CN114626406A - 基于类边界特征检测的轴承故障诊断方法及*** - Google Patents
基于类边界特征检测的轴承故障诊断方法及*** Download PDFInfo
- Publication number
- CN114626406A CN114626406A CN202210138615.5A CN202210138615A CN114626406A CN 114626406 A CN114626406 A CN 114626406A CN 202210138615 A CN202210138615 A CN 202210138615A CN 114626406 A CN114626406 A CN 114626406A
- Authority
- CN
- China
- Prior art keywords
- domain
- classifiers
- auxiliary
- sample
- fault diagnosis
- 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 61
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241000722921 Tulipa gesneriana Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (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类边界特征检测的轴承故障诊断方法及方法，包括以下步骤：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域；搭建包括特征提取器和两个分类器的神经网络模型；输入源域样本训练神经网络模型；将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器的分类差异且两个分类器对于源域均具有分类能力；将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；训练直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。本发明仅使用一个完全标记域，实现对于未知工况下轴承多尺寸、多类型故障的准确诊断。
Description
技术领域
本发明涉及机械故障诊断技术领域，具体涉及一种基于类边界特征检测的轴承故障诊断方法及***。
背景技术
旋转机械在现代工业生产中普遍存在，滚动轴承作为工业生产设备中的关键零部件，被广泛应用于机械、电力、化工、航空等各个重要领域。作为旋转机械的核心部件，滚动轴承长期工作在高速旋转、负载和振动的状态下，因此，容易发生故障，造成巨大的经济损失，甚至大量人员伤亡。故障诊断技术的发展就是为了解决这个问题，避免这种损失。它可以监测滚动轴承的运行状况，甚至可以预测其未来的故障趋势，避免事故发生，避免人员和经济损失。因此，故障诊断技术具有重要的社会意义和经济价值。
随着深度学习的发展，人工智能方法被引入到故障诊断，使用人工智能方法可以实现机器故障的自动检测和识别。例如，卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)、自编码器(AE)和多层感知器(MLP)等都已被引入故障诊断。并取得非常成功的效果。然而，上述基于机器学习的故障诊断方法的局限性是显而易见的，如只适用于与训练数据分布相同的样本，需要大量的标记样本来训练模型。
轴承经常在不同的运行条件下工作，即训练数据和测试数据的分布是不同的，使用上述方法无法达到预期的结果。为了解决这些问题，领域适应的方法被引入到故障诊断来解决跨域问题。领域适应通过将来自不同域(例如，两个不同的数据集)的数据特征映射到相同的特征空间来增强目标域的训练。目前，分布距离被广泛应用于领域适应中，如最大均值差异，相关对齐，联合最大均值差异，局部最大均值差异等等，还有另一部分学者引入对抗性学习来解决跨域诊断问题。这些方法可以克服传统方法的缺点，将模型在源域上学习的知识转移到目标域上，对于目标域进行有效诊断。
然而，领域适应方法在解决跨域诊断问题上仍存在不足。领域适应只能对特定的目标域进行跨域诊断，泛化效果不佳。在未知的运行环境下，领域适应的诊断性能大大降低。原因是领域适应模型在将知识从一个特定领域推广到另一个领域时不可避免地会过拟合。在真实环境中，发生故障时的操作环境不是唯一的，使用领域适应进行诊断需要为每个操作环境训练一个特定的模型。因此，研究基于域泛化的故障诊断是十分必要的。领域泛化利用来自多个源域的样本特征学习一般网络模型。领域泛化和领域适应有一定的相同之处，许多领域适应的方法可以用于领域泛化，并取得不错的效果。但是这种方法也存在一定的弊端，这种方法需要大量的带标签的源域数据来学习一个通用模型，显然，实际上并没有大量的标记数据可用。
发明内容
本发明的目的是提供一种基于类边界特征检测的轴承故障诊断方法及***，仅使用一个完全标记域，实现对于未知工况下轴承多尺寸、多类型故障的准确诊断。
