CN117493946A - 一种基于vgg网络的小样本示功图诊断方法 - Google Patents
一种基于vgg网络的小样本示功图诊断方法 Download PDFInfo
- Publication number
- CN117493946A CN117493946A CN202311841934.3A CN202311841934A CN117493946A CN 117493946 A CN117493946 A CN 117493946A CN 202311841934 A CN202311841934 A CN 202311841934A CN 117493946 A CN117493946 A CN 117493946A
- Authority
- CN
- China
- Prior art keywords
- network
- parameters
- diagnosis
- vgg
- classification model
- 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 70
- 238000010586 diagram Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 238000005086 pumping Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于VGG网络的小样本示功图诊断方法，涉及机械设备工况诊断技术领域，包括：构建VGG式网络单元模块，搭建预训练网络；对预训练网络的参数进行降维；构建诊断分类模型，使用降维后网络参数初始化模型参数；准备小样本示功图数据集，对数据集进行预处理；基于预处理后数据，进行诊断分类模型训练外循环，进行诊断分类模型内循环，优化模型超参数；进行诊断分类模型测试，得到最优的模型参数；使用测试合格的诊断分类模型进行工业实例测试，指导设备工况诊断。本发明可以不再依赖人的经验而是允许模型自身去学习，能够实现参数优化的快速收敛和准确率的提升，能够解决工业生产机械设备的小样本工况诊断问题。
Description
技术领域
本发明涉及机械设备工况诊断技术领域，具体的说是一种基于VGG网络的小样本示功图诊断方法。
背景技术
工业生产过程中，机械设备的工况诊断是一项复杂而重要的检测任务。传统人工定期巡检的方式依赖检修人员的经验和判断，需要花费较多的人力物力，对于某些故障无法做到准确的分析。国内生产企业通过多年的数字化建设，基本都已经实现基于物联网的远程数据采集与传输，但机械设备生产过程中的故障预警、故障诊断等问题依然是现场管理的难点。
许多机械设备外表包裹严密，无法直接观察判断工作状况。采用相关设备获取相关参数并对设备进行工况分析成为主要方式。示功图诊断法是其中的一种常用分析手段。示功图是机械运动装置悬点载荷随悬点位移变化的封闭曲线，能够反映设备工具的运行状态。
实际企业生产过程中机械装置出现故障的概率大小不一，导致示功图不同类型间样本数量不均衡，工作正常样本多、故障类型样本少。传统计算机诊断依赖于必要的数学方法，或者是具有许多参数的深度网络。这些方法需要大量数据，分析过程复杂，测试时间长，且效率低，在小样本工况问题上实验效果不佳。针对以上问题，找到一种新型的人工神经网络架构实现快速诊断功能，并选择适合的工况诊断模型提高小样本数据下的诊断精度，是促进企业高效生产的重要举措。
发明内容
本发明针对目前技术发展的需求和不足之处，提供一种基于VGG网络的小样本示功图诊断方法，从网络结构设计和参数优化两方面入手，解决少量样本下的工况诊断任务。
本发明的一种基于VGG网络的小样本示功图诊断方法，解决上述技术问题采用的技术方案如下：
一种基于VGG网络的小样本示功图诊断方法，其包括如下步骤：
S1、构建VGG式网络单元模块，搭建预训练网络；
S2、对预训练网络的参数进行降维，学习降维后的网络参数；
S3、构建诊断分类模型，使用降维后预训练网络参数进行模型参数初始化；
S4、准备小样本示功图数据集，对数据集进行预处理；
S5、基于预处理后的示功图曲线，进行诊断分类模型训练外循环；
S6、基于预处理后的示功图曲线，进行诊断分类模型内循环，优化模型超参数；
S7、进行诊断分类模型测试，得到最优的模型参数；
S8、使用测试合格的诊断分类模型进行工业实例测试，指导设备工况诊断。
可选的，所涉及步骤S1具体包括如下操作：
S1.1、选择VGG16网络，VGG16网络结构包括5层卷积层和2层全连接层，相邻卷积层之间、卷积层和相邻全连接层之间使用池化层分开，其中，卷积层采用3x3的卷积核，池化层采用2x2的最大池化；
S1.2、在卷积核的邻层上添加1x1卷积和一个等效分支，并结合最大池化和BN正则化层，构建VGG式网络单元模块；
