技术新讯 > 计算推算,计数设备的制造及其应用技术 > 对比自监督式故障检测方法、装置、电子设备及存储介质与流程  >  正文

对比自监督式故障检测方法、装置、电子设备及存储介质与流程

  • 国知局
  • 2024-07-31 22:52:10

本发明属于故障诊断与计算机图像数字化处理,特别涉及一种对比自监督式故障检测方法、装置、电子设备及存储介质。

背景技术:

1、轴承等部件的早期微弱故障特征提取与识别是旋转机械状态监测的核心环节。为检测到早期故障从而触发异常警报,通常采用信号处理方法构建健康指标对故障特征进行提取与判别。

2、目前,工业领域积累大量的历史监测数据,但是对历史数据的标注是耗时且费力的,因此在标记数据受限条件下利用半标记或未标记数据的自监督深度学习方法正成为该问题的解决方案。现有的自监督故障检测方法可以分为重构策略和聚类策略两类。由于旋转机械早期故障微弱,当前自监督故障检测方法会因重构或聚类任务难度过高而存在早期故障检测准确率不理想的局限性;此外,现有检测方法大多局限于只从正常状态的数据中学习异常边界,而对全寿命历史数据的利用率较低,缺乏有效的数据挖掘手段以充分利用好未标记历史数据中的通用健康状态退化知识。

3、因此,如何提供一种对比自监督式故障检测方法、装置、电子设备及存储介质,改善现有滚动轴承早期的故障检测方法对未标记历史数据的利用率低、检测准确性不理想等局限,已经成为一个亟待解决的技术问题。

技术实现思路

1、本发明实施例提供一种对比自监督式故障检测方法、装置、电子设备及存储介质,能够改善现有滚动轴承早期的故障检测方法对未标记历史数据的利用率低、检测准确性不理想等局限。

2、本发明的一个实施例中,提供一种对比自监督式故障检测方法,包括:

3、s101、应用对称式动量对比学习,使神经网络实现早期故障特征的自适应表征;

4、s102、引入深度支持向量描述异常检测模型,通过预训练—微调框架将自监督通用退化知识向深度支持向异常量描述检测模型中迁移;

5、s103、通过滚动轴承加速退化实验数据集,对提出方法的有效性和可行性进行验证;

6、s104、进行方法验证、对比方法验证和可视化分析,对对比自监督式故障检测方法进行方案验证。

7、进一步地,所述方法,包括:

8、采用特征动态队列字典更新负样本,允许模型以小批次进行训练;

9、其中,在每批次的迭代训练中依次删除队列字典最底层的表征特征,并向队列字典加入最新的表征特征,期间维持队列字典的容量k始终保持固定;

10、采用动量更新策略代替反向传播更新fk,fk与fq之间不再共享参数;

11、其中,采用随机梯度下降算法以误差反向传播的方式更新fq的参数θq,对fk的参数θk则采用动量更新策略:

12、

13、

14、式中,η为fq学习率,α∈(0,1)为动量参数,其值越小fk的更新越平顺,本发明技术方案中,取0.99,t为迭代次数,为前一次迭代中第q个分量的参数值,为第t次迭代中,第q个分量的临时更新值。为前一次迭代的参数值,为第t次迭代中,模型参数的第k个分量的值。。

15、进一步地,所述方法,包括:

16、在训练过程中,参数θk的更新慢于θq,θk的平稳更新使得动态队列字典内的表征特征差异可控,这一特点有利于θq向着更加平滑的梯度方向更新;

17、考虑到批次训练样本量远小于动态队列字典的容量,动量更新策略的引入降低更新θk的计算开销,有效改善使用mini-batch而带来的异常扰动风险。

18、进一步地,所述方法,包括:

19、在训练阶段,由损失函数约束神经网络从参与训练的正常数据中提取特征并将其映射至超球面之内;在测试阶段,由神经网络对输入数据向特征空间进行自适应映射;

