定量地衡量边缘分布和条件分布在整体数据分布中的比重,从而使得模型可以更有针对性的对不同工况下的数据集进行迁移,实现精确地故障诊断。
为了解决上述技术问题,本发明提供了基于动态指数对抗性自适应的滚动轴承故障诊断方法,包括以下步骤:
S1:采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
S2:将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
S3:将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
S4:对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
S5:利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
S6:将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
作为本发明的进一步改进,在所述步骤S1中每种工况下的轴承健康状态不同,每种工况下不同健康状态的轴承振动数据作为一个可迁移的数据域,所述数据域附有域标签,所述源域样本和目标域样本从数据域中选取,所述源域样本附有故障类型标签。
作为本发明的进一步改进,利用加速度传感器采集每种工况下轴承运行时的振动信号,构建源域数据集和目标域数据集,利用短时傅里叶变换对所述源域数据集和所述目标域数据集进行处理,并进行二维化处理,输出处理后的多源域样本和目标域样本。
作为本发明的进一步改进,在所述步骤S3中将源域特征输入分类器进行有监督的训练,得到预测源域标签和分类器损失,其中,有监督的训练为通过计算预测源域标签与源域真实标签的交叉熵损失得到分类器损失yi是数据真实故障标签,C(G(xi))是分类器预测的故障标签,Lc计算两者的交叉熵损失。
作为本发明的进一步改进,在所述步骤S3中:
将混合样本特征输入分类器,得到目标域故障种类预测标签概率分布;将混合样本特征输入多个局部域鉴别器,得到多个域鉴别预测标签后与真实域标签计算每个域交叉熵损失,并将交叉熵损失与目标域故障种类预测标签概率分布相乘求和,得到最终的局部域损失计算公式:计算局部域损失,其中,H代表故障标签种类数量,是与第h类相关的域鉴别器,是对应的交叉熵损失,代表第k个样本在h类上存在的概率分布,dk为数据真实的域标签。
作为本发明的进一步改进,所述步骤S4具体包括:
考虑所述指数动态调节因子,最终域鉴别器损失定义为:
作为本发明的进一步改进,所述步骤S5具体包括:
在每一个epoch计算一次总损失,并将总损失利用Adam算法对建立的特征提取器、分类器、全局域鉴别器和局部域鉴别器进行优化;
作为本发明的进一步改进,所述步骤S6具体包括:
利用短时傅里叶变换对所述目标域数据集进行处理,得到所述目标域样本图片;
将所述目标域样本图片输入所述已训练故障诊断模型中,得到最终的故障诊断结果。
一种基于动态指数对抗性自适应的滚动轴承故障诊断***,包括:
采集模块,用于采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
特征提取模块,用于将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
分类计算模块,用于将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
指数动态模块,用于对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
训练模块,用于利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
测试模块,用于将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
作为本发明的进一步改进,所述分类计算模块包括:
分类模块,用于利用所述特征提取模块得到特征得出预测标签从而进行故障种类分类,并与真实标签计算交叉熵损失;
全局域鉴别模块,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述每个样本特征的预测标签与真实标签计算全局域鉴别器的交叉熵损失;
局部域鉴别模块,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述分类器对所有样本特征进行分类,得到目标域样本的伪标签概率分布,利用每个样本特征的预测标签与真实标签和伪标签概率分布共同计算局部域鉴别器的交叉熵损失。
本发明的有益效果:本发明可以通过特征提取器、分类器和域鉴别器之间的对抗,自主地筛选更适合迁移的特征,得到更好的故障诊断结果;该方法可以不显式指定源域和目标域之间的距离度量,利用损失间接度量源域和目标域之间的分布差异,能够更好地对源域和目标域之间的分布差异进行度量,从而得到更好的迁移效果;该方法利用指数动态因子稳定定量动态地调节边缘分布和条件分布差异在整体数据分布差异中的比重,指数函数可以有效减少定量计算过程中由于计算缺陷(除零)导致的数据崩溃,使模型更为稳定;动态定量调节可以使模型能够更好地对齐源域和目标域之间的数据分布,从而使得模型在面对变工况任务时依旧有良好的诊断效果,可广泛应用于机械、电工、化工、航空等复杂***在多变工况下的故障诊断任务。
附图说明
图1是本发明轴承故障诊断的方法流程图;
图2是本发明实施例具体方法流程图;
图3为本发明实施例滚动轴承数据生成试验台试验图;
图4为本发明实施例在某一迁移任务下的故障诊断混淆矩阵图;
图5为本发明实施例在某一迁移任务下的故障诊断特征可视化情况图;
图6为本发明***结构示意框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参考图1,本发明提供了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法,包括以下步骤:
S1:采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
