CN115618267A - 无监督域自适应及熵优化的设备传感诊断方法及*** - Google Patents

无监督域自适应及熵优化的设备传感诊断方法及*** Download PDF

Info

Publication number
CN115618267A
CN115618267A CN202211424445.3A CN202211424445A CN115618267A CN 115618267 A CN115618267 A CN 115618267A CN 202211424445 A CN202211424445 A CN 202211424445A CN 115618267 A CN115618267 A CN 115618267A
Authority
CN
China
Prior art keywords
data
domain
training
sample
label
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
Application number
CN202211424445.3A
Other languages
English (en)
Inventor
刘富樯
陈彦丹
蒲华燕
罗均
秦毅
陈锐
徐浪
肖登宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202211424445.3A priority Critical patent/CN115618267A/zh
Publication of CN115618267A publication Critical patent/CN115618267A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

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 Or Calibration Of Command Recording Devices (AREA)

Abstract

无监督域自适应及熵优化的设备传感诊断方法及***。其中，包括以下步骤：1)收集不同工作条件下设备的振动传感信号，利用格拉姆角场技术对数据进行预处理；2)构建基于卷积神经网络的故障诊断模型，包括特征提取模块、特征一致判别模块和特征识别模块；3)将源域有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练；4)利用数据增强策略，将目标域无标签训练样本在故障诊断模型上进行一致性训练；5)将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。通过将RandAugment技术和域自适应技术相结合，能够在数据不平衡和数据分布转移的条件下提高模型对设备健康状态的识别精度。

