Nothing Special   »   [go: up one dir, main page]

CN111353373B - 一种相关对齐域适应故障诊断方法 - Google Patents

一种相关对齐域适应故障诊断方法 Download PDF

Info

Publication number
CN111353373B
CN111353373B CN201911202315.3A CN201911202315A CN111353373B CN 111353373 B CN111353373 B CN 111353373B CN 201911202315 A CN201911202315 A CN 201911202315A CN 111353373 B CN111353373 B CN 111353373B
Authority
CN
China
Prior art keywords
domain
data
source
training
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.)
Active
Application number
CN201911202315.3A
Other languages
English (en)
Other versions
CN111353373A (zh
Inventor
安晶
黄曙荣
李青祝
刘聪
刘大琨
姚俊虎
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN201911202315.3A priority Critical patent/CN111353373B/zh
Publication of CN111353373A publication Critical patent/CN111353373A/zh
Application granted granted Critical
Publication of CN111353373B publication Critical patent/CN111353373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种相关对齐域适应故障诊断方法，包括步骤，采集轴承源振动数据，并将其划分训练样本和测试样本；训练模型，确定模型参数；故障诊断；其中，所述源振动数据包括无标签的目标数据和有标签的源域数据；所述采集轴承源振动数据通过传感器获取；其中，所述传感器为加速传感器本方法结合黎曼度量相关对齐和一维卷积神经网络(RMCA‑1DCNN)的无监督域自适应轴承故障诊断模型，源域和目标域中特定激活层的二阶统计对齐被认为是一个正则化项，并嵌入到深卷积神经网络结构中以补偿域移位，在CWRU轴承数据集上的实验结果表明，该方法具有较强的故障识别能力和域不变性，提高了诊断的性能。