S1.3、将二十个VGG式网络单元模块首尾依次相连，搭建起二十层的VGG式卷积网络，该VGG式卷积网络作为预训练网络；
S1.4、使用通用数据集imagenet-1k训练预训练网络，训练结束后将预训练网络的参数作为后续学习对象。
进一步可选的，执行步骤S2，采用1x1卷积对预训练网络的参数进行降维，参数包括权重参数和偏置参数，降维过程涉及公式（1）：
公式（1），
式中，SS表示本次运算；W表示权重参数；b表示偏置参数；X表示学习的对象；ΦS1表示权重的学习系数，ΦS2表示偏置的学习系数。
进一步可选的，执行步骤S3，将五个VGG式网络单元模块首尾依次相连，搭建起五层的VGG式卷积网络，该VGG式卷积网络作为诊断分类模型。
可选的，执行步骤S4，对数据集进行的预处理操作包括：样本筛选、样本分类、样本归一化，其中样本归一化即对样本数据进行标准化，具体包括点标准化、坐标数字化和尺寸标准化。
进一步可选的，执行步骤S5，使用元学习器进行诊断分类模型训练外循环，采用公式如下：
公式（2），
式中，θ涉及多个类别；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；β是对应参数θ的学习率，无量纲；LT是对应于任务T的误差损失，无量纲；
基于公式（2），循环迭代优化参数θ，使得θ和最佳参数θ’的误差最小；
进行模型训练外循环的过程中，元训练阶段选择的训练样本数不超过元测试阶段选择的测试样本数。
进一步可选的，执行步骤S6，执行元学习器的梯度迭代，以获得优化后的元学习参数，也就是超参数，采用公式如下：
公式（3），
式中，θ涉及多个类别；γ是对应于该过程梯度变化的学习率，无量纲；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；LT是对应于任务T的误差损失，无量纲。
可选的，执行步骤S7，进行诊断分类模型测试时，测试数据来源于实际工厂机械设备的工况示功图；
取得设定张数带标签的实际示功图，作为诊断分类模型的输入，得到对应的预测结果，将预测结果与真实标签作比较，在预测结果的准确率达到设定阈值时，判定诊断分类模型测试合格，此时，诊断分类模型的参数即为最优参数。
本发明的一种基于VGG网络的小样本示功图诊断方法，与现有技术相比具有的有益效果是：
本发明采用VGG网络构建VGG式网络单元模块，基于VGG式网络单元模块搭建预训练网络和诊断分类模型，从而通过采用固定大小的卷积核尺寸加快分析过程，通过采用元学习实现模型参数的优化，这样可以不再依赖人的经验而是允许模型自身去学习，能够实现参数优化的快速收敛和准确率的提升，能够高效地解决工业生产机械设备的小样本工况诊断问题，具有实际应用价值。
附图说明
附图1是本发明实施例一的方法流程整体框架图；
附图2是本发明实施例一中VGG16网络的网络结构图；
附图3是本发明实施例一中VGG式网络单元模块的结构及参数图；
附图4是本发明实施例一中VGG式网络单元模块的网络架构图；
附图5是本发明实施例一中诊断分类模型的理论训练结果示意图；
附图6是本发明实施例一中诊断分类模型在测试阶段的P-R曲线图；
附图7是本发明实施例一中诊断分类模型在测试阶段的ROC曲线图；
附图8是本发明实施例一中诊断分类模型在实际工业生产的混淆矩阵效果图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。
实施例一：
结合附图1-4，本实施例提出一种基于VGG网络的小样本示功图诊断方法，其包括如下步骤：
S1、构建VGG式网络单元模块，搭建预训练网络，具体操作如下：
S1.1、选择VGG16网络，VGG16网络结构包括5层卷积层和2层全连接层，相邻卷积层之间、卷积层和相邻全连接层之间使用池化层分开，其中，卷积层采用3x3的卷积核，池化层采用2x2的最大池化；
S1.2、在卷积核的邻层上添加1x1卷积和一个等效分支，并结合最大池化和BN正则化层，构建VGG式网络单元模块；
S1.3、将二十个VGG式网络单元模块首尾依次相连，搭建起二十层的VGG式卷积网络，该VGG式卷积网络作为预训练网络；预训练网络只有一个输入层和一个输出层；
S1.4、使用通用数据集imagenet-1k训练预训练网络，训练结束后将预训练网络的参数作为后续学习对象。