Description

无监督域自适应及熵优化的设备传感诊断方法及***
技术领域
本发明属于机械设备健康管理和计算机人工智能技术领域，尤其涉及一种多工况和数据不平衡下基于无监督域自适应和卷积神经网络熵优化的设备传感诊断方法。
背景技术
滚动轴承是机械设备(如制药装置)中使用广泛但容易因细小故障而失效的部件之一。基于设备传感信息的故障诊断可以支撑对装置可靠运行的维护，延长设备的使用寿命，防止重大事故。滚动轴承通常在随机噪声、冲击载荷和热应力下连续工作。基于信号处理的方式可以实现一定程度的故障轴承机械诊断——通过揭露轴承异常特征。但是，该方法对从业人员的专业知识有较高要求。由于作业环境的复杂多变性，需要更有效的诊断技术来解决问题。人工智能的发展推动了故障诊断技术的进步，涌现出许多性能优越的方法。随着工业传感器网络复杂度的增加，擅长处理复杂、非线性、多变数据的深度学习方法已逐步成为主流研究方法。
然而，已有研究有个前提假设：训练数据和测试数据的分布一致。受工况条件和传感器性能等约束，目标样本与源域样本的数据分布通常存在差异，会出现数据分布转移现象，故分布一致的要求在实际工业的变工况生产过程过于严苛，适用性受限。另外，在实际应用中，由于设备正常运行时间大于其故障时间，这使得采集到的健康样本的数据和故障样本的数据往往不平衡，呈现类不平衡现象。但目前针对多工况和数据不平衡下机械设备(如制药装置)故障诊断方法的应用研究十分欠缺。
发明内容
为了解决上述技术难题，本发明的目的是为多工况和数据不平衡下提供一种自适应性较好和准确性较高的基于无监督域自适应及熵优化的设备传感诊断方法。该方法利用结合RandAugment技术和域自适应技术的数据增强策略，在数据不平衡和多工况下提高故障诊断精度，在一定程度上缓解了源域和目标域数据不平衡和数据分布不一致对性能下降带来的影响。
本发明的目标可以通过以下技术方案实现：
步骤1：在设备上收集多个工作条件下的振动传感信号，每个工作条件包含多个设备健康状态；一个工作条件的数据是一个数据域，不同的数据域中数据分布不一致，并对数据域进行长尾分布划分样本；
步骤2：对数据进行预处理，通过格拉姆角场算法，将收集到的一维数据转为二维数据，并储存到磁盘中；构建基于卷积神经网络的故障诊断模型，包括特征提取模块，特征一致判别模块和特征识别模块；
步骤3：从数据储存库中随机选择一个域作为源域，并对其随机取样划分数据集；将有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练；
步骤4：从剩下数据库中随机选择一个为目标域，并对其随机取样划分数据集；在步骤3源域训练的模型的基础上，利用数据增强策略将目标域无标签训练样本在故障诊断模型上进行训练；
步骤5：将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。
进一步地，所述的步骤2具体包括以下步骤：
在设备上采集一维时间序列振动信号，通过格拉姆角场算法预处理该一维数据，变换得到二维数据，格拉姆角场转换公式如下所示：
Figure BDA0003944233700000031
其中，X＝[x1,x2,…,xn]是n个时间序列数据集，
Figure BDA0003944233700000032
是正则化的数据集，α∈[0,π]是正则化数据编码后的角度值，ti是时间戳，r是极坐标半径，N是常数因子。
进一步地，所述的步骤3具体包括以下步骤：
修改ReNet50网络结构，将最后一个线性层替换为具有Xavier初始化权值且无偏置的全连接层。利用修改后的卷积神经网络来提取特征，其过程如下：
z(i)＝g(wTx(i)+b)#(2)
其中，x(i)＝{x1,x2,…,xn}是n个输入数据，g(*)是线性单元ReLU激活函数，w是权重矩阵，b是偏差项，z(*)是输出。
进一步地，所述的步骤4具体包括以下步骤：
步骤4.1：将目标域无标签图像数据随机取样组成训练集和测试集；
步骤4.2：本发明中的数据增强策略由RandAugment技术和自训练算法组成；
步骤4.3：将训练集图像经过RandAugment技术进行变换，生成数据集P＝{r1(xτ),r2(xτ),…rn(xτ)}，其中xτ是来自目标域无标签训练数据，ri是变换i次操作函数；
步骤4.4：将数据集P输入到数据增强策略中，并从输出结果中挑选出最可靠伪样本，决策其标签与真值标签的一致性；
步骤4.5：若决策结果为一致性，则最小化和真值标签一致的伪样本熵损失值，否则最大化不一致伪样本熵损失值；
步骤4.6：将目标域无标签训练集条件熵损失和条件分布距离与分类损失结合在一起组成目标函数，训练模型参数；
进一步地，所述步骤4.4中的一致性描述为：
