CN114548295A - 基于多尺度领域自适应网络的轴承故障分类***及方法 - Google Patents
基于多尺度领域自适应网络的轴承故障分类***及方法 Download PDFInfo
- Publication number
- CN114548295A CN114548295A CN202210176548.6A CN202210176548A CN114548295A CN 114548295 A CN114548295 A CN 114548295A CN 202210176548 A CN202210176548 A CN 202210176548A CN 114548295 A CN114548295 A CN 114548295A
- Authority
- CN
- China
- Prior art keywords
- domain
- data
- fault
- output
- module
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
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)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出基于多尺度领域自适应网络的轴承故障分类***及方法,针对实际工业中标签信息缺失以及数据分布偏移的情况,结合领域知识融合到模型中,能够充分利用现有标签数据资源,在设备数据分布因工作环境发生偏移时仍然能够将多设备多工况标签数据知识迁移到需要诊断的设备上,极大程度弥补现实工业生产中标签缺失的问题,极大程度提高了标签的使用价值,同时也提高了轴承故障诊断的效率。
Description
技术领域
本发明属于自动化领域,涉及轴承故障诊断,尤其涉及基于多尺度领域自适应网络的轴承故障分类***及方法。
背景技术
随着现代科技生产力的不断发展与信息技术的不断进步,现代工业对低成本、高质量产品以及生产安全的需求日渐提高,在工业生产中的旋转设备的维护从预防性维护迅速转向为基于旋转设备状态的实时监测与智能故障诊断。旋转机械是旋转设备中应用最广泛的类型之一,在工业生产中十分重要,具有不可替代的地位,同时,滚动轴承又是旋转机械中最重要的部件之一,它对其整体性能有着重要影响。在实际工业中,往往生产设备处于恶劣的工作条件中,滚动轴承故障频发,从而导致意外停机,造成巨大的经济损失。因此,基于旋转机械中的轴承状态监测和故障维护能够有效减少设备突发性停机次数,对于旋转设备的安全高效的运行以及节约资源成本方面具有十分重要的意义。
在实际工业生产过程中,针对旋转轴承的故障诊断方法主要包括基于机理的故障诊断以及基于数据驱动的机器学习智能算法模型:
1)基于机理的故障诊断方法。目前,在实际故障诊断分析中,主要利用加速度传感器采集的振动数据分析为基础,利用短时傅里叶变换、小波分析等时频域分析手段,工程技术诊断专家通过时域波形、频谱数据以及包络谱等领域进行旋转设备轴承的故障诊断。具体地,基于频谱与包络谱图像分析,利用倍频以及中心频率和边带特征,结合转频信息、以及设备本身的固有属性,判断部件发生的故障频率从而确定故障的种类,种类包络保持架故障、滚动体故障以及内圈外圈故障等等;基于频谱图像分析,利用能量区域以及谐波的数量判断轴承是否存在轴承松动故障。
2)基于数据驱动的智能算法模型。随着信息技术的发展,智能算法分类模型引入到设备故障诊断中,对于一些传统的机器学习算法,包络神经网络ANN、支持向量机SVM以及k近邻等分类方法,将振动信号数据输入到模型中进行有监督训练,将训练好的模型应用到测试数据上从而得到故障的分类情况;除了浅层模型,深度学习包括卷积神经网络、循环神经网络以及ResNet网络等方法,利用其在处理高维非线性数据上的卓越性能,能够有效地处理原始时间序列数据以及图像视频数据。
在实际生产过程中,设备所处环境复杂多变,随着看护设备数量的增多,生产数据的累积,同时在线数据也会***式增长,对有效的故障诊断模型带来了巨大的挑战。
对于基于机理的故障诊断来说,大多数依靠人工专家进行故障的分析与诊断。虽然基于机理能够很好地分析诊断结果的因果关系,能够对诊断结果提供合理的分析支撑,但是整个过程费时费力,并且在庞大设备数量面前,依靠人工在复杂多变的环境因素干扰下完成大量旋转设备的精确机理诊断基本无法实现,对于企业的实际需求来说更是受限。