Description

一种相关对齐域适应故障诊断方法
技术领域
本发明涉及轴承故障诊断技术领域，特别是一种相关对齐域适应故障诊断方法。
背景技术
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助；它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据；深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习技术在故障诊断中得到了广泛的应用；然而，在许多实际的故障诊断应用中，由于工作环境的频繁变化，有标记的训练数据(源域)和无标记的测试数据(目标域)具有不同的分布，从而导致性能下降。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有相关对齐域适应故障诊断方法存在的故障诊断的性能下降问题，提出了本发明。
因此，本发明目的是提供一种相关对齐域适应故障诊断方法。
为解决上述技术问题，本发明提供如下技术方案：一种相关对齐域适应故障诊断方法，包括步骤，
采集轴承源振动数据，并将其划分训练样本和测试样本；
构建RMCA-1DCNN模型，训练模型，确定模型参数；
故障诊断；
其中，所述源振动数据包括无标签的目标数据和有标签的源域数据。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述采集轴承源振动数据通过传感器获取；
其中，所述传感器为加速传感器。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述采集轴承源振动数据，并将其划分训练样本和测试样本包括步骤：
通过传感器采集轴承振动信号；
将采集的振动信号转化为源振动数据，并将其分为无标签的目标数据和有标签的源域数据；
其无标签目标数据的目标域测试数据作为测试样本；
将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：构建RMCA-1DCNN模型，训练模型，确定模型参数的包括步骤：
构建RMCA-1DCNN模型；
初始化参数；
将训练样本带入模型进行训练，并完成训练，确定模型参数。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述将训练样本带入模型进行训练，并完成训练，确定模型参数的步骤包括：
计算全连接层的LRMCA和分类层交叉熵损失函数LCLASS，定义损失函数；
对损失函数进行优化，并更新每个参数；
是否满足迭代条件；
若否，继续计算；
若是，完成完成训练，确定模型参数。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述损失函数L为：
L＝LCLASS+αLRMCA
＝H(XS,YS)+αLlog(Cs,CT)
其中，LCLASS表示有标签的源域数据的分类损失，LRMCA表示源域特征和目标域特征二阶统计量的log-E距离，α表示超参数，H(XS,YS)表示源域数据上的交叉熵，其有标签的源域数据的分类损失LCLASS为源域数据上的交叉熵H(XS,YS)。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述源域数据上的交叉熵H(XS,YS)为：
其中，n为样本数目，θ为网络参数值，对每个样本为实际标签值，/>为网络预测值。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述损失函数的优化基于优化算法实现。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：故障诊断的包括步骤：
将测试样本输入到训练完成的RMCA-1DCNN模型；
输出目标域诊断结果。
作为本发明所述相关对齐域适应故障诊断方法的一种优选方案，其中：所述训练样本采用部分重叠的方式分割训练样本，获取增加训练样本数。
本发明的有益效果：本方法结合黎曼度量相关对齐和一维卷积神经网络(RMCA-1DCNN)的无监督域自适应轴承故障诊断模型，源域和目标域中特定激活层的二阶统计对齐被认为是一个正则化项，并嵌入到深卷积神经网络结构中以补偿域移位，在CWRU轴承数据集上的实验结果表明，该方法具有较强的故障识别能力和域不变性，提高了诊断的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明相关对齐域适应故障诊断方法的训练样本叠采样示意图。
图2为本发明相关对齐域适应故障诊断方法的MCA-1DCNN架构示意图。
图3为本发明相关对齐域适应故障诊断方法的不同算法对六种域转移场景中准确率结果示意图。
图4为本发明相关对齐域适应故障诊断方法的流程示意图。
图5为本发明相关对齐域适应故障诊断方法的基于t-sne的特征可视化示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1，提供了一种相关对齐域适应故障诊断方法的整体结构示意图，如图1，一种相关对齐域适应故障诊断方法包括步骤：