S2:将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
S3:将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
S4:对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
S5:利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
S6:将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
本发明方法利用加速度传感器采集每种工况下轴承运行时的振动信号,构建源域数据集和目标域数据集,利用短时傅里叶变换和二维化处理输出源域样本和目标域样本,可以有助于模型更好地提取到所需特征;该方法可以通过特征提取器、分类器和域鉴别器之间的对抗,自主地筛选更适合迁移的特征,得到更好的故障诊断结果。对抗自适应可以不显式指定源域和目标域之间的距离度量,利用损失间接度量源域和目标域之间的分布差异,能够更好地对源域和目标域之间的分布差异进行度量,从而得到更好的迁移效果;利用指数动态因子稳定定量动态地调节边缘分布和条件分布差异在整体数据分布差异中的比重,指数函数可以有效减少定量计算过程中由于计算缺陷(除零)导致的数据崩溃,使模型更为稳定;动态定量调节可以使模型能够更好地对齐源域和目标域之间的数据分布,从而使得模型在面对变工况任务时依旧有良好的诊断效果
实施例
本实施例基于上述方法,结合具体实施例进行更加详细的说明,将采集的振动信号构建一个包含七种健康状态的轴承在六种不同况下的可迁移数据集,对轴承故障模型进行训练,请参考图2,具体操作步骤如下:
步骤S101:利用加速度传感器采集六种工况下轴承运行时的振动信号,构建源域数据集和目标域数据集;
使用图3所示的试验台所采集的信号构建了一个包含七种健康状态的轴承在六种不同工况下的可迁移数据集,各数据集存在不同的条件分布和边缘分布。测试轴承被设置为三种单一故障(内圈故障、滚子故障和外圈故障)和四种复合故障(内圈+外圈故障、内圈+滚子故障、滚子+外圈故障、滚子+内圈+外圈故障)。因此,得到了七个健康状态,如表1中所列。每个健康状态有200个训练样本和200个测试样本。每个样本由1024个采样点组成。
表格1各个域的七种故障轴承信息:
根据六种不同的工作条件,具体设置如表2,建立了12种不同的迁移任务,表3中提供了迁移任务及其缩写。
表格2迁移任务工况设置:
表格3所有迁移任务及缩写:
步骤S102:利用短时傅里叶变换和二维化处理输出源域样本和目标域样本;
对样本进行短时傅里叶变换(STFT)。STFT是的样本从时域信号转换为时频域信号,转换后的信号同时包含时域信息和频域信息,丰富的信息能够帮助模型更好地进行故障诊断。
将生成的样本从3×1024重塑为3×32×32,对于源域,根据所属故障种类,附加故障种类标签。对所有包含故障种类标签的数据集,添加域标签;
步骤S103:利用特征提取器和分类器,将所述源域样本输入其中,利用有监督的方法对特征提取器进行训练;将所述目标域样本和和所述源域样本共同输入所述特征提取器后得到混合样本特征;
根据表4参数构建特征提取器,其本质是一个主要由多个卷积块、池化层组成的深度残差网络和一个全连接层连接的神经网络。
表格4特征学习器的结构化参数:
将源域样本作为特征提取器的输入,通过特征提取器获得源域特征表示。
构建分类器,其本质是一个由全连接层和softmax层构成的神经网络。所述有监督的方法对所述特征提取器进行训练,指通过计算所述预测源域标签与源域真实标签的交叉熵损失得到分类器损失其中yi是数据真实故障标签,C(G(xi))是分类器预测的故障标签,Lc计算两者的交叉熵损失。
将所述目标域样本和所述源域样本共同输入所述特征提取器后得到混合样本特征。
步骤S104:利用全局域分类器和局部域分类器,将所述混合样本特征作为全局域分类器和局部域分类器的输入,利用有监督的方法对所述特征提取器和域鉴别器进行对抗训练,并输出预测域标签和域损失;
利用所述混合样本特征输入所述分类器,得到目标域故障种类预测标签概率分布;将所述混合样本特征输入所述多个局部域鉴别器,得到多个域鉴别预测标签后与真实域标签计算每个域交叉熵损失,并将交叉熵损失与目标域故障种类预测标签概率分布相乘求和,得到最终的局部域损失计算公式计算局部域损失。
步骤S105:利用指数动态因子对全局域损失和局部域损失进行调节,进而调节边缘分布和条件分布对模型整体训练的影响,实现域损失调节;
利用指数动态调节因子ω,可表示为由于边缘分布差异可间接用全局距离度量来衡量,条件分布差异可间接用局部距离度量来衡量,因此,在调节两个域边缘分布和条件分布的差异对模型参数影响的时候,可以用指数动态调节因子调节输入数据情况下两个分布的重要性。
步骤S106:利用分类器损失、域损失构建所述轴承故障诊断模型的目标函数,并利用对抗自适应训练策略缩小所述源域样本特征和所述目标域样本特征的边缘分布和条件分布差异,利用Adam算法对模型优化,根据预定epoch数和步长进行迭代,直至所述轴承故障诊断模型完成训练;
根据所述分类损失Ly和所述域鉴别器损失LD计算总损失,两者比例变化遵循公式即最终的总损失计算如式L=Ly-λLD。在每一个epoch计算一次总损失,并将总损失利用Adam算法对建立的特征提取器、分类器、全局域鉴别器和局部域鉴别器进行优化。在优化过程中,由于域鉴别器与特征提取器、分类器优化目标相反,因此利用梯度翻转层使得模型可以在一次训练中同时完成相反的训练目的。
步骤S107:利用将所述目标域数据集输入所述轴承故障诊断模型中,对所述故障诊断特征进行故障类型匹配,输出所述目标域数据集的轴承故障诊断结果;
利用所述短时傅里叶变换对所述目标域数据集进行处理,得到所述目标域样本图片;
将所述目标域样本图片输入所述已训练故障诊断模型中,得到最终的故障诊断结果。
表5本发明方法和各变体方法在各迁移任务下的故障诊断准确率:
迁移任务 | 本方法 | 变体1 | 变体2 | 变体3 |
D1->D2 | 100 | 100 | 100 | 100 |
D2->D1 | 100 | 99.78 | 100 | 100 |
D1->D3 | 100 | 97.21 | 100 | 100 |
