CN114755017A - 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 - Google Patents
一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114755017A CN114755017A CN202210382997.6A CN202210382997A CN114755017A CN 114755017 A CN114755017 A CN 114755017A CN 202210382997 A CN202210382997 A CN 202210382997A CN 114755017 A CN114755017 A CN 114755017A
- Authority
- CN
- China
- Prior art keywords
- domain
- data set
- bearing
- domain data
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000013508 migration Methods 0.000 claims abstract description 37
- 230000005012 migration Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000006698 induction Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,其设计了基于柯西核诱导的最大均值差异评价指标来度量源域与目标域分布之间的差异大小,并采用无偏估计技术提升计算效率;设计了一种分段可调节的平衡因子来权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并用于构建总体损失函数。该方法能够准确提取出源域与目标域之间的可迁移特征,提高了域自适应过程的鲁棒性,有效地提高了计算效率,节省了大量的计算成本,且在稳定速度到时变速度进行跨域故障迁移任务下实现了更高的诊断精度,优于现有技术。
Description
技术领域
本发明涉及跨域故障诊断技术领域,具体涉及一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法。
背景技术
近年来,随着现代工业的快速发展,对智能和集成机器***的可靠性和安全性要求大幅提高。在恶劣条件下长期运行后,轴承这一关键旋转传动部件会发生各种故障,可能对机器设备造成损害,甚至造成重大事故。研发先进的基于数据驱动的智能轴承故障诊断识别技术,准确的对轴承的各类故障模式进行分类诊断,可以有效地提高机器设备的运行可靠性和经济维护性。然而,在工业场景中,获取大量有标签信息的同设备故障轴承样本非常困难,此外,工况的多变性和机器***的复杂性使得收集的故障样本之间产生一定的分布差异,其轴承故障诊断诊断具有较大挑战性。
部分学者采用基于特征的无监督迁移学习方法进行故障识别,将现有的源域数据知识进行跨域迁移,来解决目标域中有标签轴承样本量不足的问题,例如基于高斯核或多项式核诱导的最大均值差异的领域自适应迁移方法、域对抗迁移学习方法等,均已已广泛应用于轴承故障诊断识别研究,但仍存在以下一些问题需要改进:(1)目前研究中绝大部分的轴承故障源域数据来自实验室的故障模拟试验台,这些数据更适用于研究故障现象的一般规律,且针对性地搭建具有一定精度的模拟试验台非一朝一夕可实现,需要持久大量的资源投入,难以灵活满足众多工况下的故障数据需求。借助数值仿真技术,可建立反映机械***真实运行状况的故障仿真模型,获取大量故障信息丰富,标签数据充足的轴承故障样本,从而解决训练样本不足的难题,降低对模拟试验台的资源依赖。(2)基于高斯核诱导的最大均值差异领域自适应迁移方法其诊断性能对高斯核的宽度这一参数很敏感,且计算复杂度高,使得模型难以有效地实现最优收敛。基于多项式核诱导的最大均值差异领域自适应迁移方法需要同时调节三个参数,且高阶次计算时间相对较长;(3)现有的方法研究主要集中在稳定转速下的跨域迁移诊断上,但为了满足实际工业场景中启动、制动等生产任务的要求,通常需要考虑时变转速下的跨域故障迁移诊断。与稳定转速相比,时变速度下的信号与故障类别之间的关系要复杂得多。
因此,需引入新技术来准确的,快速的对轴承部件从稳定速度到时变速度进行无监督跨域迁移故障诊断。
发明内容
本发明的目的在于提供一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,其用于对轴承进行稳定速度到时变速度的有效,快速的跨域故障迁移诊断;解决了目前基于最大均值差异的特征迁移诊断方法计算复杂度高,难以有效地实现最优收敛和现有迁移方法在稳定速度到时变速度进行故障迁移任务下诊断精度低的问题,准确提取出源域与目标域之间的可迁移特征,提高了域自适应过程的鲁棒性,有效地提高了计算效率,节省了大量的计算成本,且在稳定速度到时变速度进行故障迁移任务下实现了更高的诊断精度,实现可靠的轴承故障迁移诊断,从而可以解决背景技术中涉及的技术问题。
本发明的技术方案为:
一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,该故障诊断方法包括如下步骤:
步骤S1、构建转子-滚动轴承耦合***动力学模型,获取轴承不同故障模式下的仿真数据样本以作为源域数据集,同时将该仿真数据样本作为源域的训练样本;
步骤S2、收集时变转速下无标签的轴承实验数据样本作为目标域数据集,并划分目标域训练样本与测试样本;
步骤S3、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小,并采用无偏估计技术提升计算效率;
步骤S4、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并构建总体损失函数;
步骤S5、构建基于柯西核诱导的最大均值差异评价指标与分段可调节的平衡因子的无监督领域共享网络,将源域数据集与目标域数据集中的训练样本同时输入无监督领域共享网络以提取可迁移特征,训练得到轴承迁移故障诊断模型,并用目标域数据集中的测试样本检验轴承迁移故障诊断模型的故障分类效果;
步骤S6、采用训练好的轴承迁移故障诊断模型识别时变速度工况下的轴承故障类型。
作为本发明的一种优选改进,步骤S3具体包括如下步骤:
步骤S31、将柯西核作为最大均值差异的非线性映射函数核函数,将源域数据集与目标域数据集映射至再生核希尔伯特高维内积空间上以度量两域分布差异大小;
步骤S32、在源域数据集和目标域数据集的样本数相等的前提条件下,采用无偏估计技术降低柯西核诱导的最大均值差异评价指标的计算复杂度;
作为本发明的一种优选改进,步骤S4具体包括如下步骤:
步骤S41、采用分段可调节的平衡因子,其值随迭代次数增加而动态改变;
