System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机,涉及到自监督对比学习方法在工业设备故障检测方面的应用,特别涉及一种无先验故障数据场景下的工业设备轴承故障预防性检测方法。
技术介绍
1、目前,工业设备轴承故障预防性检测存在许多挑战。在实际的工业生产中,大量的带有标签的数据信息很难获取,为了获得这些信息往往需要手工标记数据样本对应的标签,这是一个既耗时又昂贵的过程,相比之下无标记的数据往往更容易获取。此外,由于在实际工况中,大多数的工业设备都处于长期正常运行状态,相关的故障数据难以收集。因此,利用传统的深度学习方法难以在缺少标签和故障数据的情况下准确的实现工业设备轴承故障预防性检测。
技术实现思路
1、为了克服上述现有技术的缺点,本专利技术的目的在于提供一种无先验故障数据场景下的工业设备轴承故障预防性检测方法,以解决在缺乏先验故障数据时难以有效实现轴承故障预防性检测的问题。
2、为了实现上述目的,本专利技术采用的技术方案是:
3、一种无先验故障数据场景下的工业设备轴承故障预防性检测方法,包括如下步骤:
4、步骤1,获取原始轴承振动信号数据并进行预处理,使数据采样点数量一致;
5、步骤2,构建基于自监督对比学习的预训练模型,模型包括源网络和目标网络;利用步骤1预处理的数据对所述源网络和目标网络进行预训练,损失达到设定的阈值之后停止训练,得到一系列特征参数;
6、步骤3,将步骤2中获得的特征参数传递到微调模型中,初始化微调模型的参数;所述微调模型是基于改进
7、步骤4,利用实际工况下的正常数据对微调模型的参数进行调整,最终利用调整参数后的微调模型实现轴承故障预防性检测。
8、在一个实施例中,所述步骤1,原始轴承振动信号数据中包括正常数据和故障数据,数据量为百条以上,每条数据有多个采样点;所述预处理,是通过自适应滑动窗口,根据原始轴承振动信号数据的长度自适应进行数据截取,以使得截取的数据采样点数量一致。
9、在一个实施例中,所述步骤2,所述源网络为主干网络,包括强化模块一、表征模块一、投影模块一和预测模块;所述目标网络为分支网络,包括强化模块二、表征模块二和投影模块二;其中:
10、所述强化模块一,用于对一个原始轴承振动信号数据进行增强;
11、所述表征模块一,用于提取经强化模块一增强后数据的特征;
12、所述投影模块一,用于将表征模块一提取的特征进行空间映射获得低维空间特征zθ;
13、所述强化模块二,用于对所述一个原始轴承振动信号数据进行增强;
14、所述表征模块二,用于提取经强化模块二增强后数据的特征;
15、所述投影模块二,用于将表征模块二获取的特征进行空间映射获得低维空间特征zξ′;
16、所述预测模块,用于根据zθ预测投影模块二的投影结果。
17、在一个实施例中,所述强化模块一和强化模块二,随机使用高斯噪声或振幅比例的数据增强方法进行增强,且对同一个原始轴承振动信号数据,强化模块一和强化模块二使用的增强方法不同。
18、在一个实施例中,所述源网络和目标网络的表征学习均采用改进的时间卷积网络;所述表征模块一和表征模块二,使用改进的resnet 50网络,网络共有5个stage,分别为stage0、stage1、stage2、stage3和stage4;所述改进,包括:
19、将resnet 50中stage0部分原本的全局池化层替换为自适应全局池化层;使用层归一化替换stage1~stage4中的批量归一化;将stage1~stage4的性输出层替换为两层非线性输出层。
20、在一个实施例中,所述投影模块一和投影模块二,使用多层感知机实现非线性特征的分离。
21、在一个实施例中,所述源网络与目标网络的参数权重不同;源网络随每一次训练更新其权重,目标网络使用源网络参数的指数移动平均进行更新。
22、在一个实施例中,所述源网络和目标网络的参数预先经过初始化;每次训练时,源网络均需要预测目标网络的投影结果,预测模块根据zθ进行预测,得到预测结果qθ(zθ)和目标网络停止梯度结果sg(z′ξ);之后采用均方误差(mse)进行损失计算以更新模型。
23、在一个实施例中,所述微调模型分为5个stage,其中stage0用于对输入进行预处理,stage1由btnk1、btnk2、btnk2组成,stage2由btnk1、btnk2、btnk2、btnk2组成,stage3由btnk1、btnk2、btnk2组成,stage4由btnk1、btnk2、btnk2、btnk2、btnk2、btnk2组成,其中btnk2的输入与输出通道数相同,btnk1的输入与输出通道数不同。
24、在一个实施例中,所述步骤3,初始化微调模型的参数,是指将从预训练模型获取的源网络的参数传递到微调模型,令微调模型的参数初始值为获得的传递参数。
25、在一个实施例中,所述步骤4,将少量经过预处理的正常数据作为输入数据,输入到微调模型中进行学习,对初始化的参数进行微调,所述少量,是指与用于预训练的数据量的比例为1:80以下。
26、本专利技术中使用自监督对比学习的预训练模型获得与轴承相关的振动信号数据的一致性特征,之后传递特征参数,使用微调模型学习实际工况下的特征,从而更快地实现模型的训练,并且能够在无先验故障数据的情况下实现轴承预防性检测。