对于基于数据驱动的智能故障诊断能够有效处理高维非线性的大数据,并且从复杂的环境中提取特征进行有效分类。然而,智能方法模型在实际设备的故障诊断却受限。构建数据驱动的故障诊断方法需满足以下两个条件:1)拥有充足的包含故障信息的标签数据;2)训练数据和测试数据需来自同一概率分布。然而,在实际工业生产中却很难满足这样的条件。现实生产中由于设备意外停机会造成重大损失,因此不允许设备出现故障,并且故障是一个漫长的裂化过程,设备本身很难记录到故障发生的准确时间,依靠专家故障时间标记费时费力。另一方面,基于某台设备上采集到的有效数据集所构建的智能算法模型往往需要应用到其他设备上或者同台设备处于不同工作条件的情境下,在这样的情况下,训练数据以及应用数据往往发生分布偏移的问题,会导致智能诊断方法的性能迅速降低,适用范围受限,同时少量珍贵的标签案例信息的利用率也十分有限。
目前,虽然针对数据发生领域偏移的所提出的领域自适应算法发展迅速,但是应用到故障诊断领域的研究仍然十分有限,并且没有很好结合领域知识。领域知识,包括机器转速、故障轴承的几何参数、故障程度、工作负载等等因素都会影响数据偏移的情况。大多数算法都直接使用原始数据作为输入,通过智能算法“黑箱”学习进行特征的提取,没有利用领域知识对模型进行正确的引导。
发明内容
本发明针对实际工业中标签信息缺失以及数据分布偏移的情况,结合领域知识融合到模型中,提出基于多尺度领域自适应网络的轴承故障分类***及方法,能够充分利用现有标签数据资源,在设备数据分布因工作环境发生偏移时仍然能够将多设备多工况标签数据知识迁移到需要诊断的设备上,极大程度弥补现实工业生产中标签缺失的问题,极大程度提高了标签的使用价值,同时也提高了轴承故障诊断的效率。。
本发明通过以下技术方案实现:
基于多尺度领域自适应网络的轴承故障分类***,包括数据信号处理模块、共享网络模块、故障诊断分类模块、领域鉴别器模块和分布差异度量模块;
数据信号处理模块,对数据库中原始的振动数据进行预处理,得到输出;所述数据库为存储源域和目标域的数据库;
共享网络模块,以数据信号处理模块的输出作为输入,使用不同大小的卷积核对输入进行不同尺度的处理,将不同尺度上的特征合并到全连接层上输出;
故障诊断分类模块,以共享网络模块的输出作为输入,采用源域的数据对故障诊断分类器进行有监督训练,输出分类结果,优化故障诊断分类器模块输出损失Lc;训练好的故障诊断分类器用于目标域的数据分类;
领域鉴别器模块,以共享网络模块的输出作为输入,通过最大化损失函数来拉进源域和目标域之间的分布差异程度,得到输出;优化领域鉴别器模块输出损失Ld;
分布差异度量模块,以共享网络模块的输出作为输入,通过最小化损失函数得到源域与目标域的最大均值差异并输出;优化分布差异度量模块输出损失D2。
优选的,所述预处理为依次进行标准化处理、提取特征数据、角域重采样和包络谱的计算。
基于多尺度领域自适应网络的轴承故障分类方法,基于所述的***,包括步骤1,训练阶段:
步骤1.1,对数据库中源域和目标域的原始振动数据进行预处理;
步骤1.2,使用不同大小的卷积核对步骤1.1的输出进行不同尺度的卷积处理以提取特征,然后将得到的不同尺度上的特征全连接;
步骤1.3,利用来自源域的数据经步骤1.2的输出,对故障诊断分类器进行有监督训练;
步骤1.4,利用来自源域和目标域的数据经步骤1.2的输出,通过最大化损失函数来拉进不同域之间的分布差异程度;
步骤1.5,利用来自源域和目标域的数据经步骤1.2的输出,通过最小化损失函数得到源域与目标域的最大均值差异;
步骤1.6,利用步骤1.3、步骤1.4和步骤1.5的输出,计算并优化故障诊断分类器模块输出损失Lc以及领域鉴别器模块输出损失Ld以及分布差异度量模块输出损失D2,以完成故障诊断分类器训练;
步骤2,分类阶段
采用训练好的故障诊断分类器用于目标域的数据分类。
优选的,步骤1.1中,所述预处理为依次进行标准化处理、提取特征数据、角域重采样和包络谱的计算。
进一步的,步骤1.1包括:
步骤1.11,将原始振动数据根据下式进行标准化处理
其中,μ为原始振动数据的均值,σ为原始振动数据的标准差;