其中,λC为分段可调节的平衡因子,epoch为当前迭代次数;max-epoch为预设的最大迭代次数;mid-epoch为预设的超参数;
步骤S42、将分段可调节的平衡因子引入模型总体损失函数以权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度:
作为本发明的一种优选改进,在步骤S5中,无监督领域共享网络的分类层激活函数为Softmax,池化层激活函数为ReLu。
本发明提供的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法的有益效果如下:
1、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小,提升了域自适应过程的鲁棒性;
2、采用无偏估计技术改进基于柯西核诱导的最大均值差异评价指标的计算过程,提升计算效率,节省了大量的计算成本;
3、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并构建总体损失函数,经过迭代训练的模型能准确提取出源域与目标域之间的可迁移特征;
4、解决了目前基于最大均值差异的特征迁移诊断方法计算复杂度高,难以有效地实现最优收敛和现有迁移方法在稳定速度到时变速度进行故障迁移任务下诊断精度低的问题,能够在稳定速度到时变速度进行故障迁移任务下实现了更高的诊断精度,实现可靠的轴承故障迁移诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1是本发明跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法的流程图;
图2是本发明转子-滚动轴承耦合***动力学模型图;
图3是本发明目标域的轴承各类故障状态的原始振动加速度时域信号图;
图4是本发明目标域的经去均值及归一化的各类故障状态的振动加速度时域信号图;
图5是本发明故障诊断方法对轴承故障的多分类混淆矩阵图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅图1所示,本发明提供一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,该故障诊断方法包括如下步骤:
步骤S1、构建转子-滚动轴承耦合***动力学模型,获取轴承不同故障模式下的仿真数据样本以作为源域数据集,同时将该仿真数据样本作为源域的训练样本;
步骤S2、收集时变转速下无标签的轴承实验数据样本作为目标域数据集,并划分目标域训练样本与测试样本;
步骤S3、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小,并采用无偏估计技术提升计算效率,具体包括如下步骤:
步骤S31、将柯西核作为最大均值差异的非线性映射函数核函数,将源域数据集与目标域数据集映射至再生核希尔伯特高维内积空间上以度量两域分布差异大小;
步骤S32、在源域数据集和目标域数据集的样本数相等的前提条件下,采用无偏估计技术降低柯西核诱导的最大均值差异评价指标的计算复杂度;
步骤S4、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并构建总体损失函数,具体包括如下步骤:
步骤S41、采用分段可调节的平衡因子,其值随迭代次数增加而动态改变;
其中,λC为分段可调节的平衡因子,epoch为当前迭代次数;max-epoch为预设的最大迭代次数;mid-epoch为预设的超参数;
步骤S42、将分段可调节的平衡因子引入模型总体损失函数以权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度:
步骤S5、构建基于柯西核诱导的最大均值差异评价指标与分段可调节的平衡因子的无监督领域共享网络,将源域数据集与目标域数据集中的训练样本同时输入无监督领域共享网络以提取可迁移特征,训练得到轴承迁移故障诊断模型,并用目标域数据集中的测试样本检验轴承迁移故障诊断模型的故障分类效果;
具体的,无监督领域共享网络的分类层激活函数为Softmax,池化层激活函数为ReLu。
步骤S6、采用训练好的轴承迁移故障诊断模型识别时变速度工况下的轴承故障类型。
下面以具体实施例1对本发明提供的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法进行详细说明。
实施例1
实施例1中,使用转子-轴承***仿真模型来仿真模拟信号获取源域数据集,全部作为源域训练样本,测试轴承的型号为JIS6306,轴承的外圈固定在轴承座上,内圈固定在转轴上(见图2所示)。假设仿真模型主要部件的刚度和阻尼均为常数。转子的旋转频率固定为1909rpm。包括正常状态、内圈故障、滚动故障和外圈故障四种不同的轴承故障状态。
在QPZZ-II旋转机械振动分析及故障诊断试验平台***上安装振动传感器采集数据来构建目标域数据集,并划分目标域的训练样本与测试样本。故障设置为轴承表面用线切割的方形凹槽。电机转速从640rpm上升到1500rpm,然后减速到640rpm,以在时变速度下采集加速度数据。目标域数据集包含与源域相同的四种健康状态。采样频率为25.6kHz。
构建基于柯西核诱导的无监督领域共享网络的轴承故障诊断模型,超参数设置如下:柯西核宽度σC=1,批次大小为28,权值衰减系数λ=0.002,学习率η=0.001,迭代次数t=100,最大迭代次数为max-epoch=1000,预设的超参数mid-epoch=50,表1给出了本发明使用的无监督领域共享网络结构与参数。表2给出了十次独立运行后,本发明方法和迁移成分分析、深度卷积神经网络、域自适应神经网络及联合分布适配等智能识别方法对比结果。
深度卷积神经网络、域自适应神经网络及联合分布适配的输入与本发明方法一样,为原始时域振动信号,迁移成分分析机的输入为由时域振动信号转化而来的频域幅值谱信号。具体分析本发明方法10次运行中的某一次识别结果,智能故障识别的整体分类准确率为80.03%,多分类混淆矩阵如图5所示。由表2和图5可见,用本发明提出的方法,平均的识别准确率最高,能基于原始时域振动信号有效区分轴承的4种故障状态。
表1无监督领域共享网络结构与参数
表2预测结果对比
参照图1所示,本发明的内容可主要分为三部分。第一部分是收集转子-滚动轴承耦合***动力学模型的不同健康状态下的仿真时域振动信号作为源域、收集机器设备的测试轴承的原始时域振动信号作为目标域,作去均值和归一化处理后各自划分为源域和目标域的训练样本和测试样本;第二部分是设计基于柯西核诱导的最大均值差异度量指标,采用无偏估计技术降低所设计的度量指标计算复杂度,最终设计基于无偏估计的柯西核诱导的最大均值差异度量指标;第三部分是设计分段可调节的平衡因子,最终构建总体损失函数;第四部分是目标域测试样本检验已训练的基于柯西核诱导的无监督领域共享网络的轴承故障诊断模型。
参照图2所示,转子-滚动轴承耦合***动力学模型图,转子两端由2个相同的滚动轴承支承在该耦合模型中,机匣振动转子***各部件的运动相互作用、相互耦合。