本文档来自技高网...【技术保护点】
1.一种无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述步骤1,原始轴承振动信号数据中包括正常数据和故障数据,数据量为百条以上,每条数据有多个采样点;所述预处理,是通过自适应滑动窗口,根据原始轴承振动信号数据的长度自适应进行数据截取,以使得截取的数据采样点数量一致。
3.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述步骤2,所述源网络为主干网络,包括强化模块一、表征模块一、投影模块一和预测模块;所述目标网络为分支网络,包括强化模块二、表征模块二和投影模块二;其中:
4.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述强化模块一和强化模块二,随机使用高斯噪声或振幅比例的数据增强方法进行增强,且对同一个原始轴承振动信号数据,强化模块一和强化模块二使用的增强方法不同。
5.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性
6.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述投影模块一和投影模块二,使用多层感知机实现非线性特征的分离。
7.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述源网络与目标网络的参数权重不同;源网络随每一次训练更新其权重,目标网络使用源网络参数的指数移动平均进行更新,表示为:
8.根据权利要求3或4或5或6所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述源网络和目标网络的参数预先经过初始化;每次训练时,源网络均需要预测目标网络的投影结果,预测模块根据zθ进行预测,得到预测结果qθ(zθ)和目标网络停止梯度结果sg(zξ′);之后采用均方误差(MSE)进行损失计算以更新模型,总损失函数为:
9.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述微调模型分为5个stage,其中stage0用于对输入进行预处理,Stage1由BTNK1、BTNK2、BTNK2组成,Stage2由BTNK1、BTNK2、BTNK2、BTNK2组成,Stage3由BTNK1、BTNK2、BTNK2组成,Stage4由BTNK1、BTNK2、BTNK2、BTNK2、BTNK2、BTNK2组成,其中BTNK2的输入与输出通道数相同,BTNK1的输入与输出通道数不同。
10.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述步骤3,初始化微调模型的参数,是指将从预训练模型获取的源网络的参数传递到微调模型,令微调模型的参数初始值为获得的传递参数,所述步骤4,将少量经过预处理的正常数据作为输入数据,输入到微调模型中进行学习,对初始化的参数进行微调,所述少量,是指与用于预训练的数据量的比例为1:80以下。
...【技术特征摘要】
1.一种无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述步骤1,原始轴承振动信号数据中包括正常数据和故障数据,数据量为百条以上,每条数据有多个采样点;所述预处理,是通过自适应滑动窗口,根据原始轴承振动信号数据的长度自适应进行数据截取,以使得截取的数据采样点数量一致。
3.根据权利要求1所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述步骤2,所述源网络为主干网络,包括强化模块一、表征模块一、投影模块一和预测模块;所述目标网络为分支网络,包括强化模块二、表征模块二和投影模块二;其中:
4.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述强化模块一和强化模块二,随机使用高斯噪声或振幅比例的数据增强方法进行增强,且对同一个原始轴承振动信号数据,强化模块一和强化模块二使用的增强方法不同。
5.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述源网络和目标网络的表征学习均采用改进的时间卷积网络;所述表征模块一和表征模块二,使用改进的resnet 50网络,网络共有5个stage,分别为stage0、stage1、stage2、stage3和stage4;所述改进,包括:
6.根据权利要求3所述无先验故障数据场景下的工业设备轴承故障预防性检测方法,其特征在于,所述投影模块一和投影模块二,使用多层感知机实现非线性特征的分离。
7.根据权利要求...
【专利技术属性】
技术研发人员:许志伟,王婧,尹德辉,
申请(专利权)人:北京崇实允升科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。