步骤1.12,基于标准化处理后的振动数据,提取转速表信息或恒定转速信息,根据转速表信息或恒定转速信息,得到旋转频率fr,并按照公式(2)、(3)、(4)分别估计外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF;
步骤1.13,基于得到的旋转频率fr、外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF,对转速和脉冲进行过采样操作,得到过采样数据;
步骤1.14,对于标准化处理后的振动数据,针对每个故障特征频率按照公式(5)实施抗混叠滤波处理,得到抗混叠后的振动数据;
其中,Os是相对于故障特征频率f的每次旋转的样本数,finst(i),i=1,2,...,N为故障特征频率f的瞬时频率;所述故障特征频率f为外圈故障特征频率fBPFO、内圈故障特征频率fBPFI或滚动体故障特征频率fBFF。
步骤1.15,采用过采样数据和抗混叠后的振动数据进行等角度插值重采样,得到四个角域重采样信号;
步骤1.16,使用希尔伯特变换计算每个角域重采样信号的包络信号,分别表示为正常转速频率外圈故障特征频率内圈故障特征频率以及滚动体故障特征频率将每段长度为Nre的包络信号合并成尺寸为Nre×4的矩阵向量,表示为
在全连接之间的特征表示为下式
其中,C表示轴承故障类别数量。
进一步的,步骤1.4中,具体通过公式(10)和(11)处理得到;
进一步的,步骤1.5中,通过全连接得到源域F33s与目标域F33t的特征表示以及最大均值差异分别用公式(13)、(14)、(15)表示:
其中,k(·,·)表示特征核函数,n1和n2分别表示源域和目标域的样本数量。
进一步的,Lc和Ld分别由式(16)和(17)进行计算:
其中,I(·)为指示函数,dm={0,1}表示为领域标签;
优化目标表示为最小化Lc、最大化Ld以及最小化D2,用下式表示
minLc-λLd+βD2 (18)
其中,λ和β是超参数。
与现有技术相比,本发明具有如下的有益效果:
本发明基于先验知识的多尺度深度领域自适应网络的***包含数据信号处理模块、共享网络模块、故障诊断分类模块、领域鉴别器模块以及分布差异度量模块,模块分明,功能明确,实现端到端的算法流程设计,减少人工参与,在节约劳动力的同时提升工作效率。本发明能够针对实际工业中的问题,充分利用现有的珍贵的标签数据库信息,有效弥补现实工业场景中缺少的标签信息,从而有效解决因标签缺失而造成的建模难的问题;本发明融合深度学习智能算法网络结构,设置不同尺度的卷积核,利用多类不同尺寸的卷积核对输入特征数据进行特征提取,丰富特征提取,更好地挖掘数据中蕴含的有效信息,利用深度算法在高维非线性的卓越表现,能够快速准确地提取有效特征,全面支持旋转轴承的故障分类诊断;领域鉴别器基于对抗学习的思想,融入到模型的训练过程中,通过迷惑网络致使其无法区分数据来自源域还是目标域,从而拉进数据之间的分布差异;分布差异度量模型的设计,构建特征向量的差异度量方法并融入到深度框架中,减小源域和目标域的分布差异,快速适配由于不同域偏移产生的数据分布差异,进一步提高分类的精度,也拓宽智能算法的应用范围。
为了解决现实工业应用中的数据分布偏移以及标签信息缺失的问题,促进智能诊断在真实工业场景中的成功应用,克服深度学习模型无法应对训练数据与测试数据存在不同分布差异的局限性,实现领域自适应的故障特征提取和分类识别,本发明结合应用场景,以先验诊断领域知识作为引导,结合故障诊断的领域先验知识,基于企业案例数据库有限的故障诊断案例标签信息,利用多尺度提取数据的丰富特征,同时借助领域自适应算法将训练集所学到的数据知识迁移到需要诊断的设备数据上,智能化模型自动提取领域不变性特征以此来解决个体或运行条件发生变化造成的分布偏移的问题,能够更好地实现故障诊断迁移任务。
进一步的,本发明利用行业的领域知识对数据进行预处理加工,能够使得模型更好地针对具体的工业故障诊断问题进行学习,能够更好地挖掘数据的特征,同时也能够使得领域知识更好地引导模型进行学习与训练。
进一步的,本发明考虑到是轴承的正常数据、轴承内圈故障、轴承外圈故障以及滚动体故障,在实际的使用中,可以增加更多故障类型构建更高维的数据输入,以此来提高模型故障诊断的类型。
附图说明
图1为本发明基于先验知识的多尺度深度领域自适应网络框架图;