为了解决上述技术问题，本发明提供了基于类边界特征检测的轴承故障诊断方法，包括以下步骤：
S1：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域并对数据进行处理形成样本；
S2：将其中一个可迁移域作为源域，对源域样本添加轴承故障类型标签；其余可迁移域作为辅助域；
S3：搭建包括特征提取器和两个分类器的神经网络模型，对两个分类器做不同的数据初始化；
S4：输入源域样本训练神经网络模型，使得两个分类器对于源域均具有分类能力；
S5：将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器对于辅助域的分类差异且两个分类器对于源域均具有分类能力；
S6：将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；
S7：重复进行步骤S4-S6，直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。
作为本发明的进一步改进，所述步骤S1具体包括以下步骤：
S11：通过加速度传感器采集不同工况下的轴承振动数据，将每种工况下采集的数据作为一个可迁移域，各可迁移域服从不同的条件分布与边缘分布；
S12：对各迁移域进行数据切割形成样本，对各样本进行快速傅里叶变换处理使样本从时域信号转变为频域信号，并将其通过无重叠的窗口处理成灰度图片，作为各迁移域的样本。
作为本发明的进一步改进，所述步骤S2具体包括以下步骤：在各迁移域中：设置一个添加轴承故障类型标签的源域
其中，源域具有M个样本和标签，xLS,j和yLS,j分别表示源域的第j个样本和标签；
设置N个辅助域
其中，辅助域具有M个样本，xUSn,j表示第n个辅助域的第j个样本。
作为本发明的进一步改进，所述特征提取器包括三个卷积层和一个全连接层；所述分类器包括两个全连接层，对分类器进行不同的初始化，获得不一样的分类器。
作为本发明的进一步改进，所述步骤S4具体包括以下步骤：
将源域样本作为输入，通过特征提取器获得样本的特征表示，将获取的特征经过两个分类器获得分类输出；
将分类输出与轴承故障类型标签求交叉熵损失，并对于特征提取器和分类器的参数进行更新训练，使得特征提取器和分类器均对于源域有分类能力。
作为本发明的进一步改进，所述步骤S5具体包括以下步骤：
S51：将辅助域样本通过特征提取器进行特征提取，并将其输入分类器中，得到两个分类器输出
和
其中，p1,n和p2,n分别表示两个分类器对于第n个辅助域的预测输出。
S52：求取分类器差异，定义差异公式：
其中，dn(p1,p2)表示两个分类器对于第n个辅助域样本的分类差异，p1k和p2k表示两种分类器对第k类的预测结果，具体计算公式如下：
其中，K表示类别总数，zk表示第k类神经元的输出；
总差异损失如下：
其中，XUS1，…，XUSN表示每个辅助域的样本；
S53：求取源域分类损失，使源域的交叉熵损失最小化，针对辅助域两个分类器差异损失最大化。
作为本发明的进一步改进，所述步骤S53具体包括以下步骤：
S531：源域的交叉熵损失：
其中，ri表示一个指标函数项，等于0或1，取决于真实标签即轴承故障类型标签，pi表示模型的输出概率；
S532：目标函数如下：
S533：固定特征提取器，在目标函数下，对两个分类器进行参数更新训练，获得对于辅助域具有分类差异的两个分类器且对于源域均具有分类能力。
作为本发明的进一步改进，所述步骤S6具体包括：固定分类器，将辅助域样本输入特征提取器获取特征，通过两个分类器得到两个预测输出，将两个分类器的预测输出差异作为目标函数，训练特征提取器使得提取的辅助域特征能够同时满足两个不同分类器的分类要求。
作为本发明的进一步改进，所述步骤S6中的目标函数：
其中，
表示辅助域总差异损失，XUS1，…，XUSN表示每个辅助域的样本；
在此目标函数下，训练特征提取器减小分类器对于辅助域的预测输出差异，与步骤S5中训练分类器形成对抗训练。
一种基于类边界特征检测的轴承故障诊断***，采用如上所述的基于类边界特征检测的轴承故障诊断方法进行未知域轴承故障诊断。
本发明的有益效果：本方法通过检测分类边界处的模糊特征，进而将其转换为类别特征明显，域特征模糊的强健特征，即提出了一个新的领域泛化框架，用于未知运行环境下的故障诊断，考虑到分类的边界，充分利用类的特征来实现细粒度的领域泛化；
本方法采用的最大分类器差异方法来缩小域间分布差异，从类别边界出发寻求训练不变特征的方法，使得本方法仅采用一个完全标记域，即带有分类标签的域，实现了对于未知工况的准确诊断，对于不同速度和负载的混合传输任务，该模型的准确性没有任何影响，诊断准确率高、鲁棒性强，且适用于变工况下多场景、多故障故障诊断，可广泛地应用于机械、电力、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是本发明方法训练流程示意图；
图2是本发明实施例滚动轴承数据生成试验台示意图；
图3是本发明实施例类别边界检测的工作原理图；