D3->D1 | 100 | 91.43 | 88.64 | 100 |
D1->D4 | 100 | 100 | 100 | 99.93 |
D4->D1 | 100 | 99.78 | 100 | 100 |
D1->D5 | 100 | 100 | 100 | 85.36 |
D5->D1 | 100 | 66.86 | 99.93 | 100 |
D1->D6 | 100 | 100 | 68 | 100 |
D6->D1 | 100 | 82.64 | 100 | 100 |
平均准确率 | 100 | 93.77 | 95.66 | 98.53 |
图4,图5和表5分别展示了本方法在某一迁移任务下的故障诊断混淆矩阵、故障诊断特征可视化情况和各变体方法在各迁移任务下的故障诊断准确率。通过实验数据验证,采用本发明的一种基于动态指数对抗性自适应的滚动轴承故障诊断方法按上述流程进行故障诊断,在1400个源域样本和1400个目标域样本的数据条件下,面对负载变化、转速变化和负载转速均变化的情况下,本方法在经过100次迭代后,均能达到100%的故障诊断准确率,这表明本方法能够稳定地实现变工况下滚动轴承的迁移故障诊断,这个分类精度能够满足实际应用需求。
综上所述,本发明公开了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法,它采用特征提取器来提取特征,并采用基于域损失的距离度量评估域差异。通过实验验证和与几种方法的比较,证实了该方法的优越性和鲁棒性。本发明的一些结果总结如下:1)通过特征提取器、分类器和域鉴别器之间的对抗可以自主地筛选更适合迁移的特征,得到更好的故障诊断结果。2)不显式指定源域和目标域之间的距离度量,利用损失间接度量源域和目标域之间的分布差异,能够更好地对源域和目标域之间的分布差异进行度量,从而得到更好的迁移效果;3)所提方法利用指数动态因子稳定定量动态地调节边缘分布和条件分布差异在整体数据分布差异中的比重,指数函数可以有效减少定量计算过程中由于计算缺陷(除零)导致的数据崩溃,使模型更为稳定;动态定量调节可以使模型能够更好地对齐源域和目标域之间的数据分布,从而使得模型在面对变工况任务时依旧有良好的诊断效果。
本实施例所述提供的方法,采集六种不同工况下的数据集作为源域数据集和目标域数据集对轴承故障诊断模型进行训练和测试,采取特征提取器、分类器和域鉴别器相互对抗的训练策略,利用梯度翻转层对三者同时进行优化,可以有效提高训练效率,降低模型崩溃可能;采用指数动态自适应因子对边缘分布和条件分布对模型优化重要性进行稳定、动态地调整,更好地满足迁移学***均故障诊断准确率高达100%,并且特征提取效果较佳,还有良好的稳定性,能够处理变工况的故障诊断。
本发明还提供了一种基于动态指数对抗性自适应的滚动轴承故障诊断***,包括:
采集模块100,用于采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
特征提取模块300,用于将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
分类计算模块400,用于将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
指数动态模块500,用于对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
训练模块600,用于利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
测试模块700,用于将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
进一步地,所述分类计算模块400包括:
分类模块401,用于利用所述特征提取模块得到特征得出预测标签从而进行故障种类分类,并与真实标签计算交叉熵损失;
全局域鉴别模块402,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述每个样本特征的预测标签与真实标签计算全局域鉴别器的交叉熵损失;
局部域鉴别模块403,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述分类器对所有样本特征进行分类,得到目标域样本的伪标签概率分布,利用每个样本特征的预测标签与真实标签和伪标签概率分布共同计算局部域鉴别器的交叉熵损失。
本***用于实现前述的轴承故障诊断的方法,因此轴承故障诊断***中的具体实施方式可见前文中的轴承故障诊断的方法的实施例部分,例如,采集模块100和处理模块200,特征提取模块300和分类模块400,全局域鉴别模块500和局部域鉴别模块600、指数动态模块700,测试模块800,分别用于实现上述轴承故障诊断的方法中步骤S101-S107,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于动态指数对抗性自适应的滚动轴承故障诊断方法,其特征在于:包括以下步骤:
S1:采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
S2:将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
S3:将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
S4:对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
S5:利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
S6:将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
2.如权利要求1所述的基于动态指数对抗性自适应的滚动轴承故障诊断方法,其特征在于:在所述步骤S1中每种工况下的轴承健康状态不同,每种工况下不同健康状态的轴承振动数据作为一个可迁移的数据域,所述数据域附有域标签,所述源域样本和目标域样本从数据域中选取,所述源域样本附有故障类型标签。