S1：采集轴承源振动数据，并将其划分训练样本和测试样本；
S2：构建RMCA-1DCNN模型，训练模型，确定模型参数；
S3：故障诊断。
本方法结合黎曼度量相关对齐和一维卷积神经网络(RMCA-1DCNN)的无监督域自适应轴承故障诊断模型，源域和目标域中特定激活层的二阶统计对齐被认为是一个正则化项，并嵌入到深卷积神经网络结构中以补偿域移位，在CWRU轴承上的实验结果表明，该方法具有较强的故障识别能力和域不变性，提高了诊断的性能。
具体的，如图4所示，本发明主体结构包括步骤，
S1：采集轴承源振动数据，并将其划分训练样本和测试样本；其中，采集轴承源振动数据通过传感器获取，本实施例中，传感器为加速传感器，需说明，源振动数据包括无标签的目标数据和有标签的源域数据。
进一步的，采集轴承源振动数据，并将其划分训练样本和测试样本包括步骤：
S11：通过传感器采集轴承振动信号；
S12：将采集的振动信号转化为源振动数据，并将其分为无标签的目标数据和有标签的源域数据；
S13：其无标签目标数据的目标域测试数据作为测试样本，将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。
较好的，为了增加训练样本数来提高网络的泛化性能，考虑到振动信号的一维性，训练样本采用部分重叠的方式分割训练样本，获取增加训练样本数，如图1所示，采用连续的2048个点作为一个样本，将其偏移一定数量作为第二个样本。
S2：构建RMCA-1DCNN模型，训练模型，确定模型参数；其中，训练模型，确定模型参数的包括步骤：
S21：构建RMCA-1DCNN模型，如图2所示；具体的过程，采用1DCNN作为主架构，模型在分类器之前加入黎曼度量相关对齐损失(LRMCA)的域适应层。
进一步的，如图3所示，在训练过程中，将标记的源数据和未标记的目标数据分别输入RMCA-1DCNN模型；然后，通过多个卷积和池化层提取原始振动信号的域不变特征；在全连接层进行分布差异的最小化，相关对齐可以并行地在多个层上执行，经验证据表明，即使这种对齐只进行一次，也可以获得可靠的性能，一般在最后一个全连接层之后进行相关对齐。
本模型中结合源特征分类损失和最后一个全连接层中两个域特征之间的二阶统计量损失进行联合训练，可以将源域中的学习表示应用于目标域，同时有效地提取域不变特征，提高了跨域测试的性能。
需说明的是，加速度传感器采集的轴承振动信号为一维，故采用一维卷积神经网络(1DCNN)处理振动信号，通过一维卷积神经网络来处理轴承故障诊断，其中，网络结构由卷积层、池化层、一个全连接层和一个Softmax分类层组成；其第一层卷积核采用宽核，以获得更大的接受域，自动学习有用的特征；其余卷积核采用小核，有利于加深网络并抑制过拟合，其参数设置如表1所示；池化类型为max pooling，激活函数为ReLU，采用Adam随机优化算法对模型进行训练，学习率设为1e-3，其中，Softmax是基于源域训练样本获得，相关对齐损失是基于源域训练样本和目标域训练样本两个域数据获得。
表11DCNN结构的详细信息
号码 网络层 核大小 步长 核数目 输出大小 零补
1 卷积层1 32×1 8×1 32 256×32 Yes
2 池化层1 2×1 2×1 32 128×32 No
3 池化层2 3×1 2×1 32 64×32 Yes
4 池化层2 2×1 2×1 32 32×32 No
5 卷积层3 3×1 2×1 64 16×64 Yes
6 池化层3 2×1 2×1 64 8×64 No
7 卷积层4 3×1 1×1 64 4×64 Yes
8 池化层4 2×1 2×1 64 2×64 No
9 全连接层 64 1 64×1
10 分类层 10 1
S22：初始化参数；其中，参数包括权值和偏置，权值和偏置可初始化为高斯分布；
S23：将训练样本带入模型进行训练，并完成训练，确定模型参数。进一步的，将训练样本带入模型进行训练，并完成训练，确定模型参数的步骤包
S231：计算全连接层的LCLASS和分类层交叉熵损失函数LRMCA，定义损失函数；
S232：对损失函数进行优化，并更新每个参数，需说明的是，损失函数的优化基于优化算法实现，更新参数也是更新网络的权值和偏置，作为优选方案，采用Adam优化算法实现；
S233：是否满足迭代条件；若否，继续计算；若是，完成训练，确定模型参数。
其中，损失函数L为：
L＝LCLASS+αLRMCA
＝H(XS,YS)+αLlog(Cs,CT)
其中，LCLASS表示有标签的源域数据的分类损失，LRMCA表示源域特征和目标域特征二阶统计量的log-E距离Llog(CS,CT)，α表示超参数，H(XS,YS)表示源域数据上的交叉熵，把两种损失结合起来考虑，既学习好的特征分类，又反映了目标域的统计结构，同时防止过拟合。
其中，其有标签的源域数据的分类损失LRMCA为源域数据上的交叉熵H(XS,YS)，具体的，源域数据上的交叉熵H(XS,YS)为：
式中，n为样本数目，θ为网络参数值，对每个样本为实际标签值，/>为网络预测值；
需说明的是，上式中，代表源域数据集合，样本数为NS，/>表示样本标签值集合，y∈{1,…,L}，目标域数据/>样本数为Nt；