图2为本发明的旋转轴承故障诊断应用流程。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明进行描述,这些描述只是进一步解释本发明的特征和优点,并非用于限制本发明的权利要求。
本发明设计一种结合先验知识的多尺度深度领域自适应智能算法模型用于轴承故障诊断分类方法,模型结构如所图1所示。需要说明的是,本发明分析的是轴承的故障诊断,主要常见的故障为轴承内圈故障、外圈故障以及滚动体故障,加上正常数据,模型面对的是一个四分类问题;在领域自适应算法当中,源域指的是带有标签故障分类信息的数据集,而目标域指的是未标记故障信息的需要被分类的数据集。本发明设计包括数据信号处理模块、共享网络模块、故障诊断分类模块、领域鉴别器模块以及分布差异度量模块五个组成部分,如图1,通过下述技术方案实现:
(1)数据信号处理模块
对原始振动数据进行标准化处理,为避免频率模糊现象,使用等角度的转速同步采样算法进行重采样,得到角域重采样信号,使用希尔伯特变换对角域重采样信号进行包络谱的计算作为模型的输入。给定长度为N的原始振动数据x={x(1),...,x(N)},包含相关的基本信息有轴承节径Dp,滚动体直径Db,滚动体接触角θ以及滚动体个数ne。具体处理的操作步骤如下:
1)将原始的振动数据根据下式进行标准化处理
其中,μ为原始振动数据的均值,σ为原始振动数据的标准差。
原始的振动数据包括源域和目标域的数据。
2)基于标准化处理后的振动数据,提取转速表信息或恒定转速信息,根据转速表信息或恒定转速信息,得到旋转频率fr,并按照公式(2)、(3)、(4)分别估计外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF;
基于得到的旋转频率fr、外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF,对转速和脉冲进行过采样操作,得到过采样数据;
同时,对于标准化处理后的振动数据,针对每个故障特征频率按照公式(5)实施抗混叠滤波(低通)处理,得到抗混叠后的振动数据。对应于每个故障特征频率的奈奎斯特频率(离散信号采样率的一半)通过以下等式计算:
其中,Os是相对于故障特征频率f的每次旋转的样本数,finst(i),i=1,2,...,N为故障特征频率f的瞬时频率。所述故障特征频率f为外圈故障特征频率fBPFO、内圈故障特征频率fBPFI或滚动体故障特征频率fBFF。
采用过采样数据和抗混叠后的振动数据进行等角度插值重采样,得到四个角域重采样信号。前期的抗混叠处理可以避免等角度插值重采样后的角域重采样信号混叠。
3)使用希尔伯特变换计算每个角域重采样信号的包络信号,分别表示为正常转速频率外圈故障特征频率内圈故障特征频率以及滚动体故障特征频率将每段长度为Nre的包络信号合并成尺寸为Nre×4的矩阵向量,表示为得到重采样序列作为下一阶段的输入。
(2)共享网络模块
共享网络模块构建多尺度的网络结构,使用不同大小的卷积核对输入信息进行不同尺度的处理,旨在提取更加丰富的特征,最后将不同尺度上的特征合并到全连接层上,具体分为若干卷积层、池化层以及全连接层组成。
在本发明中,针对构造的重采样序列进行卷积处理时由于序列的特殊性,不再采用方阵尺寸的卷积核进行操作,因为横向卷积的意义难以解释,因此,本发明使用卷积核的尺寸为kl∈Rh·1·d,其中h表示卷积核的高度,1和d分别表示卷积核的长度和深度,即对每一条重采样序列上进行卷积操作而不在两条不同重采样序列上进行操作。给定第l-1层的输出特征第l层的输出特征可以通过下式进行计算:
其中D={s,t}表示源域或目标域的索引值,表示从第l-1层的特征表示中学习到的迁移特征,bl指的是第l层的偏差,fr(g)表示解决消失梯度问题的常用激活函数ReLU。在此基础上,利用池化层的下采样过程来减少训练参数的个数,从而有效地克服过拟合问题。在此发明中,采用多尺寸卷积核同时对数据进行处理,因此形成三条不同的多尺寸分支,对于每一深度的卷积层来说,卷积核设置的个数是相同的,即卷基层C11、C21以及C31的卷积核设置的个数是相同的。