执行步骤S1.2时，参考附图3、4，其是本步骤所述VGG式网络单元模块的示意图，其略去了最大池化和正则化两部分，包括两种卷积和relu激活函数。在卷积核的邻层上添加1x1卷积和一个等效分支，此即为一个三分支网络结构。使用结构重参数化将多分支网络结构转换为单分支结构。结构重参数化方法如下：总共有三个分支，3x3卷积、1x1卷积以及等效分支。针对3x3卷积和1x1卷积的融合，其中1x1卷积不会改变特征图大小，所以不需要进行padding操作（增加各个边的像素数量）就能保证特征图大小前后一致，而3x3卷积会减小特征图，所以为了保证特征图大小不变，需要在原特征图上padding一圈。1x1卷积可以看做特殊的3x3卷积，只需要在周围都填上0,这样就可以把1x1卷积核加在3x3卷积核中间，就能完成卷积分支融合。等效分支相当于是一个特殊（以单位矩阵为卷积核）的1x1卷积，因此也是一个特殊的3x3卷积。那么现在的问题是将等效分支用一个卷积层表示，这样才有可能融合。为了保持等效前后值不变，这里选择用权重等于1的卷积核，并分开通道进行卷积，即1x1的，权重固定为1的depthwise卷积。这样相当于单独对每个通道的每个元素乘1，然后再输出来，这就是后续需要的等效操作。以上三个分支都有BN层（正则化层），推理时的卷积层和其后的BN层可转换为一个带偏置参数的卷积层。最后，将三分支得到的卷积核和偏置参数分别相加，完成等价转换为只有3x3卷积的单分支网络模型。结构重参数化的实质就是训练时的结构对应一组参数，推理时目标结构对应另一组参数,只要能把前者的参数等价转换为后者，就可以将前者的结构等价转换为后者。
S2、采用1x1卷积对预训练网络的参数进行降维，参数包括权重参数和偏置参数，学习降维后的网络参数。
本步骤采用1x1卷积来进行参数降维，以此减少参数量，相当于使用指定系数将预训练网络的卷积层映射到1x1卷积。这里解释一下1x1卷积的降维作用：所谓1x1默认是宽度和高度上的1x1，但对于高维度，其实应该是宽度和高度不变，而是channel（通道数）这个维度上降维，比如当输入为32x32x10时，1x1卷积的形式是1x1x10（只有一个卷积核的情况），此时输出为32x32x1。此时便可以体会到1x1卷积的实质作用：降维。因为一个卷积核本质上会综合全部的输入通道，然后输出一个通道。那么输出了多个通道的特征图的卷积层，本质上是由于多个卷积核各自输出了一张特征图。也就是说每个卷积核只会产生一张特征图，但是它的信息其实是采样自每一个输入通道的。当1x1卷积核的个数小于输入channels数量时，即降维。这里1x1卷积也可以看作类似全连接操作。1x1卷积内部参数类似于偏置和权重，相当于公式（1）：
公式（1），
式中，SS表示本次运算；W表示权重参数；b表示偏置参数；X表示学习的对象；ΦS1表示权重的学习系数，ΦS2表示偏置的学习系数。
S3、将五个VGG式网络单元模块首尾依次相连，搭建起五层的VGG式卷积网络，该VGG式卷积网络作为诊断分类模型；诊断分类模型只有一个输入层和一个输出层；
使用降维后预训练网络参数W和ｂ进行模型参数初始化。
S4、准备小样本示功图数据集，对数据集进行预处理。
对数据集进行的预处理操作包括：样本筛选、样本分类、样本归一化，其中样本归一化即对样本数据进行标准化，具体包括点标准化、坐标数字化和尺寸标准化。
以油田的抽油机示功图为例：
选择实际抽油井数据，包括油井相关数据、抽油杆位移、载荷随时间的变化、日产液量、最大载荷等，并通过抽油机悬点运动分析所得的位移数据和悬点载荷数据绘制出示功图；
样本筛选：总共有8134个样本，经过样本筛选中总共可以获得8000个样本；对于示功图曲线数据，基于对应工作状态的诊断结果，可以得到30种类型的样本，然而，各个类别的数据量差异很大，因此样本之间的数据不平衡问题更为严重；
样本分类：抽油机工作过程中可能存在许多问题，但主要状态类型分为五类：工作正常、供液不足、气体影响、排出漏失和吸入漏失，选择这五种类型的示功图作为理论实验的分类目标；
样本归一化：从三个方面对样本数据进行标准化：点标准化、坐标数字化和尺寸标准化。
在得到归一化数据后，根据特征点绘制示功图曲线，考虑到抽油机工作时会受到振动载荷等噪声的影响，选择滤波器来平滑曲线，将平滑后的示功图曲线供诊断分类模型后续使用。
S5、基于平滑后的示功图曲线，进行诊断分类模型训练外循环，降低诊断分类误差损失。
这一过程中，在样本数据的选择上，在元训练阶段选择5分类和5个训练样本，在元测试阶段，选择5分类和15个测试样本，训练样本和测试样本均来自平滑后示功图曲线组成的数据集；这里的元训练和元测试阶段的样本各自为5类，来自之前样本筛选后得到的30类样本，不过属于不同类别，也就是总共10个类别；元训练和元测试两个阶段的样本数据并无直接关联，但都属于机械设备的工况图，可以迁移知识。元测试阶段样本数较多是为了更好地验证分类模型的性能，避免测试结果的偶然性。外循环首先训练所有样本并优化适合于指定样本的参数。外循环是用来计算网络超参数的表现水平，这里超参数是指事先默认好的部分参数，以前由人设定，而本实施例诊断分类模型的超参数由学习得来。
本实施例具体使用元学习器进行诊断分类模型训练外循环，采用公式如下：
公式（2），
式中，θ涉及多个类别；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；β是对应参数θ的学习率，无量纲；LT是对应于任务T的误差损失，无量纲；
基于公式（2），循环迭代优化参数θ，使得θ和最佳参数θ’的误差最小。