Figure BDA0003944233700000041
其中，prediction+是生成的伪标签和真值标签一致，prediction-是生成的伪标签和真值标签不一致。
进一步地，所述步骤4.5中的熵损失描述公式为：
Figure BDA0003944233700000042
其中，LEO是完整的熵最小化函数，
Figure BDA0003944233700000043
是一致性熵损失函数，
Figure BDA0003944233700000044
是不一致性熵损失函数，后两个函数的定义如下：
Figure BDA0003944233700000045
Figure BDA0003944233700000046
其中，
Figure BDA0003944233700000047
是样本标签y的移动平均指数，p是概率分布函数。
进一步地，所述步骤4.6具体包括以下步骤：
步骤4.6.1：计算目标域条件分布距离，其过程描述公式如下所示：
Figure BDA0003944233700000048
其中，S是源域，
Figure BDA0003944233700000049
是目标域，X*是源域或目标域，k是高斯核个数，MMDHk代表核空间嵌入k个高斯核，定义如下：
Figure BDA00039442337000000410
其中，φ是再生核希尔伯特空间H的非线性映射函数，
Figure BDA00039442337000000411
是来自源域或目标域的样本。
步骤4.6.2：将分类交叉熵损失和条件分布距离损失与条件熵损失结合在一起形成要优化的目标函数，目标函数的公式如下所示：
Lfinal＝minLc+αLM+βLEO#(9)
其中，α和β是惩罚因子。
本发明还提供一种无监督域自适应及熵优化的设备传感诊断方法的***，其特征在于，该***包括：
特征提取模块，用于从预处理图像的源域样本中提取高维特征表示；
特征一致性模块，用于判断自训练算法生成的伪样本和真实样本的一致性，并将最可靠伪样本挑选出来训练模型；
特征识别模块，用于将目标域无标签且未参与训练的样本识别，从而判断测试样本相对应的健康类别。
进一步地，所述特征提取模块和特征识别模块的网络框架均为卷积神经网络，特征一致性模块的基础是RandAugment技术和自训练算法。
本发明的有益效果：
1.不需要人工提取特征，通过深度学习的卷积神经网络，数据的深层特征能够自动被挖掘，节约人力和时间，提高效率。
2.在本发明中的特征一致性模块能够提高半监督学习生成伪样本的质量，并挑选出最可靠伪样本用于模型训练。
3.在卷积神经网络的框架下，将RandAugment技术和域自适应技术相结合，计算条件熵损失和条件分布距离损失并作为目标函数的一部分进行优化，能够很好地突破在多工况且数据不平衡下诊断模型的局限性，使得诊断模型能够良好适应不同工作条件且样本量不平衡下的诊断任务，提高了模型的自适应性和泛化能力，可广泛用于机械、航空、铁路等复杂***的设备健康监测任务。
附图说明
图1是本发明实施例中标签对应的外圈、内圈和保持架故障预处理图像。
图2是本发明实施例中利用RandAugemnt技术变换的数据示意图。
图3是本发明中深度学习框架的模型结构示意图。
图4是本发明对应的方法流程图。
图5是本发明实施例中测试数据的分类结果图。
具体实施方式
下面结合附图和实施例，对本发明作进一步详细描述。以下描述的实施例是本发明的一部分实施例，用于说明本发明，但不用于限制本发明的范围。
实施例一
实验数据采用西安交通大学的轴承数据集，以64khz的采样频率采集LDK UER204型号的交流电机。故障类型主要发生在内圈、外圈和保持架。
如图4所示，本发明包括以下步骤：
步骤1：在设备上收集多个工作条件下的振动信号，每个工作条件包含多个设备健康状态。一个工作条件的数据是一个数据域，不同的数据域中数据分布不一致，并对数据域进行长尾分布划分样本；
步骤2：对数据进行预处理，通过格拉姆角场算法，将收集到的一维数据转为二维数据，并储存到磁盘中；构建基于卷积神经网络的故障诊断模型，包括特征提取模块，特征一致判别模块和特征识别模块；
步骤3：从数据储存库中随机选择一个域作为源域，并对其随机取样划分数据集；将有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练；
步骤4：从剩下数据库中随机选择一个为目标域，并对其随机取样划分数据集；在步骤3模型的基础上，利用数据增强策略将目标域无标签训练样本在故障诊断模型上进行训练；
步骤5：将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1：本实施例包括3个工况，分别是1hp、2hp、3hp。3个工况组成3个数据集，每个数据集以工况名字命名，包含两个故障状态，见表一；