20、其中,深度支持向异常量描述中的映射函数φ(xi,θ):x→hθ由l层神经网络的参数实现,更新网络参数并构造超平面的过程被一起集成在损失函数优化目标中:

21、

22、式中,||·||f为f-范数,第一项和第二项用于控制超球面的优化,最后一项代表控制参数衰减的正则项,r为超球体半径,λ为正则化系数

23、使用预训练后的模型参数θ*从m个期望正常样本中计算α∈:

24、

25、进一步地,所述方法,包括:

26、假设映射函数φk(xi):x→hk负责将输入数据从样本空间x映射至特征空间hk,下标k代表提高映射复杂度的核函数k(·):x×x→[0,+∞),构造最优超平面的优化问题:

27、

28、其中,a为超球面的球心,r为超球面的半径,ξi为距离弹性余量,v为平衡离群正常数据的惩罚参数,1/vn设置为0.5;

29、采用拉格朗日方法,转换为相应的对偶问题:

30、

31、其中,αi为拉格朗日算子,由二次规划算法求解,若求得αi的值为1/nv,则对应的输入数据xi就被称为支持向量,定义所有支持向量构成的集合xsv,最终计算到的最优超球面参数a、r为:

32、

33、

34、进一步地,通过滚动轴承加速退化实验数据集,对提出方法的有效性和可行性进行验证,包括:

35、通过轴承加速寿命退化实验台采集n组从正常退化到故障的轴承全寿命振动信号,其中3组用于模拟未标记的历史数据,划分成自监督的训练数据集

36、剩下一组作为早期故障识别的测试数据集对神经网络fk和fq进行自监督预训练,在对比训练成后保留fq中参数引入深度支持向量描述方法对预训练模型参数进行微调,构造出对微弱故障更加敏感的超球面异常决策边界;

37、采用电机控制器调节测试轴承转速,采用液压系统对测试轴承施加水平径向负载,共在3类工况下进行设定数量独立的轴承退化测试,验证过程中将使用水平方向的信号进行分析。

38、进一步地,通过轴承加速寿命退化实验台采集n组从正常退化到故障的轴承全寿命振动信号,包括:

39、使用dt初始阶段的样本作为训练数据,采用深度支持向量描述方法对进行有监督的参数微调并得到将应用到dt的测试数据上重新提取高维特征,并对这些高维特征再次应用pca降维,最终构建出针对特定监测任务的精确异常监测指标。

40、本发明的又一个实施例中,提供一种对比自监督式故障检测装置,包括:

41、第一处理模块,用于应用对称式动量对比学习,使神经网络实现早期故障特征的自适应表征;

42、第二处理模块,用于引入深度支持向量描述异常检测模型,通过预训练—微调框架将自监督通用退化知识向深度支持向异常量描述检测模型中迁移;

43、第三处理模块,用于通过滚动轴承加速退化实验数据集,对提出方法的有效性和可行性进行验证;

44、校验模块,用于进行方法验证、对比方法验证和可视化分析,对对比自监督式故障检测方法进行方案验证。

45、本发明的又一个实施例中,提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现以上任一项所述的一种对比自监督式故障检测方法中的步骤。

46、本发明的又一个实施例中,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现以上任一项所述的一种对比自监督式故障检测方法中的步骤。

47、本发明所带来的有益效果如下:

48、从上述方案可以看出,本发明实施例提供一种对比自监督式故障检测方法、装置、电子设备及存储介质,所述方法,包括:应用对称式动量对比学习,使神经网络实现早期故障特征的自适应表征;引入深度支持向量描述异常检测模型,通过预训练—微调框架将自监督通用退化知识向深度支持向异常量描述检测模型中迁移;通过滚动轴承加速退化实验数据集,对提出方法的有效性和可行性进行验证;进行方法验证、对比方法验证和可视化分析,对对比自监督式故障检测方法进行方案验证。本发明技术方案,能够改善现有滚动轴承早期的故障检测方法对未标记历史数据的利用率低、检测准确性不理想等局限。

本文地址:https://www.jishuxx.com/zhuanli/20240730/195087.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。