3.如权利要求2所述的基于动态指数对抗性自适应的滚动轴承故障诊断方法,其特征在于:利用加速度传感器采集每种工况下轴承运行时的振动信号,构建源域数据集和目标域数据集,利用短时傅里叶变换对所述源域数据集和所述目标域数据集进行处理,并进行二维化处理,输出处理后的多源域样本和目标域样本。
5.如权利要求4所述的基于动态指数对抗性自适应的滚动轴承故障诊断方法,其特征在于:在所述步骤S3中:
8.如权利要求2所述的基于动态指数对抗性自适应的滚动轴承故障诊断方法,其特征在于:所述步骤S6具体包括:
利用短时傅里叶变换对所述目标域数据集进行处理,得到所述目标域样本图片;
将所述目标域样本图片输入所述已训练故障诊断模型中,得到最终的故障诊断结果。
9.一种基于动态指数对抗性自适应的滚动轴承故障诊断***,其特征在于:包括:
采集模块,用于采集不同工况下轴承运行时的振动数据,获得源域样本和目标域样本;
特征提取模块,用于将源域样本输入特征提取器获得源域特征;将源域样本和目标域样本共同输入特征提取器获得混合域样本特征;
分类计算模块,用于将源域特征和混合域样本特征作为输入,对抗训练分类器与域鉴别器并对特征提取器进行优化,计算分类器和域鉴别器的损失;其中,域鉴别器包括全局域鉴别器和局部域鉴别器;
指数动态模块,用于对于全局域鉴别器损失和局部域鉴别器损失通过相似度度量计算源域样本与目标域样本之间分布距离的全局度量和局部度量得到指数动态调节因子,利用指数动态调节因子重新定义域鉴别器损失,其中,全局度量和局部度量分别对应边缘分布和条件分布差异;
训练模块,用于利用分类器损失和重新定义的域鉴别器损失构建轴承故障诊断模型的目标函数,通过带有标签的源域样本和无标签的目标域样本训练寻找所述目标函数的最佳参数,直至所述轴承故障诊断模型完成,其中,在训练过程中利用动态指数调节因子缩小所述源域样本和所述目标域样本的边缘分布和条件分布差异;
测试模块,用于将目标域样本输入完成的所述轴承故障诊断模型,输出轴承故障诊断结果。
10.如权利要求9所述的基于动态指数对抗性自适应的滚动轴承故障诊断***,其特征在于:所述分类计算模块包括:
分类模块,用于利用所述特征提取模块得到特征得出预测标签从而进行故障种类分类,并与真实标签计算交叉熵损失;
全局域鉴别模块,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述每个样本特征的预测标签与真实标签计算全局域鉴别器的交叉熵损失;
局部域鉴别模块,用于利用所述混合样本特征对样本进行域分类,得到每个样本特征的预测标签,利用所述分类器对所有样本特征进行分类,得到目标域样本的伪标签概率分布,利用每个样本特征的预测标签与真实标签和伪标签概率分布共同计算局部域鉴别器的交叉熵损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677762.1A CN114429152A (zh) | 2021-12-31 | 2021-12-31 | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677762.1A CN114429152A (zh) | 2021-12-31 | 2021-12-31 | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429152A true CN114429152A (zh) | 2022-05-03 |
Family
ID=81310973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677762.1A Pending CN114429152A (zh) | 2021-12-31 | 2021-12-31 | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429152A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115773883A (zh) * | 2022-11-07 | 2023-03-10 | 苏州大学 | 双生成器协同域对抗轴承故障诊断方法及*** |
CN116521493A (zh) * | 2022-12-02 | 2023-08-01 | 北京小米移动软件有限公司 | 故障检测方法、装置及存储介质 |
CN116878885A (zh) * | 2023-09-04 | 2023-10-13 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
CN117349749A (zh) * | 2023-10-09 | 2024-01-05 | 石家庄铁道大学 | 基于混合卷积的多源域轴承故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605781A (zh) * | 2013-11-29 | 2014-02-26 | 苏州大学 | 一种隐式篇章关系类型推理方法及*** |
CN106227988A (zh) * | 2016-07-11 | 2016-12-14 | 浪潮(北京)电子信息产业有限公司 | 一种相对误差计算优化方法 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112633339A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 轴承故障智能诊断方法、诊断***、计算机设备及介质 |
CN112629863A (zh) * | 2020-12-31 | 2021-04-09 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN112683532A (zh) * | 2020-11-25 | 2021-04-20 | 西安交通大学 | 轴承的跨工况条件对抗诊断方法 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
-
2021