步骤1.2：因为有些故障类别比其他类别更容易出现，所以采用幂律分布来对数据集样本分布进行重新划分，包括两种数据不平衡分布设置；
表一：数据集细节描述
Figure BDA0003944233700000071
实施例中诊断任务由符号XAB_C表示，源域是Ahp数据集，目标域是Bhp数据集，C是数据不平衡分布1或2。在两种不同的数据不平衡分布下，源域有标签的样本和目标域无标签训练样本参与训练阶段，目标域无标签测试样本只用于测试阶段。
进一步地，所述的步骤2具体包括以下步骤：
在设备上采集一维时间序列振动信号，通过格拉姆角场算法预处理该一维数据，变换得到二维数据，格拉姆角场转换公式如下所示：
Figure BDA0003944233700000072
其中，X＝[x1,x2,…,xn]是n个时间序列数据集，
Figure BDA0003944233700000073
是正则化的数据集，α∈[0,π]是正则化数据编码后的角度值，ti是时间戳，r是极坐标半径，N是常数因子。
进一步地，所述的步骤3具体包括以下步骤：
本实施例建立的故障诊断模型如图2所示，故障诊断流程如图3所示。
修改ReNet50网络结构，将最后一个线性层替换为具有Xavier初始化权值且无偏置的全连接层。利用修改后的卷积神经网络来提取特征，其过程如下：
z(i)＝g(wTx(i)+b)#(2)
其中，x(i)＝{x1,x2,…,xn}是n个输入数据，g(*)是线性单元ReLU激活函数，w是权重矩阵，b是偏差项，z(*)是输出。
进一步地，所述的步骤4具体包括以下步骤：
步骤4.1：将目标域无标签图像数据随机取样组成训练集和测试集；
步骤4.2：本发明中的数据增强策略由RandAugment技术和自训练算法组成；
步骤4.3：将训练集图像经过RandAugment技术进行变换，生成数据集P＝{r1(xτ),r2(xτ),…rn(xτ)}，其中xτ是来自目标域无标签训练数据，ri是变换i次操作函数，每个样本的变换结果如图4所示；
步骤4.4：将数据集P输入到自训练算法中，并从输出结果中挑选出最可靠伪样本，决策其标签与真值标签的一致性；
步骤4.5：若决策结果为一致性，则最小化和真值标签一致的伪样本熵损失值，否则最大化不一致伪样本熵损失值；
步骤4.6：将目标域无标签训练集条件熵损失和条件分布距离与分类损失结合在一起组成目标函数，训练模型参数；
进一步地，所述步骤4.4中的一致性描述为：
Figure BDA0003944233700000081
其中，prediction+是生成的伪标签和真值标签一致，prediction-是生成的伪标签和真值标签不一致。
进一步地，所述步骤4.5中的熵损失描述公式为：
Figure BDA0003944233700000082
其中，LEO是完整的熵最小化函数，
Figure BDA0003944233700000083
是一致性熵损失函数，
Figure BDA0003944233700000084
是不一致性熵损失函数，后两个函数的定义如下：
Figure BDA0003944233700000085
Figure BDA0003944233700000091
其中，
Figure BDA0003944233700000092
是样本标签y的移动平均指数，p是概率分布函数。
进一步地，所述步骤4.6具体包括以下步骤：
步骤4.6.1：计算目标域条件分布距离，其过程描述公式如下所示：
Figure BDA0003944233700000093
其中，S是源域，
Figure BDA0003944233700000094
是目标域，X*是源域或目标域，k是高斯核个数，MMDHk代表核空间嵌入k个高斯核，定义如下：
Figure BDA0003944233700000095
其中，φ是再生核希尔伯特空间H的非线性映射函数，
Figure BDA0003944233700000096
是来自源域或目标域的样本。
步骤4.6.2：将分类交叉熵损失和条件分布距离损失与条件熵损失结合在一起形成要优化的目标函数，目标函数的公式如下所示：
Lfinal＝minLc+αLM+βLEO#(9)
其中，α和β是惩罚因子。8个工况条件下的测试结果如图5所示。由图5的分类结果可知，8个任务下模型的平均诊断精度达到99.32％，说明本发明在多工况和数据不平衡条件下，能够保持泛化性能和可迁移性，有利于在上述工作条件下模型对设备健康状态进行监测。
以上所述的实施例是本发明的一部分实施例，用于说明本发明，但不用于限制本发明的范围。对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (6)