图５为本实施例诊断分类模型的理论训练结果示意图，根据元训练阶段获得的准确率变化绘制准确率曲线图。从图中可以看出，训练阶段的精度在初始阶段可以达到最大，网络收敛速度快，优化效率高，为后续元测试阶段铺平了道路。
S6、基于预处理后的示功图曲线，进行诊断分类模型内循环，优化模型超参数，具体过程如下：
执行元学习器的梯度迭代，以获得优化后的元学习参数，也就是超参数，采用公式如下：
公式（3），
式中，θ涉及多个类别；γ是对应于该过程梯度变化的学习率，无量纲；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；LT是对应于任务T的误差损失，无量纲。
S7、进行诊断分类模型测试，得到最优的模型参数。
进行诊断分类模型测试时，测试数据来源于实际工厂机械设备的工况示功图；
取得设定张数带标签的实际示功图，作为诊断分类模型的输入，得到对应的预测结果，将预测结果与真实标签作比较，在预测结果的准确率达到设定阈值95%时，判定诊断分类模型测试合格，此时，诊断分类模型的参数即为最优参数。
图６是本实施例中诊断分类模型在测试阶段的P-R曲线图，P-R曲线的横坐标是召回率，纵坐标是精度，这有助于后续做出良好的权衡。从图中可以看出，所有类别的P-R曲线所包围的区域都相对较大，并且模型从整体上具有良好的判断错误类别的能力。这表明本发明的网络模型对于不属于某一特定类别的示功图样本的辨别能力较强。
图７是本实施例中诊断分类模型在测试阶段的ROC曲线图。ROC曲线，也称为接收机工作特性曲线。与曲线对应的纵坐标为真正例率，是预测的正样本数在实际的正样本数中所占比例。横坐标为假正例率，指的是负样本中被预测为正样本的比例。理想目标：真正例率为1，假正例率为0，即图中的点（0,1）。因此，ROC曲线越接近（0,1）点，即偏离45度对角线的距离越大越好。从图中可以看出，曲线偏离45度对角线的距离很大，这表明本文分类器的分类效果相当好。
S8、使用测试合格的诊断分类模型进行工业实例测试，指导设备工况诊断。
图8是本实施例中诊断分类模型在实际工业生产的混淆矩阵效果图。
综上可知，采用本发明的一种基于VGG网络的小样本示功图诊断方法，可以不再依赖人的经验而是允许模型自身去学习，能够实现参数优化的快速收敛和准确率的提升，能够高效地解决工业生产机械设备的小样本工况诊断问题。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于VGG网络的小样本示功图诊断方法，其特征在于，包括如下步骤：
S1、构建VGG式网络单元模块，搭建预训练网络；
S2、对预训练网络的参数进行降维，学习降维后的网络参数；
S3、构建诊断分类模型，使用降维后预训练网络参数进行模型参数初始化；
S4、准备小样本示功图数据集，对数据集进行预处理；
S5、基于预处理后的示功图曲线，进行诊断分类模型训练外循环；
S6、基于预处理后的示功图曲线，进行诊断分类模型内循环，优化模型超参数；
S7、进行诊断分类模型测试，得到最优的模型参数；
S8、使用测试合格的诊断分类模型进行工业实例测试，指导设备工况诊断。
2.根据权利要求1所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，所述步骤S1具体包括如下操作：
S1.1、选择VGG16网络，VGG16网络结构包括5层卷积层和2层全连接层，相邻卷积层之间、卷积层和相邻全连接层之间使用池化层分开，其中，卷积层采用3x3的卷积核，池化层采用2x2的最大池化；
S1.2、在卷积核的邻层上添加1x1卷积和一个等效分支，并结合最大池化和BN正则化层，构建VGG式网络单元模块；
S1.3、将二十个VGG式网络单元模块首尾依次相连，搭建起二十层的VGG式卷积网络，该VGG式卷积网络作为预训练网络；
S1.4、使用通用数据集imagenet-1k训练预训练网络，训练结束后将预训练网络的参数作为后续学习对象。
3.根据权利要求2所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S2，采用1x1卷积对预训练网络的参数进行降维，参数包括权重参数和偏置参数，降维过程涉及公式（1）：
公式（1），
式中，SS表示本次运算；W表示权重参数；b表示偏置参数；X表示学习的对象；ΦS1表示权重的学习系数，ΦS2表示偏置的学习系数。
4.根据权利要求2所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S3，将五个VGG式网络单元模块首尾依次相连，搭建起五层的VGG式卷积网络，该VGG式卷积网络作为诊断分类模型。
5.根据权利要求1所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S4，对数据集进行的预处理操作包括：样本筛选、样本分类、样本归一化，其中样本归一化即对样本数据进行标准化，具体包括点标准化、坐标数字化和尺寸标准化。
