文章目录
Preface
轴承未知复合故障诊断方法研究
为了解决从单故障数据中学习并对未知复合故障进行分类的问题,本文引入了一种在特征和语义之间共享的中间层嵌入方法。贡献:
1)提出了一种零样本学习复合故障诊断模型(ZLCFDM),该模型利用单故障的振动信号进行训练来识别未知的复合故障。
2)设计了故障语义来表达单故障和复合故障的先验知识。将单故障的振动信号用于构造故障语义,而复合故障的故障语义来自单故障的故障语义。
3)零样本学习方法映射故障语义,使它们与信号特征具有匹配的维数。该方法的训练过程将单故障的信号特征与其故障语义相匹配。训练后的模型通过计算信号特征与故障语义之间的欧氏距离来识别复合故障
Method
Problem statement
单故障:
K
K
K类
N
N
N个样本,
D
s
=
{
x
i
,
y
i
,
S
i
}
i
=
1
N
D_s=\{x_i,y_i,S_i\}^N_{i=1}
Ds={xi,yi,Si}i=1N,{样本,标签,故障语义}
复合故障:
L
L
L类
M
M
M个样本,
D
u
=
{
x
^
i
,
S
^
i
}
i
=
1
M
D_u=\{\hat x_i,\hat S_i\}^M_{i=1}
Du={x^i,S^i}i=1M,{样本,故障语义}
遵循以下规则:
I
(
)
I()
I()计算两个分布
p
(
D
s
)
,
p
(
D
u
)
p(D_s),p(D_u)
p(Ds),p(Du)的互信息,即
D
s
,
D
u
D_s,D_u
Ds,Du的数据分布不同;类别集
Y
s
,
Y
u
Y_s,Y_u
Ys,Yu交集为空,复合语义
S
^
\hat S
S^是由函数
φ
(
)
\varphi()
φ()从单故障语义
S
S
S中得到。
训练:
D
(
)
D()
D()计算距离
测试:
Data pre-processing
小波变换:一维时序信号转二维时频域图像
Model
特征提取模块、语义处理模块、语义嵌入模块
特征提取模块:CNN
语义处理模块:
选择单故障的振动信号的
R
R
R个数据点,如内圈故障的振动信号:
设内圈故障的故障语义为:
阈值
λ
i
\lambda_i
λi表示单故障
f
f
f振动信号的阈值。如果信号
f
f
f的维数
v
k
v_k
vk大于
λ
i
\lambda_i
λi,则维数
a
k
a_k
ak设为1,否则
a
k
a_k
ak设为0,则得到单故障
R
R
R维语义
S
i
S_i
Si:
a
a
a为经验确定的超参数
单故障的语义:
S
=
{
S
1
,
S
2
,
.
.
.
,
S
N
}
S=\{S_1,S_2,...,S_N\}
S={S1,S2,...,SN}
复合故障语义由单故障语义构成:
复合故障语义:
S
^
=
{
S
^
1
,
S
^
2
,
.
.
.
,
S
^
M
}
\hat S=\{\hat S_1,\hat S_2,...,\hat S_M\}
S^={S^1,S^2,...,S^M}
语义嵌入模块:
将故障语义嵌入到特征中,以将故障语义与特征相匹配,两层全连接
将测试样本和故障语义输入到模型中,以找到最接近的匹配关系如下:
f
(
x
^
i
)
f(\hat x_i)
f(x^i)为复合故障
x
i
x_i
xi的特征向量
Optimized objective function
分类损失:
嵌入损失:
Model training and application
Experiment
Description
三种单故障:滚动体故障(BF)、内圈故障(IF)、外圈故障(OF)
四种复合故障:IF&OF、IF&BF、OF&BF、IF&OF&BF
设置两组实验:
超参数
a
a
a:5