1.一种无监督域自适应及熵优化的设备传感诊断方法及***，其特征在于，该方法包括以下步骤：
步骤1：在设备上收集多个工作条件下的振动传感信号，每个工作条件包含多个设备健康状态；一个工作条件的数据是一个数据域，不同的数据域中数据分布不一致，并对数据域进行长尾分布划分样本；
步骤2：对数据进行预处理，通过格拉姆角场算法，将收集到的一维数据转为二维数据，并储存到磁盘中；构建基于卷积神经网络的故障诊断模型，该故障诊断模型至少包括特征提取模块、特征一致判别模块和特征识别模块；
步骤3：从数据储存库中随机选择一个域作为源域，并对其随机取样划分数据集；将有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练；
步骤4：从数据存储库中剩余域中随机选择一个为目标域，并对其随机取样划分数据集。在步骤3源域训练的故障诊断模型的基础上，利用数据增强策略将目标域无标签训练样本在故障诊断模型上进行训练；
步骤5：将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。
2.根据权利要求1所述的无监督域自适应及熵优化的设备传感诊断方法，其特征在于，所述步骤2包括：
在设备上采集一维时间序列振动传感信号，通过格拉姆角场算法预处理该一维数据，变换得到二维数据，格拉姆角场转换公式如下所示：
Figure FDA0003944233690000011
其中，X＝[x1,x2,…,xn]是n个时间序列数据集，
Figure FDA0003944233690000012
是正则化的数据集，α∈[0，π]是正则化数据编码后的角度值，ti是时间戳，r是极坐标半径，N是常数因子。
3.根据权利要求1所述的无监督域自适应及熵优化的设备传感诊断方法，其特征在于，所述步骤3包括：
修改ReNet50网络结构，将最后一个线性层替换为具有Xavier初始化权值且无偏置的全连接层。利用修改后的卷积神经网络来提取特征，其过程如下：
z(i)＝g(wTx(i)+b)
其中，x(i)＝{x1，x2，...，xn}是n个输入数据，g(*)是线性单元ReLU激活函数，w是权重矩阵，b是偏差项，z(*)是输出。
4.根据权利要求1所述的无监督域自适应及熵优化的设备传感诊断方法，其特征在于，所述步骤4包括：
步骤4.1：将目标域无标签图像数据随机取样组成训练集和测试集；
步骤4.2：本发明中的数据增强策略由RandAugment技术和自训练算法组成；
步骤4.3：将训练集图像经过RandAugment技术进行变换，生成数据集生成数据集P＝{r1(xτ)，r2(xτ)，...rn(xτ)}，其中xτ是来自目标域无标签训练数据，ri是变换i次操作函数；
步骤4.4：将数据集P输入到数据增强策略中，并从输出结果中挑选出最可靠伪样本，决策其标签与真值标签的一致性；
步骤4.5：若决策结果为一致性，则最小化和真值标签一致的伪样本熵损失值，否则最大化不一致伪样本熵损失值；
步骤4.6：将目标域无标签训练集条件熵损失和条件分布距离与分类损失结合在一起组成目标函数，训练模型参数；
所述步骤4.4中的一致性描述为：
Figure FDA0003944233690000021
其中，prediction+是生成的伪标签和真值标签一致，prediction_是生成的伪标签和真值标签不一致。
所述步骤4.5中的熵损失描述公式为：
Figure FDA0003944233690000031
其中，LEO是完整的熵最小化函数，Lprediction+是一致性熵损失函数，Lprediction_是不一致性熵损失函数，后两个函数的定义如下：
Figure FDA0003944233690000032
Figure FDA0003944233690000033
其中，
Figure FDA0003944233690000034
是样本标签y的移动平均指数，p是概率分布函数。
所述步骤4.6具体包括以下步骤：
步骤4.6.1：计算目标域条件分布距离，其过程描述公式如下所示：
Figure FDA0003944233690000035
其中，S是源域，
Figure FDA0003944233690000036
是目标域，X*是源域或目标域，k是高斯核个数，MMDHk代表核空间嵌入k个高斯核，定义如下：
Figure FDA0003944233690000037
其中，φ是再生核希尔伯特空间H的非线性映射函数，
Figure FDA0003944233690000038
是来自源域或目标域的样本。
步骤4.6.2：将分类交叉熵损失和条件分布距离损失与条件熵损失结合在一起形成要优化的目标函数，目标函数的公式如下所示：
Lfinal＝minLc+αLM+βLEO
其中，α和β是惩罚因子。
5.一种采用如权利要求1至5中任一项所述的无监督域自适应及熵优化的设备传感诊断方法的***，其特征在于，该***包括：
特征提取模块，用于从预处理图像的源域样本中提取高维特征表示；
特征一致性模块，用于判断自训练算法生成的伪样本和真实样本的一致性，并将最可靠伪样本挑选出来训练模型；
特征识别模块，用于将目标域无标签且未参与训练的样本识别，从而判断测试样本相对应的健康类别。
6.根据权利要求5所述的采用无监督域自适应及熵优化设备传感诊断方法的***，其特征在于，所述特征提取模块和特征识别模块的网络框架均为卷积神经网络，特征一致性模块的基础是RandAugment技术和自训练算法。
CN202211424445.3A 2022-11-15 2022-11-15 无监督域自适应及熵优化的设备传感诊断方法及*** Pending CN115618267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211424445.3A CN115618267A (zh) 2022-11-15 2022-11-15 无监督域自适应及熵优化的设备传感诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211424445.3A CN115618267A (zh) 2022-11-15 2022-11-15 无监督域自适应及熵优化的设备传感诊断方法及***