图4是本发明实施例对应的诊断方法原理框图；
图5是本发明实施例对不同迁移任务的故障诊断准确率结果图。
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类边界特征检测的轴承故障诊断方法，包括以下步骤：
S1：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域并对数据进行处理形成样本；
S2：将其中一个可迁移域作为源域，对源域样本添加轴承故障类型标签；其余可迁移域作为辅助域；
S3：搭建包括特征提取器和两个分类器的神经网络模型，对两个分类器做不同的数据初始化；
S4：输入源域样本训练神经网络模型，使得两个分类器对于源域均具有分类能力；
S5：将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器对于辅助域的分类差异且两个分类器对于源域均具有分类能力；
S6：将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；
S7：重复进行步骤S4-S6，直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。
本发明核心训练过程：首先，将来自不同领域的实验数据被数据预处理模块转换为时频域和形状转换，并设置一个特征提取器和两个独立的分类器；接着，在源域上对特征提取器和分类器进行训练，增大两个分类器的差异，获得两个差距很大的分类器，且两个分类器均具有分类能力；最后，训练特征提取器，使得特征提取器提取的特征能同时满足两个分类器的分类要求。该训练策略可以减少条件分布的差异，可以只使用一个带标签的源域数据，精确地实现对于未知工况下轴承多尺寸、多类型故障诊断。
具体的，本发明提出的基于类边界特征检测的轴承故障诊断方法，具体包括以下步骤：
步骤1：当滚动轴承在多种不同工况下转动运行时，通过加速度传感器采集每种工况下轴承振动信号，添加轴承各种故障类型标签，将每种工况下采集的数据作为一个可迁移域，各域数据服从不同的条件与边缘分布，切割数据，获取样本；
步骤2：使用FFT对每个轴承时域振动信号样本进行处理，获取轴承频域信号样本并将其通过无重叠的窗口处理成灰度图片，将其作为输入样本；
步骤3：设置一个带有标签的源域，即完全标记域，和若干个有样本无标签的辅助域，即未标记域。网络设置有一个特征提取器，两个分类器，对两个分类器做不同的数据初始化；
步骤4：将源域样本输入到特征提取器获得高纬特征，并将提取到的高维特征输入到两个分类器中并得到预测输出，与真实标签求交叉熵损失，以确保两个分类器对于源域的分类能力；
步骤5：固定特征提取器，训练分类器。将辅助域的样本通过特征提取器获得特征，然后通过两个分类器得到两个预测输出，将两个分类器预测的输出的差异作为目标函数，训练出差异很大的两个分类器，并且这两个分类器对于源域均具有分类能力；
步骤6：固定分类器，训练特征提取器。将辅助域的样本输入特征提取器获取特征，然后通过两个分类器得到两个预测输出，同样将两个分类器的预测差异作为目标函数，训练特征提取器使得提取的特征能够同时满足两个不同分类器的分类要求；
步骤7：步骤4-6在训练神经网络模型中反复进行，直到实现整个模型的收敛，得到故障诊断模型。
实施例
如图2所示，本实施例采用的测试***包括一个电动机1(额定转速：1450RMP；额定频率：50Hz)，一个梅花联轴器2和一个带有正常轴承3的主轴，以及一个连接有测试轴承4的加载装置8。此外，该测试***还有一个加速度传感器5(型号：PCBM621B40；灵敏度：10mv/g)，一个信号采集仪7(型号：INV3018C)和一台计算机，信号采集仪7与测试轴承4之间还连接有缓冲装置6。
步骤1.1：使用图2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四种不工作负载下的可迁移数据集，各数据集存在不同的条件分布和边缘分布。测试轴承4被设置为七种基本健康状态(内圈故障、滚子故障、外圈故障、内圈滚子故障、外圈滚子故障、内圈外圈故障和内圈外圈滚子故障)。因此，得到了七个健康状态，如表1中所列。每个健康状态有100个训练样本和100个测试样本。每个样本由1024个采样点组成。
表1：
根据四个工作条件，即四个负载条件(A：800r/min、0.8KN；B：800r/min、1.6KN；C：800r/min、2.5KN；D：1000r/min、1.6KN；)，建立了四个域。此外，还设置了十二个迁移任务。在这里源域表示有样本有标签的域，辅助域表示有样本无标签的域。为了清楚地描述，表2中提供了迁移任务及其缩写。
表2：
步骤1.2：对样本进行快速傅里叶变换(FFT)。FFT使样本从时域信号转变为频域信号，同时保留1×1024的形状，帮助特征学习器更容易提取特征；样本从1×1024重塑为1×32×32。每个通道上的1024个点被分成32份，每份有32个点，并在新的维度上进行重建，以获得1×32×32的理想形状。
步骤2：设置一个源域，那么，
表示带有M个样本和标签的源域。假设N表示辅助域的数量。那么，