参照图3所示,实验测试轴承的各类故障状态的原始时域振动信号,包括正常状态、内圈故障、滚动体故障和外圈故障四种不同的轴承故障状态。采样频率为25.6kHz,采样时间为16s,采样点数为970400,图中横坐标表示时间,单位为s;纵坐标表示幅值,单位为m/s2。
参照图4所示,经去均值及归一化的测试轴承的各类故障状态的时域振动信号,图中横坐标表示时间,单位为s,纵坐标为无量纲,范围为-1到1,选取265700-368700个点划分训练样本和测试样本,每个样本1024个点,两个样本间不重叠,总共400个样本,其中每类状态训练样本100个。
参照图5所示,本发明方法进行测试识别的多分类混淆矩阵图,横坐标为预测的状态标签,纵坐标为真实的状态标签,主对角线数字表示给类别的识别准确率。
本发明提供的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法的有益效果如下:
1、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小,提升了域自适应过程的鲁棒性;
2、采用无偏估计技术改进基于柯西核诱导的最大均值差异评价指标的计算过程,提升计算效率,节省了大量的计算成本;
3、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并构建总体损失函数,经过迭代训练的模型能准确提取出源域与目标域之间的可迁移特征;
4、解决了目前基于最大均值差异的特征迁移诊断方法计算复杂度高,难以有效地实现最优收敛和现有迁移方法在稳定速度到时变速度进行故障迁移任务下诊断精度低的问题,能够在稳定速度到时变速度进行故障迁移任务下实现了更高的诊断精度,实现可靠的轴承故障迁移诊断。
尽管本发明的实施方案已公开如上,但并不仅仅限于说明书和实施方案中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里所示出与描述的图例。
Claims (4)
1.一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,其特征在于,该故障诊断方法包括如下步骤:
步骤S1、构建转子-滚动轴承耦合***动力学模型,获取轴承不同故障模式下的仿真数据样本以作为源域数据集,同时将该仿真数据样本作为源域的训练样本;
步骤S2、收集时变转速下无标签的轴承实验数据样本作为目标域数据集,并划分目标域训练样本与测试样本;
步骤S3、采用基于柯西核诱导的最大均值差异评价指标来度量源域数据集与目标域数据集分布之间的差异大小,并采用无偏估计技术提升计算效率;
步骤S4、采用分段可调节的平衡因子权衡柯西核诱导的最大均值差异损失和分类交叉熵损失的重要程度,并构建总体损失函数;
步骤S5、构建基于柯西核诱导的最大均值差异评价指标与分段可调节的平衡因子的无监督领域共享网络,将源域数据集与目标域数据集中的训练样本同时输入无监督领域共享网络以提取可迁移特征,训练得到轴承迁移故障诊断模型,并用目标域数据集中的测试样本检验轴承迁移故障诊断模型的故障分类效果;
步骤S6、采用训练好的轴承迁移故障诊断模型识别时变速度工况下的轴承故障类型。
4.根据权利要求1所述的跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法,其特征在于:在步骤S5中,无监督领域共享网络的分类层激活函数为Softmax,池化层激活函数为ReLu。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382997.6A CN114755017B (zh) | 2022-04-13 | 2022-04-13 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382997.6A CN114755017B (zh) | 2022-04-13 | 2022-04-13 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114755017A true CN114755017A (zh) | 2022-07-15 |
CN114755017B CN114755017B (zh) | 2022-12-20 |
Family
ID=82330042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382997.6A Active CN114755017B (zh) | 2022-04-13 | 2022-04-13 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114755017B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510926A (zh) * | 2022-11-23 | 2022-12-23 | 武汉理工大学 | 跨机型的柴油机燃烧室故障诊断方法及*** |
CN116702304A (zh) * | 2023-08-08 | 2023-09-05 | 中建五局第三建设有限公司 | 一种基于无监督学习的基坑设计方案分组方法和装置 |
CN117961976A (zh) * | 2024-03-29 | 2024-05-03 | 湖南大学 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128083A1 (en) * | 2002-09-27 | 2004-07-01 | Wilson Wang | Method and system for online monitoring of multistage rotary machinery |
US20100214312A1 (en) * | 2009-02-25 | 2010-08-26 | Technion Research & Development Foundation Ltd. | Method and system of geometric deformation |
CN103018043A (zh) * | 2012-11-16 | 2013-04-03 | 东南大学 | 变转速轴承故障诊断方法 |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
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 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和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 |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