Publications (1)

Publication Number Publication Date
CN115618267A true CN115618267A (zh) 2023-01-17

Family

ID=84879486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211424445.3A Pending CN115618267A (zh) 2022-11-15 2022-11-15 无监督域自适应及熵优化的设备传感诊断方法及***

Country Status (1)

Country Link
CN (1) CN115618267A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385813A (zh) * 2023-06-07 2023-07-04 南京隼眼电子科技有限公司 Isar图像分类方法、装置及存储介质
CN117054872A (zh) * 2023-09-15 2023-11-14 合肥融讯电子科技有限公司 一种基于数据模型的电机故障预测检测***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385813A (zh) * 2023-06-07 2023-07-04 南京隼眼电子科技有限公司 Isar图像分类方法、装置及存储介质
CN116385813B (zh) * 2023-06-07 2023-08-29 南京隼眼电子科技有限公司 基于无监督对比学习的isar图像空间目标分类方法、装置及存储介质
CN117054872A (zh) * 2023-09-15 2023-11-14 合肥融讯电子科技有限公司 一种基于数据模型的电机故障预测检测***

Similar Documents

Publication Publication Date Title
Han et al. Deep transfer learning with limited data for machinery fault diagnosis
Chen et al. Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network
Wang et al. Application of multiscale learning neural network based on CNN in bearing fault diagnosis
Xie et al. End to end multi-task learning with attention for multi-objective fault diagnosis under small sample
Wang et al. Self-supervised signal representation learning for machinery fault diagnosis under limited annotation data
Zhang et al. A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及***
CN115618267A (zh) 无监督域自适应及熵优化的设备传感诊断方法及***
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
Liu et al. A fault diagnosis method based on transfer convolutional neural networks
Ma et al. Cross-domain meta learning fault diagnosis based on multi-scale dilated convolution and adaptive relation module
Zhang et al. Manifold sparse auto-encoder for machine fault diagnosis
Wang et al. A light weight multisensory fusion model for induction motor fault diagnosis
Amruthnath et al. Factor analysis in fault diagnostics using random forest
Qin et al. The fault diagnosis of rolling bearing based on improved deep forest
Zhang et al. Deep learning with emerging new labels for fault diagnosis
Han et al. The multilabel fault diagnosis model of bearing based on integrated convolutional neural network and gated recurrent unit
Huang et al. Intelligent fault identification for industrial internet of things via prototype-guided partial domain adaptation with momentum weight
Pang et al. Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings
CN117390411B (zh) 基于元迁移学习的变工况轴承故障诊断方法
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
Yang et al. Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis
Chen et al. Transfer learning with unsupervised domain adaptation method for bearing fault diagnosis
CN112269778B (zh) 一种设备故障诊断方法
Dong An integrated method of rolling bearing fault diagnosis based on convolutional neural network optimized by sparrow optimization algorithm

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