进一步的，在计算RMCA-1DCNN网络特定层的激活时，AS和AT分别是源域和目标域中按列存放的d维激活特征，CS和CT分别是源特征和目标特征的协方差矩阵，源特征和目标特征的协方差矩阵CS和CT为：
式中，P是中心矩阵，以源域为例，P是NS×NS的矩阵，第i，j个元素的值为：
为了最小化源特征和目标特征的二阶统计量(协方差)之间的距离，定义相关对齐(简称为Coral)损失为：
其中，表示矩阵范数的平方。
进一步的，考虑协方差矩阵是对称正定矩阵，不属于向量空间，而属于黎曼空间，黎曼空间中欧式距离是次优的，Log-Euclidean度量是一个黎曼度量更能捕捉流形结构；基于Log-Euclidean度量重新定义Coral损失如下:
其中，U和V是分别使协方差矩阵CS和CT对角化的矩阵，σi和ui(i＝1,...,d)，是相应的特征值；归一化项使得loss与特征大小无关。
S3：故障诊断；其中，故障诊断的包括步骤：
S31：将测试样本输入到训练完成的RMCA-1DCNN模型；
S32：输出目标域诊断结果，其中，诊断结果为故障类别。
实施例2
为了验证所提方法的有效性和可行性，轴承试验装置包括一台电机、一个扭矩传感器、一个功率测试计和电子控制器，电机驱动端和风扇端的轴承座上各放置一个加速度传感器，试验采用的数据是通过在电机驱动端轴承座上方放置的加速度传感器采集得到，采样频率包括12KHz和48KHz两种，分别在4种不同的负荷(0-3HP)下采集得到；此轴承试验系统模拟了轴承的正常状态(N)、外圈故障(OF)、内圈故障(IF)和滚动体故障(RF)4种类型，且每种故障类型都有3种故障程度，包含损伤直径0.007inch、0.014inch、0.021inch，即可得到10种健康状态。
本实例选用滚动轴承驱动端采样频率为12kHz的不同故障位置及不同健康状态振动信号进行试验研究，数据集的详细描述如表2所示，其中，三个数据集是在1、2、3HP的三种负荷下获得的；每个数据集包含训练样本和测试样本，每个样本包含2048个数据点，采用叠采样技术来增加训练的数量，但测试集样本没有重叠，故每个数据集包含10个类别的6600个训练样本和250个测试样本。
表2 12kHz驱动端轴承数据集的参数
为了测试本发明的域适应性能，在仿真平台中进行实验，其美国凯斯西储大学轴承数据集，A->B表示数据集A为源域，数据集B为目标域，其余以此类推，故对于数据集A、B、C来说，共有6种域适应问题。
将本发明提出的算法和SVM、Multi-Layer Perceptron(MLP)、Deep NeuralNetwork(DNN),Deep Convolutional Neural Networks with Wide First layer Kernels(WDCNN)、WDCNN+Adaptive Batch Normalization(AdaBN)、Adversarial Adaptive modelbased on 1-DCNN(A2CNN)进行对比实验，最终所得的准确率的实验结果如图3所示，实际应用中，可以根据需要而将上述方法运用于不同的场景进行实验分析。
可以看出，RMCA-1DCNN方法的平均性能优于A2CNN和其他5种基线方法，在所有的域转移场景中都达到了最高的域适应准确率。
如图3所示，SVM、MLP、DNN方法在域适应中性能较差，在六种场景中的平均精度分别为66.63％，80.40％，78.05％，证明了不同工况下的样本分布情况确实不同，在一种工况下训练的模型不适合另一种工况下的故障诊断和预测。
与WDCNN(Adabn)、A2CNN相比，本方法达到了99.33％的平均精度，很明显高于WDCNN(Adabn)和A2CNN方法，实验结果表明了本方法学到的特征不仅具有足够的判别性来训练强分类器，而且对源域样本和目标域样本之间的差异保持不变；值得注意的是，在域转移场景A->B，A-C，B->C，C->B中，RMCA-1DCNN方法故障诊断精度达到了最优准确率100％；在域转移场景B->A时，所提MECA方法和A2CNN方法接近，比A2CNN低0.18％，远优于SVM、MLP、DNN等方法。
结果表明，RMCA-1DCNN方法在解决轴承数据不同负载导致的域适应问题中效果显著。
实施例3
针对每种故障检测类型，为了进一步分析所提出的RMCA-1DCNN模型的灵敏度，本方法又引入了三个新的评价指标，分别是Precision(精度)、Recall(召回率)和F值，精度也称为查准率，召回率也称为查全率。
在故障诊断多分类问题中，针对每种故障类别c其定义分别为：
精度(c)＝TP/TP+FP
召回率(c)＝TP/TP+FN
其中，真阳性(TP)表示正确标识为故障类别c的数量，假阳性(FP)表示错误标识为故障类别c的数量，假阴性(FN)表示错误标识为不属于c的故障数量，即没有被正确标签的故障数量。
故障类别c精度为1，表示每个样本标记为属于某个故障类c时，确实属于某个类，即没有假警报，但其不能告诉我们关于故障类别c没有分类正确的样本的数量(如丢失多少失败？)。