本发明采用最大池化的下采样形式,将可转移特征划分为若干个不重叠的部分,并返回每个部分的最大值。同样地,做池化操作时,也只对纵向矩阵进行池化操作,因此池化操作时,尺寸大小为hp×1,源域和目标域中的特征经过最大池化处理后可表示为基于不同支路若干个卷积池化操作之后,进行全局最大池化操作,即从每个维度中抽取最大的值作为池化后的结果。由于卷积核个数设置为相同,因此每条支路都会产生一组一维向量,向量的元素的个数Nzl与最后一层卷积层的卷积核个数相同。将三组一维向量进行连接操作,组成元素个数为3*Nzl的一维向量组成全连接层F1。进而,在全连接之间的特征表示可以表示为下式
式(7)的结果作为共享网络模块的输出输入故障诊断分类器模块、领域鉴别器模块和分布差异度量模块。
(3)故障诊断分类器模块
故障诊断分类器模块利用带有标签数据的源域数据对分类器进行有监督训练,训练好的分类器同样作为测试样本的故障分类的结果输出器。因此,在分类器的有监督训练阶段只有来自源域的标签数据才能被输入到这个模块中。
同时公式(8)的结果经分类器M1的输出能够用Softmax回归来估计,可以表示为
其中,C表示旋转设备故障类别。
即,公式(9)的结果为故障诊断分类器模块的输出。
(4)领域鉴别器模块
领域鉴别器模块基于对抗学习思想构建,通过最大化损失函数来迷惑网络,致使网络无法分清数据来自源域还是目标域,即训练集和测试集,用于提取域不变特征表示以及压缩域特定特征,拉进不同域之间的分布差异程度。
公式(7)的结果依次经公式(10)和(11)处理得到领域鉴别器模块的输出。
(5)分布差异度量模块
在分布差异度量模块中,使用最大均值差异(MMD)作为分布差异的度量准则,通过最小化损失函数来减小分布之间的差异。基于核方法的MMD方法的经验估计可以表示为:
其中,k(·,·)表示特征核函数,n1和n2分别表示源域和目标域的样本数量。本发明中采用高斯核进行计算,即其中γ为核宽度。本发明中,源域F33s与目标域F33t的特征表示以及MMD距离可以分别用公式(13)、(14)、(15)表示:
(6)构建优化目标
本发明设计的基于先验知识的多尺度领域自适应网络模型的优化目标包括故障诊断分类器模块输出损失Lc以及领域鉴别器模块输出损失Ld以及分布差异度量模块输出损失D2,其中Lc和Ld分别可以由下式进行计算:
其中I(·)为指示函数,C表示故障的类别数量,dm={0,1}表示为领域标签。因此,优化目标可以表示为最小化Lc、最大化Ld以及最小化D2,用下式表示
minLc-λLd+βD2 (18)
其中,λ和β是超参数,确定领域适应的强度,它们的值通过交叉验证或者动态参数进行选择。
构建优化目标,使用批量随机梯度下降算法对模型的参数进行估计与优化。模型训练训练完毕,故障诊断分类器能够对待测样本进行实际故障的分类与诊断。
本发明采用多尺度结构,使用三条支路对特征进行提取,在实际工业中,在计算资源允许的情况下,能够使用更多分支设计来对特征进行深度的提取;同时本发明分支上只使用了两次卷积池化进行操作,在条件允许的情况下,可以增加卷积池化层或尝试更深层的网络结构,例如ResNet系列网络等等,以此来获取更加优越的性能表现。
本发明采用的分布差异度量方法为最大均值差异(MMD),对于度量的方法还可以使用KL散度或者联合MMD等等方法,同时对于度量的数据对象也可以是多层或者是只对全连接层进行差异的度量。
本发明针对旋转轴承故障诊断实际应用案例,以正常数据、轴承内圈故障、轴承外圈故障以及滚动体故障为例,基于上述所提出的先验知识的多尺度深度领域自适应网络模型,给出具体的应用流程,如图2所示。在实际的工业场景中,数据库中包含多台设备的案例记录,筛选轴承故障常见类型,包括内圈故障、外圈故障以及滚动体故障(包括但不仅限于此)等等类别,将带有有效标签的数据作为源域,提取对应数据的高频振动加速度振动波形,通过基于角域同步重采样方法对原始数据进行特征的提取与整合作为训练数据;同时,待测样本的高频振动加速度波形也采取同样的方法处理作为目标域数据进行训练与测试;将数据预处理之后的源域与目标域数据进行输入基于多尺度的深度领域自适应网络模型进行训练,根据对应的目标函数与优化算法对模型参数进行更新与优化,最终得到训练好的故障诊断分类器;将待测样本处理后数据输入已训练好的网络中,通过分类器能够输出待测轴承的故障诊断类型进行分析。
本发明基于先验知识的多尺度深度领域自适应网络能够充分利用现有标签数据资源,在设备数据分布因工作环境发生偏移时仍然能够将多设备多工况标签数据知识迁移到需要诊断的设备上,极大程度弥补现实工业生产中标签缺失的问题,极大程度提高了标签的使用价值,同时也提高了轴承故障诊断的效率。