表示每个辅助域都具有M个样本的辅助域集，n表示第n个辅助域。xLS,j和yLS,j分别表示源域的第j个样本和标签。xUSn,j表示第n个辅助域的第j个样本。本方法的目的是利用源域和辅助域的数据，建立一个只使用一个域的标签数据的、有效的、针对未知工况的故障诊断模型；
步骤3.1：根据表3参数构建特征学习器，其本质是一个主要由三个卷积层和一个全连接层构成的卷积神经网络；根据表4参数构建分类器，其本质主要由两个全连接层构成的；
表3：
表4：
步骤3.2：对分类器进行不同的初始化，获得不一样的分类器；
步骤4.1：将经过数据预处理后的源域样本作为输入，通过特征提取器求得样本的特征表示，将获取的特征经过两个分类器获得分类输出；
步骤4.2：将分类输出与真实标签求交叉熵损失，并对于特征提取器和分类器的参数进行更新，确保特征提取器和分类器对于源域有分类能力。如图3中步骤一所示，分类器在对源域正确分类的同时，会将辅助域的同类样本聚集到分类边界附近；
步骤5.1：固定特征提取器，将辅助域样本通过现有的特征提取器进行特征提取，并将其输入分类器中，得到两组分类器输出
和
p1,n和p2,n分别表示两个分类器对于第n个辅助域的预测输出；
步骤5.2：固定特征提取器，求取分类器差异，具体包括：
定义差异公式：
其中，dn(p1,p2)表示两个分类器对于第n个辅助域样本的分类差异。p1k和p2k表示两种分类器对第k类的预测结果。具体计算公式如下：
其中，K表示类别总数，zk表示第k类神经元的输出；
分类器差异损失需要求所有的辅助域的共同损失，因此总差异损失如下：
其中，XUS1，…，XUSN表示每个辅助域的样本；
步骤5.3：固定特征提取器，求取源域分类损失。使源域的交叉熵损失最小化，分类器差异损失最大化。通过如下公式求取交叉熵损失：
其中，ri表示一个指标函数项，等于0或1，取决于真实标签，pi表示模型的输出概率。
步骤5.4：固定特征提取器，这一步骤中的目标函数总结如下：
如图3中步骤二所示，分类器在尽力提高自身的分类要求，将模糊特征剔除到分类边界之外。
步骤6采用和步骤5相同的分类器差异公式，不同之处在于步骤5训练分类器最大化分类差异。步骤6训练特征提取器减小分类差异，形成对抗。目标函数如下：
如图3中步骤三所示，为了保障辅助域能被正确分类，特征提取器要能够提取到满足分类要求的强健特征，使得提取器和分类器形成对抗，最终获得域不变特征。
步骤4、5、6在训练过程中反复进行，直到实现整个模型的收敛，训练流程图如图1和图4所示。
步骤7：诊断：12个不同迁移任务下的诊断结果如图5所示。由诊断结果可知，12个变工况下的诊断任务平均精度达到了98％，说明本发明在只使用一个源域的基础上，能够对于未知工况取得较高诊断精度，极大地提高了深度学习模型的通用性和泛化性，能很好地处理变工况下域漂移对基于传统深度学习的故障诊断方法的影响。
进一步地，本发明公开了一种基于类边界特征检测的未知工况下轴承故障诊断方法，它采用特征提取器与分类器形成对抗，最终获得域不变特征。通过实验验证和与几种方法的比较，证实该方法的优越性和鲁棒性，如图5所示，对比方法1是DANN方法用于领域泛化，对比方法2是用MMD距离来控制特征分布差异的方法，对比方法3是用CORAL距离来控制特征分布差异的方法，结果表明：1)研究发现，通过检测大量的模糊特征并对其进行训练，所提方法实现了在未知工作环境下的可靠诊断；2)与使用三个领域的样本标签进行同步监督相比，本方法只使用一个带标签的领域样本进行监督就能获得与其他方法多源域共同监督相当甚至更高的诊断精度，这一点是非常重要的，在实际场景中，可供使用的标签数据并不足够；因此，单源域领域泛化是在复杂情况下实现故障诊断的一个前瞻性方向。
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)
1.一种基于类边界特征检测的轴承故障诊断方法，其特征在于：包括以下步骤：
S1：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域并对数据进行处理形成样本；
S2：将其中一个可迁移域作为源域，对源域样本添加轴承故障类型标签；其余可迁移域作为辅助域；
S3：搭建包括特征提取器和两个分类器的神经网络模型，对两个分类器做不同的数据初始化；
S4：输入源域样本训练神经网络模型，使得两个分类器对于源域均具有分类能力；
S5：将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器对于辅助域的分类差异且两个分类器对于源域均具有分类能力；
S6：将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；
S7：重复进行步骤S4-S6，直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。
2.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S1具体包括以下步骤：