故障类别c召回率为1表示属于故障类别c的每一项都被预测为属于类f(即没有失踪报警),但没有给出有多少其余样本被错误分类为类f(即有多少假警报？)。
定义F值作为诊断情况分析的参考，F值的计算方法如下：
F值表示精度与召回率的几何加权平均，α为权重，将α置为1，表示精度与召回率一样重要；当α＞1时表示精度比较重要，当α＜1时表示召回率比较重要；本文将α置为1，F值越接近1代表故障检测效果越好；这种评价方法考虑了精度和召回率，解决了非同量级数值相加时代数与数值较大的数接近的影响。
表3为RMCA-1DCNN方法中每种故障类型的精度、召回率和F值
在表3中，针对第一类错误(即当滚动体故障尺寸为0.007inch时)，RMCA-1DCNN方法在域转移场景C->A和B->A的域适应精度较低，分别为83％和89％，表示约有15％的故障警报是不可靠的。
对于第三类故障(即滚体故障尺寸为0.021inch)，RMCA-1DCNN方法在域转移场景C->A和B->A的召回率较低，都为80％；这意味着有20％大量此类故障没有被检测到。
从F值来看，对于第一类故障，域转移场景C->A和B->A的F值分别为0.9091和0.9434；对于第三类故障，域转移场景C->A和B->A的F值都为0.8889；对于第四类故障，域转移场景B->A的F值为0.9615；其余F值全为1。
总的来说，RMCA-1DCNN方法的精度、召回率和F值都较高，说明其虚报率和漏报率较低，除了第一类故障、第三类故障和第四类故障类型外，RMCA-1DCNN方法将所有类别都划分为正确的类，结果表明，经过黎曼度量相关对齐后，分类器的分类性能有了显著的提高。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种相关对齐域适应故障诊断方法，其特征在于：包括步骤，
采集轴承源振动数据，并将其划分训练样本和测试样本；
构建RMCA-1DCNN模型，训练模型，确定模型参数；
故障诊断；
其中，所述源振动数据包括无标签的目标数据和有标签的源域数据；
所述构建RMCA-1DCNN模型，训练模型，确定模型参数的步骤包括：
构建RMCA-1DCNN模型；
初始化参数；
将训练样本带入模型进行训练，并完成训练，确定模型参数；
所述将训练样本带入模型进行训练，并完成训练，确定模型参数的步骤包括：
计算全连接层的LRMCA和分类层交叉熵损失函数LCLASS，定义损失函数；
对损失函数进行优化，并更新每个参数；
是否满足迭代条件；
若否，继续计算；
若是，完成训练，确定模型参数；
所述损失函数L为：
L＝LCLASS+αLRMCA
＝H(XS,YS)+αLlog(Cs,CT)
其中，LRMCA表示源域特征和目标域特征二阶统计量的log-E距离，α表示超参数，CS和CT分别是源特征和目标特征的协方差矩阵，H(XS,YS)表示源域数据上的交叉熵；
所述源特征和目标特征的协方差矩阵CS和CT为：
其中，P是中心矩阵，在计算RMCA-1DCNN网络特定层的激活时，AS和AT分别是源域和目标域中按列存放的d维激活特征；
所述源域数据上的交叉熵H(XS,YS)为：
式中，n为样本数目，θ为网络参数值，对每个样本 为实际标签值，/>为网络预测值；
需说明的是，上式中，代表源域数据集合，样本数为NS，/>表示样本标签值集合，y∈{1,…,L}，目标域数据/>样本数为Nt。
2.如权利要求1所述的相关对齐域适应故障诊断方法，其特征在于：所述采集轴承源振动数据通过传感器获取；
其中，所述传感器为加速传感器。
3.如权利要求1或2所述的相关对齐域适应故障诊断方法，其特征在于：所述采集轴承源振动数据，并将其划分训练样本和测试样本包括步骤：
通过传感器采集轴承振动信号；
将采集的振动信号转化为源振动数据，并将其分为无标签的目标数据和有标签的源域数据；
其无标签目标数据的目标域测试数据作为测试样本；
将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。
4.如权利要求3所述的相关对齐域适应故障诊断方法，其特征在于：所述损失函数的优化基于优化算法实现。
5.如权利要求1或2所述的相关对齐域适应故障诊断方法，其特征在于：故障诊断的步骤包括：
将测试样本输入到训练完成的RMCA-1DCNN模型；
输出目标域诊断结果。
6.如权利要求5所述的相关对齐域适应故障诊断方法，其特征在于：
所述训练样本采用部分重叠的方式分割训练样本，获取增加训练样本数。
CN201911202315.3A 2019-11-29 2019-11-29 一种相关对齐域适应故障诊断方法 Active CN111353373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911202315.3A CN111353373B (zh) 2019-11-29 2019-11-29 一种相关对齐域适应故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911202315.3A CN111353373B (zh) 2019-11-29 2019-11-29 一种相关对齐域适应故障诊断方法