Claims (10)
1.基于多尺度领域自适应网络的轴承故障分类***,其特征在于,包括数据信号处理模块、共享网络模块、故障诊断分类模块、领域鉴别器模块和分布差异度量模块;
数据信号处理模块,对数据库中原始的振动数据进行预处理,得到输出;所述数据库为存储源域和目标域的数据库;
共享网络模块,以数据信号处理模块的输出作为输入,使用不同大小的卷积核对输入进行不同尺度的处理,将不同尺度上的特征合并到全连接层上输出;
故障诊断分类模块,以共享网络模块的输出作为输入,采用源域的数据对故障诊断分类器进行有监督训练,输出分类结果,优化故障诊断分类器模块输出损失Lc;训练好的故障诊断分类器用于目标域的数据分类;
领域鉴别器模块,以共享网络模块的输出作为输入,通过最大化损失函数来拉进源域和目标域之间的分布差异程度,得到输出;优化领域鉴别器模块输出损失Ld;
分布差异度量模块,以共享网络模块的输出作为输入,通过最小化损失函数得到源域与目标域的最大均值差异并输出;优化分布差异度量模块输出损失D2。
2.根据权利要求1所述的基于多尺度领域自适应网络的轴承故障分类***,其特征在于,所述预处理为依次进行标准化处理、提取特征数据、角域重采样和包络谱的计算。
3.基于多尺度领域自适应网络的轴承故障分类方法,其特征在于,基于权利要求1所述的***,包括
步骤1,训练阶段:
步骤1.1,对数据库中源域和目标域的原始振动数据进行预处理;
步骤1.2,使用不同大小的卷积核对步骤1.1的输出进行不同尺度的卷积处理以提取特征,然后将得到的不同尺度上的特征全连接;
步骤1.3,利用来自源域的数据经步骤1.2的输出,对故障诊断分类器进行有监督训练;
步骤1.4,利用来自源域和目标域的数据经步骤1.2的输出,通过最大化损失函数来拉进不同域之间的分布差异程度;
步骤1.5,利用来自源域和目标域的数据经步骤1.2的输出,通过最小化损失函数得到源域与目标域的最大均值差异;
步骤1.6,利用步骤1.3、步骤1.4和步骤1.5的输出,计算并优化故障诊断分类器模块输出损失Lc以及领域鉴别器模块输出损失Ld以及分布差异度量模块输出损失D2,以完成故障诊断分类器训练;
步骤2,分类阶段
采用训练好的故障诊断分类器用于目标域的数据分类。
4.根据权利要求3所述的基于多尺度领域自适应网络的轴承故障分类方法,其特征在于,步骤1.1中,所述预处理为依次进行标准化处理、提取特征数据、角域重采样和包络谱的计算。
5.根据权利要求4所述的基于多尺度领域自适应网络的轴承故障分类方法,其特征在于,步骤1.1包括:
步骤1.11,将原始振动数据根据下式进行标准化处理
其中,μ为原始振动数据的均值,σ为原始振动数据的标准差;
步骤1.12,基于标准化处理后的振动数据,提取转速表信息或恒定转速信息,根据转速表信息或恒定转速信息,得到旋转频率fr,并按照公式(2)、(3)、(4)分别估计外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF;
步骤1.13,基于得到的旋转频率fr、外圈故障特征频率fBPFO、内圈故障特征频率fBPFI以及滚动体故障特征频率fBFF,对转速和脉冲进行过采样操作,得到过采样数据;
步骤1.14,对于标准化处理后的振动数据,针对每个故障特征频率按照公式(5)实施抗混叠滤波处理,得到抗混叠后的振动数据;
其中,Os是相对于故障特征频率f的每次旋转的样本数,finst(i),i=1,2,...,N为故障特征频率f的瞬时频率;所述故障特征频率f为外圈故障特征频率fBPFO、内圈故障特征频率fBPFI或滚动体故障特征频率fBFF;
步骤1.15,采用过采样数据和抗混叠后的振动数据进行等角度插值重采样,得到四个角域重采样信号;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176548.6A CN114548295A (zh) | 2022-02-24 | 2022-02-24 | 基于多尺度领域自适应网络的轴承故障分类***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176548.6A CN114548295A (zh) | 2022-02-24 | 2022-02-24 | 基于多尺度领域自适应网络的轴承故障分类***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548295A true CN114548295A (zh) | 2022-05-27 |
Family
ID=81678682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210176548.6A Pending CN114548295A (zh) | 2022-02-24 | 2022-02-24 | 基于多尺度领域自适应网络的轴承故障分类***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894190A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
CN117197546A (zh) * | 2023-08-24 | 2023-12-08 | 佛山科学技术学院 | 基于因果机制的故障诊断方法及计算机设备 |
-
2022
- 2022-02-24 CN CN202210176548.6A patent/CN114548295A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197546A (zh) * | 2023-08-24 | 2023-12-08 | 佛山科学技术学院 | 基于因果机制的故障诊断方法及计算机设备 |
CN116894190A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
CN116894190B (zh) * | 2023-09-11 | 2023-11-28 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
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 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
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 | |
CN105910827B (zh) | 基于判别性卷积特征学习的感应电机故障诊断方法 | |
CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类***及方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
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 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控***故障预测方法 | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及*** | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN113076834A (zh) | 旋转机械故障信息处理方法、处理***、处理终端、介质 | |
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 | |
WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及*** | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
Rahadian et al. | Image encoding selection based on Pearson correlation coefficient for time series anomaly detection | |
Xu et al. | An optimal method based on HOG-SVM for fault detection |
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 |