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】
本专利技术属于机械,具体涉及一种轴承跨工况故障诊断方法。可用于机械设备的维护。
技术介绍
1、机械设备是生产过程中不可或缺的部分,其异常情况的出现往往会导致设备不能正常运行,对行业的安全生产造成巨大威胁。轴承作为影响旋转机械设备能否稳定运行的主要零部件之一,其工作环境复杂多变,在设备运行时容易受到外界冲击、温度、腐蚀等方面的影响,致使轴承出现疲劳剥落,磨损和胶合等问题,机械设备各个零部件之间紧密连接,往往存在相互作用的关系,一个轴承出现异常且未被及时发现进行处理,很有可能导致整个机械设备的运作异常。因此轴承方面的实时检测和故障诊断技术可以提前进行机械设备的维护,确保设备的可靠性和可用性实现生产的连续性,对生产过程中提高生产力、降低生产成本、增强安全性具有重要意义。
2、传统对轴承的故障诊断主要采用基于深度学习和迁移学习的方法,这两种方法在训练过程中往往都需要足够的训练数据,才能取得好的故障诊断结果。而现实生活中,许多机械设备由于工况环境复杂、运行状态多变以及信号难以直接测量等问题,且通常情况下为降低维护成本,保证安全,不允许机械设备在故障状态下运行,因此机械设备中轴承的故障数据难以获得,进而导致新工况下基于深度学习和迁移学习方法来构建轴承故障诊断模型面临无故障数据可用的挑战。
3、现阶段针对新工况下故障数据缺失的故障诊断问题的探索,大多数学者都通过一些先验辅助信息来进行训练,以取得较好的故障诊断结果。
4、liangjun feng等作者在ieee transactions on indust
5、haixin lv等作者在applied soft computing上发表的论文“hybrid attributeconditional adversarial denoising autoencoder for zero-shot classification ofmechanical intelligent fault diagnosis”提出了一种混合属性条件对抗去噪自编码网络cadae,用于对机械故障诊断的零样本分类。该cadae网络包括编码器、生成器和鉴别器。编码器可以将损坏的输入数据编码为隐藏向量,生成器用于重构隐藏向量,应用一个鉴别器来控制隐藏向量的数据分布,以便将输入数据编码成特定的数据分布。另外,用混合属性作为条件信息来控制cadae重构过程,训练后的cadae在混合属性的控制下生成缺失类样本,用于对缺失类分类器进行训练。
6、上述这两种方法虽说借助先验辅助信息的方法面向新工况下故障数据缺失的故障诊断问题取得了一定的效果,但由于过分依赖人为定义的先验辅助信息生成缺失类样本,训练分类器进行故障诊断,因而在面对复杂工况时存在属性表示不充分、属性关系难以建模、类别区分困难等问题,导致诊断性能不足,模型精度下降。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足,提出一种无故障样本的轴承跨工况故障诊断方法,以避免对人为先验辅助信息的利用,通过从已有工况的数据中学习不同工况下同一个类别之间的关系,提高对故障的诊断精度。
2、为实现上述目的,本专利技术的技术方案包括如下步骤:
3、(1)数据预处理:
4、获取源域和目标域的每个类别的数据,并将源域的所有类别的数据和目标域的健康类别的数据组成训练样本集用目标域的所有类别的数据组成测试样本集
5、对划分后的两个样本集依次进行快速傅里叶变换和归一化处理,将样本从时域转换到频域,得到预处理后的训练数据集和测试数据集
6、(2)对每个源域的故障类别,构建健康-故障类别关系模型:
7、2a)将现有的编码器、解码器串联组成稀疏自编码器;
8、2b)在解码器之前添加全连接层形成生成器g,在编码器之后添加一个输出层形成判别器d,将生成器g和判别器d串联组成稀疏约束的生成对抗网络;
9、2c)用稀疏自编码器和稀疏约束的生成对抗网络组成健康-故障类别关系模型;
10、(3)基于训练数据,采用反向传播法对健康-故障类别关系模型进行训练,得到训练好的健康-故障类别关系模型;
11、(4)将训练数据集中目标健康类别数据输入到训练好的类别关系模型中的生成器g,生成目标域缺失的故障数据集
12、(5)构建由特征提取网络fg、源域分类器串联组成的基于迁移学习的故障诊断模型;
13、(6)基于训练数据集和生成的目标域缺失故障数据采用adam优化算法训练基于迁移学习的故障诊断模型;
14、(7)将测试数据集输入到训练好的故障诊断模型中,得到故障诊断的分类结果。
15、本专利技术与现有技术相比,具有如下优点:
16、其一,本专利技术在新工况故障数据缺失的情况下,通过在已知工况中构建健康-故障类别关系模型来学习健康状态与故障状态之间的关系,补充新工况缺失的故障数据集,避免了现有技术采用先验辅助信息生成数据质量差的缺陷,有效提高了补充数据的质量;
17、其二,本专利技术在故障诊断模型的构建中,通过减小mmd损失和分类损失来减小生成数据和已知工况数据之间的分布差异,使得提取的特征具有更强的泛化能力,有效的提高了故障诊断模型的诊断能力;
本文档来自技高网...【技术保护点】
1.一种无故障样本的轴承跨工况故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中对划分后的训练样本集和测试样本集依次进行快速傅里叶变换和归一化处理,实现如下:
3.根据权利要求1所述的方法,其特征在于,步骤2b)中构成生成对抗网络的,其结构为:第一全连接层→第一隐藏层→输出层→输入层→第二隐藏层→第二全连接层,其中:
4.根据权利要求1所述的方法,其特征在于,步骤(3)中基于训练数据,采用反向传播法对健康-故障类别关系模型进行训练,实现如下:
5.根据权利要求1所述的方法,其特征在于,步骤(4)生成的目标域缺失故障数据集表示如下:
6.根据权利要求1所述的方法,其特征在于,步骤5)构成故障诊断模型的特征提取网络Fg和源域分类器其结构参数如下:
7.根据权利要求1所述的方法,其特征在于,步骤(6)中基于训练数据集和生成的目标域缺失故障数据采用Adam优化算法训练基于迁移学习的故障诊断模型,实现如下:
【技术特征摘要】
1.一种无故障样本的轴承跨工况故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中对划分后的训练样本集和测试样本集依次进行快速傅里叶变换和归一化处理,实现如下:
3.根据权利要求1所述的方法,其特征在于,步骤2b)中构成生成对抗网络的,其结构为:第一全连接层→第一隐藏层→输出层→输入层→第二隐藏层→第二全连接层,其中:
4.根据权利要求1所述的方法,其特征在于,步骤(3)中基于训练...
【专利技术属性】
技术研发人员:王奇斌,刘妮,徐锟,黄乃宁,徐名亮,
申请(专利权)人:西安电子科技大学,
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。