Publications (2)

Publication Number Publication Date
CN111353373A CN111353373A (zh) 2020-06-30
CN111353373B true CN111353373B (zh) 2023-08-04

Family

ID=71195594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911202315.3A Active CN111353373B (zh) 2019-11-29 2019-11-29 一种相关对齐域适应故障诊断方法

Country Status (1)

Country Link
CN (1) CN111353373B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113310689B (zh) * 2021-05-27 2022-07-12 西安交通大学 基于域自适应图卷积网络的航发传动系统故障诊断方法
CN113268833B (zh) * 2021-06-07 2023-07-04 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN113469230B (zh) * 2021-06-17 2023-07-07 北京信息科技大学 一种转子系统深度迁移故障诊断方法、系统及介质
CN113495550B (zh) * 2021-06-30 2022-10-28 北京空间飞行器总体设计部 一种基于黎曼度量的航天器故障检测方法
CN113342476B (zh) * 2021-07-05 2023-04-07 中山大学 一种基于迁移学习的设备集群跨域故障预测方法及系统
CN113554075A (zh) * 2021-07-12 2021-10-26 安徽容知日新科技股份有限公司 生成故障分类模型的方法及确定旋转设备故障类型的方法
CN114330439B (zh) * 2021-12-28 2023-04-07 盐城工学院 一种基于卷积神经网络的轴承诊断方法
CN114742122A (zh) * 2022-02-25 2022-07-12 中国科学院自动化研究所 设备故障诊断方法、装置、电子设备以及存储介质
CN117290732B (zh) * 2023-11-24 2024-03-01 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置
CN118101413B (zh) * 2024-04-25 2024-07-23 中国电建集团江西省电力设计院有限公司 基于神经网络的数据通信网设备故障诊断方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188822A (zh) * 2019-05-30 2019-08-30 盐城工学院 一种域对抗自适应一维卷积神经网络智能故障诊断方法
CN110186680A (zh) * 2019-05-30 2019-08-30 盐城工学院 一种对抗判别域适应一维卷积神经网络智能故障诊断方法
CN110210381A (zh) * 2019-05-30 2019-09-06 盐城工学院 一种域分离自适应一维卷积神经网络智能故障诊断方法
CN110346142A (zh) * 2019-07-25 2019-10-18 哈尔滨理工大学 基于无监督特征对齐的变负载下滚动轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188822A (zh) * 2019-05-30 2019-08-30 盐城工学院 一种域对抗自适应一维卷积神经网络智能故障诊断方法
CN110186680A (zh) * 2019-05-30 2019-08-30 盐城工学院 一种对抗判别域适应一维卷积神经网络智能故障诊断方法
CN110210381A (zh) * 2019-05-30 2019-09-06 盐城工学院 一种域分离自适应一维卷积神经网络智能故障诊断方法
CN110346142A (zh) * 2019-07-25 2019-10-18 哈尔滨理工大学 基于无监督特征对齐的变负载下滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的行人检测技术研究进展;黄同愿等;《重庆理工大学学报(自然科学)》;20190415(第04期);全文 *

Also Published As

Publication number Publication date
CN111353373A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111353373B (zh) 一种相关对齐域适应故障诊断方法
Deng et al. What does rotation prediction tell us about classifier accuracy under varying testing environments?
CN110940523B (zh) 一种无监督域适应故障诊断方法
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN109800811B (zh) 一种基于深度学习的小样本图像识别方法
Yeganejou et al. Interpretable deep convolutional fuzzy classifier
WO2022095645A1 (zh) 基于内存增强潜在空间自回归的图像异常检测方法
US20180024968A1 (en) System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization
CN110210381A (zh) 一种域分离自适应一维卷积神经网络智能故障诊断方法
JP7139749B2 (ja) 画像認識学習装置、画像認識装置、方法、及びプログラム
CN111695611B (zh) 一种蜂群优化核极限学习和稀疏表示机械故障识别方法
CN110188827A (zh) 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN114780767B (zh) 一种基于深度卷积神经网络的大规模图像检索方法及系统
CN115526847A (zh) 一种基于半监督学习的主板表面缺陷检测方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN116206227B (zh) 5g富媒体信息的图片审查系统、方法、电子设备及介质
Chou et al. SHM data anomaly classification using machine learning strategies: A comparative study
Lu et al. Boosting few-shot image recognition via domain alignment prototypical networks
CN116977725A (zh) 一种基于改进卷积神经网络的异常行为识别方法及装置
CN113762151B (zh) 一种故障数据处理方法、系统及故障预测方法
CN116775423A (zh) 用于集群故障预测的方法
CN112949344A (zh) 一种用于异常检测的特征自回归方法
CN114758272A (zh) 基于频域自注意力的伪造视频检测方法
CN114861778A (zh) 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法
CN114118146A (zh) 一种基于信念规则库的滚动轴承故障诊断方法及系统

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