S11：通过加速度传感器采集不同工况下的轴承振动数据，将每种工况下采集的数据作为一个可迁移域，各可迁移域服从不同的条件分布与边缘分布；
S12：对各迁移域进行数据切割形成样本，对各样本进行快速傅里叶变换处理使样本从时域信号转变为频域信号，并将其通过无重叠的窗口处理成灰度图片，作为各迁移域的样本。
3.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S2具体包括以下步骤：在各迁移域中：设置一个添加轴承故障类型标签的源域
其中，源域具有M个样本和标签，xLS,j和yLS,j分别表示源域的第j个样本和标签；
设置N个辅助域
其中，辅助域具有M个样本，xUSn,j表示第n个辅助域的第j个样本。
4.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述特征提取器包括三个卷积层和一个全连接层；所述分类器包括两个全连接层，对分类器进行不同的初始化，获得不一样的分类器。
5.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S4具体包括以下步骤：
将源域样本作为输入，通过特征提取器获得样本的特征表示，将获取的特征经过两个分类器获得分类输出；
将分类输出与轴承故障类型标签求交叉熵损失，并对于特征提取器和分类器的参数进行更新训练，使得特征提取器和分类器均对于源域有分类能力。
6.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S5具体包括以下步骤：
S51：将辅助域样本通过特征提取器进行特征提取，并将其输入分类器中，得到两个分类器输出
和
其中，p1,n和p2,n分别表示两个分类器对于第n个辅助域的预测输出。
S52：求取分类器差异，定义差异公式：
其中，dn(p1,p2)表示两个分类器对于第n个辅助域样本的分类差异，p1k和p2k表示两种分类器对第k类的预测结果，具体计算公式如下：
其中，K表示类别总数，zk表示第k类神经元的输出；
总差异损失如下：
其中，XUS1，…，XUSN表示每个辅助域的样本；
S53：求取源域分类损失，使源域的交叉熵损失最小化，针对辅助域两个分类器差异损失最大化。
7.如权利要求6所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S53具体包括以下步骤：
S531：源域的交叉熵损失：
其中，ri表示一个指标函数项，等于0或1，取决于真实标签即轴承故障类型标签，pi表示模型的输出概率；
S532：目标函数如下：
S533：固定特征提取器，在目标函数下，对两个分类器进行参数更新训练，获得对于辅助域具有分类差异的两个分类器且对于源域均具有分类能力。
8.如权利要求1所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S6具体包括：固定分类器，将辅助域样本输入特征提取器获取特征，通过两个分类器得到两个预测输出，将两个分类器的预测输出差异作为目标函数，训练特征提取器使得提取的辅助域特征能够同时满足两个不同分类器的分类要求。
9.如权利要求8所述的基于类边界特征检测的轴承故障诊断方法，其特征在于：所述步骤S6中的目标函数：
其中，
表示辅助域总差异损失，XUS1，…，XUSN表示每个辅助域的样本；
在此目标函数下，训练特征提取器减小分类器对于辅助域的预测输出差异，与步骤S5中训练分类器形成对抗训练。
10.一种基于类边界特征检测的轴承故障诊断***，其特征在于：采用如权利要求1-9中任一项所述的基于类边界特征检测的轴承故障诊断方法进行未知域轴承故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210138615.5A CN114626406A (zh) | 2022-02-15 | 2022-02-15 | 基于类边界特征检测的轴承故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210138615.5A CN114626406A (zh) | 2022-02-15 | 2022-02-15 | 基于类边界特征检测的轴承故障诊断方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114626406A true CN114626406A (zh) | 2022-06-14 |
Family
ID=81898396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210138615.5A Pending CN114626406A (zh) | 2022-02-15 | 2022-02-15 | 基于类边界特征检测的轴承故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626406A (zh) |
Cited By (1)
| 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*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| 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 |
| CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
-
2022
- 2022-02-15 CN CN202210138615.5A patent/CN114626406A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| 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 |
| CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈良 等: "基于ResNet和领域自适应的轴承故障诊断研究", 《测控技术》 * |
Cited By (1)
| 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*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
| 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 | |
| CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| Peng et al. | An intelligent fault diagnosis method for rotating machinery based on data fusion and deep residual neural network | |
| 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 | |
| CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
| 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 | |
| CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
| 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 | |
| CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及*** | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN115204272A (zh) | 基于多采样率数据的工业***故障诊断方法与设备 | |
| Zhang et al. | Fault diagnosis using unsupervised transfer learning based on adversarial network | |
| CN114626406A (zh) | 基于类边界特征检测的轴承故障诊断方法及*** | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| CN111795819A (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
| CN117312948A (zh) | 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法 | |
| Chen et al. | Integrated learning method of gramian angular field and optimal feature channel adaptive selection for bearing fault diagnosis | |
| CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类***及方法 | |
| Ma et al. | Improved transfer component analysis and it application for bearing fault diagnosis across diverse domains | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测***的故障诊断方法 | |
| CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
| CN114580284B (zh) | 旋转机械变工况故障诊断方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220614 |