US20210012232A1 (en) * | 2019-07-10 | 2021-01-14 | Xi'an Jiaotong University | Fault transfer diagnosis method for rolling element bearings based on polynomial kernel induced feature distribution adaptation |
-
2022
- 2022-04-13 CN CN202210382997.6A patent/CN114755017B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128083A1 (en) * | 2002-09-27 | 2004-07-01 | Wilson Wang | Method and system for online monitoring of multistage rotary machinery |
US20100214312A1 (en) * | 2009-02-25 | 2010-08-26 | Technion Research & Development Foundation Ltd. | Method and system of geometric deformation |
CN103018043A (zh) * | 2012-11-16 | 2013-04-03 | 东南大学 | 变转速轴承故障诊断方法 |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
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 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
US20210012232A1 (en) * | 2019-07-10 | 2021-01-14 | Xi'an Jiaotong University | Fault transfer diagnosis method for rolling element bearings based on polynomial kernel induced feature distribution adaptation |
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 |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
毛文涛: ""面向轴承早期故障检测的多尺度残差注意力深度领域适配模型"", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510926A (zh) * | 2022-11-23 | 2022-12-23 | 武汉理工大学 | 跨机型的柴油机燃烧室故障诊断方法及*** |
CN116702304A (zh) * | 2023-08-08 | 2023-09-05 | 中建五局第三建设有限公司 | 一种基于无监督学习的基坑设计方案分组方法和装置 |
CN116702304B (zh) * | 2023-08-08 | 2023-10-20 | 中建五局第三建设有限公司 | 一种基于无监督学习的基坑设计方案分组方法和装置 |
CN117961976A (zh) * | 2024-03-29 | 2024-05-03 | 湖南大学 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114755017B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
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 | |
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
Shan et al. | A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
Castejón et al. | Automated diagnosis of rolling bearings using MRA and neural networks | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
Wang et al. | ConditionSenseNet: A deep interpolatory ConvNet for bearing intelligent diagnosis under variational working conditions | |
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 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、***、介质及设备 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
Ribeiro Junior et al. | Fault detection and diagnosis in electric motors using convolution neural network and short-time fourier transform | |
CN112665852A (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 | |
Attoui | Novel fast and automatic condition monitoring strategy based on small amount of labeled data | |
CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和*** | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Brandao et al. | Fault Diagnosis of Rotary Machines Using Machine Learning | |
Wu et al. | Automatic Diagnosis of Rolling Element Bearing Under Different Conditions Based on RVMD and Envelope Order Capture |
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 |