- 2021-12-31 CN CN202111677762.1A patent/CN114429152A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605781A (zh) * | 2013-11-29 | 2014-02-26 | 苏州大学 | 一种隐式篇章关系类型推理方法及*** |
CN106227988A (zh) * | 2016-07-11 | 2016-12-14 | 浪潮(北京)电子信息产业有限公司 | 一种相对误差计算优化方法 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN111829782A (zh) * | 2020-07-16 | 2020-10-27 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112683532A (zh) * | 2020-11-25 | 2021-04-20 | 西安交通大学 | 轴承的跨工况条件对抗诊断方法 |
CN112633339A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 轴承故障智能诊断方法、诊断***、计算机设备及介质 |
CN112629863A (zh) * | 2020-12-31 | 2021-04-09 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
JINYANG JIAO 等: "A mixed adversarial adaptation network for intelligent fault diagnosis", 《JOURNAL OF INTELLIGENT MANUFACTURING》 * |
沈长青 等: "基于自适应流形嵌入动态分布对齐的轴承故障诊断", 《电子测量与仪器学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115773883A (zh) * | 2022-11-07 | 2023-03-10 | 苏州大学 | 双生成器协同域对抗轴承故障诊断方法及*** |
CN116521493A (zh) * | 2022-12-02 | 2023-08-01 | 北京小米移动软件有限公司 | 故障检测方法、装置及存储介质 |
CN116521493B (zh) * | 2022-12-02 | 2024-02-13 | 北京小米移动软件有限公司 | 故障检测方法、装置及存储介质 |
CN116878885A (zh) * | 2023-09-04 | 2023-10-13 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
CN116878885B (zh) * | 2023-09-04 | 2023-12-19 | 佛山科学技术学院 | 一种基于自适应联合域适应网络的轴承故障诊断方法 |
CN117349749A (zh) * | 2023-10-09 | 2024-01-05 | 石家庄铁道大学 | 基于混合卷积的多源域轴承故障诊断方法 |
CN117349749B (zh) * | 2023-10-09 | 2024-03-15 | 石家庄铁道大学 | 基于混合卷积的多源域轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
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 | |
CN110110768B (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 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
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 | |
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 | |
CN105678343B (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
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 | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及*** | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Chen et al. | Multi-expert attention network with unsupervised aggregation for long-tailed fault diagnosis under speed variation | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
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 | |
CN114091349A (zh) | 一种基于多源领域自适应的滚动轴承寿命预测方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及*** | |
Wei et al. | WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业***工况监测方法和*** | |
CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
Guan et al. | Fault diagnosis of rolling bearing with imbalanced small sample scenarios |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220503 |