6.根据权利要求1所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S5，使用元学习器进行诊断分类模型训练外循环，采用公式如下：
公式（2），
式中，θ涉及多个类别；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；β是对应参数θ的学习率，无量纲；LT是对应于任务T的误差损失，无量纲；
基于公式（2），循环迭代优化参数θ，使得θ和最佳参数θ’的误差最小；
进行模型训练外循环的过程中，元训练阶段选择的训练样本数不超过元测试阶段选择的测试样本数。
7.根据权利要求6所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S6，执行元学习器的梯度迭代，以获得优化后的元学习参数，也就是超参数，采用公式如下：
公式（3），
式中，θ涉及多个类别；γ是对应于该过程梯度变化的学习率，无量纲；Θ为参数θ的集合；θ’对应于当前数据集中起作用的最佳参数，能通过样本标注计算出来；LT是对应于任务T的误差损失，无量纲。
8.根据权利要求1所述的一种基于VGG网络的小样本示功图诊断方法，其特征在于，执行步骤S7，进行诊断分类模型测试时，测试数据来源于实际工厂机械设备的工况示功图；
取得设定张数带标签的实际示功图，作为诊断分类模型的输入，得到对应的预测结果，将预测结果与真实标签作比较，在预测结果的准确率达到设定阈值时，判定诊断分类模型测试合格，此时，诊断分类模型的参数即为最优参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841934.3A CN117493946A (zh) | 2023-12-29 | 2023-12-29 | 一种基于vgg网络的小样本示功图诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841934.3A CN117493946A (zh) | 2023-12-29 | 2023-12-29 | 一种基于vgg网络的小样本示功图诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117493946A true CN117493946A (zh) | 2024-02-02 |
Family
ID=89676790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311841934.3A Pending CN117493946A (zh) | 2023-12-29 | 2023-12-29 | 一种基于vgg网络的小样本示功图诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493946A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
| CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学（武汉） | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
| CN114429009A (zh) * | 2022-04-07 | 2022-05-03 | 中国石油大学(华东) | 一种基于元迁移学习的小样本有杆泵井工况诊断方法 |
| CN116465628A (zh) * | 2023-03-13 | 2023-07-21 | 哈尔滨理工大学 | 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法 |
| CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及*** |
| US20230358638A1 (en) * | 2021-12-30 | 2023-11-09 | Zhejiang University City College | Aero-engine bearing fault diagnosis method based on variational mode decomposition and residual network |
-
2023
- 2023-12-29 CN CN202311841934.3A patent/CN117493946A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
| CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学（武汉） | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
| US20230358638A1 (en) * | 2021-12-30 | 2023-11-09 | Zhejiang University City College | Aero-engine bearing fault diagnosis method based on variational mode decomposition and residual network |
| CN114429009A (zh) * | 2022-04-07 | 2022-05-03 | 中国石油大学(华东) | 一种基于元迁移学习的小样本有杆泵井工况诊断方法 |
| CN116465628A (zh) * | 2023-03-13 | 2023-07-21 | 哈尔滨理工大学 | 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法 |
| CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及*** |
Non-Patent Citations (2)
| Title |
|---|
| 仲志丹;樊浩杰;李鹏辉;: "基于稀疏自编码神经网络的抽油机井故障诊断", 西安科技大学学报, no. 04, 31 July 2018 (2018-07-31) * |
| 吴魁;王仙勇;孙洁;黄玉龙;: "基于深度卷积网络的多传感器信号故障诊断方法研究", 计算机测量与控制, no. 01, 25 January 2018 (2018-01-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Ensemble transfer CNNs driven by multi-channel signals for fault diagnosis of rotating machinery cross working conditions | |
| CN109766921B (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
| 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 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN111810124B (zh) | 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法 | |
| CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
| CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及*** | |
| CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
| CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
| CN113255972A (zh) | 基于Attention机制的短临降水预测方法 | |
| CN110289987B (zh) | 基于表征学习的多智能体***网络抗攻击能力评估方法 | |
| CN114565038A (zh) | 一种基于改进胶囊网络的智能电表故障诊断方法 | |
| CN116754231A (zh) | 一种基于RegNet-SES的快速诊断滚动轴承故障方法 | |
| CN116596151A (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
| CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
| CN114879185A (zh) | 基于任务经验迁移的雷达目标智能识别方法 | |
| CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN117493946A (zh) | 一种基于vgg网络的小样本示功图诊断方法 | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
| CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 |
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 |